1. Pendahuluan
Keputusan perjalanan merupakan bagian dari proses penjadwalan aktivitas yang menjadi basis pemodelan permintaan aktivitas. Berbagai macam aktivitas setiap harinya dilakukan untuk memenuhi kebutuhan hidup masing-masing penduduk kota, baik untuk kegiatan bekerja, sekolah, mengantar dan menjemput anak, berbelanja, rekreasi, dan lain-lain. Pergerakan yang dilakukan setiap rumah tangga mempunyai karakteristik yang berbeda-beda tergantung dari faktor sosial-ekonomi, demografi dan perilaku perjalanan yang sangat mempengaruhi terjadinya aktivitas seharihari. Pola perjalanan individu berkaitan dengan perilaku perjalanan individu dalam menentukan pola aktivitas sehari-hari, waktu perjalanan, tujuan perjalanan, durasi aktivitas dan jumlah berhenti. Berbagai macam pergerakan dipengaruhi oleh berbagai faktor, model kebutuhan pergerakan yang dilakukan oleh individu pada suatu area dapat diketahui besarnya tingkat kebutuhan dengan mempelajari variasi hubungan antara ciri pergerakannya yang berdasarkan aktivitas.
Bangkitan perjalanan dihasilkan bersamaan dengan aktivitas di luar rumah, dan waktu yang dihabiskan untuk beraktivitas adalah komponen lain dari penggunaan waktu secara keseluruhan. Durasi aktivitas ini terhitung mulai dari individu melakukan perjalanan ke luar rumah sampai dengan kembali ke rumah. Durasi aktivitas setiap individu maupun rumah tangga berbeda-beda tergantung dari jenis aktivitasnya. Adapun pergerakan aktivitas oleh pekerja berdasarkan durasi aktivitas yang ditinjau adalah aktivitas mandatory, maintenance dan discretionary.
Lokasi yang dipilih pada penelitian ini yaitu pada seluruh kecamatan kota Banda Aceh, yang terdiri dari 9 (sembilan) kecamatan, yaitu Syiah Kuala, Ulee Kareng, Lueng Bata, Kuta Raja, Jaya Baru, Meuraxa, Baiturrahman, Kuta Alam dan Banda Raya.
Bangkitan pergerakan yang dilakukan oleh pekerja di luar rumah untuk memenuhi kebutuhan aktivitasnya yang ditempuh dengan jarak yang dekat atau jauh, waktu berangkat, waktu pulang dan dengan intensitas yang sering. Hal ini dapat meningkatkan kapasitas volume lalu lintas pada jalan yang dilalui dan berdampak pada pengembangan transportasi Kota Banda Aceh seperti kemacetan pada titik-titik bagian kota pada jam tertentu. Rumusan permasalahan berdasarkan latar belakang tersebut adalah bagaimanakah model partisipasi aktivitas berdasarkan durasi aktivitas oleh pekerja dan pengaruh dari faktorfaktor sosial-ekonomi, demografi dan perilaku perjalanan (variable bebas/eksogen.) terhadap variabel terikat/endogen serta pengaruh antar variabel terikat/ endogen akibat adanya variabel bebas/eksogen.
2. Kajian Pustaka
2.1 Pendekatan pergerakan berbasis aktivitas (activity-based approach)
Pendekatan berbasis aktivitas adalah pergerakan yang dimulai dari rumah ke tempat tujuan aktivitas. Ketika melakukan pergerakan ke tempat tujuan aktivitas, individu dapat berhenti di tengah-tengah perjalanan untuk melakukan aktivitas lain. Setelah tiba di tempat tujuan aktivitas, individu dapat melakukan pergerakan lain untuk aktivitas berikut nya.
Kumpulan aktivitas yang terjadi dalam sehari terdiri dari pola aktivitas individu, proses keputusan, kebiasaan perilaku dan lingkungan. Menurut Bhat (1997), pendekatan berbasis aktivitas menjelaskan perilaku perjalanan individu dengan lebih jelas dalam model-model transportasi.
2.2 Aktivitas
Ettema, dkk (2006) mengatakan aktivitas terdiri dari aktivitas bekerja, aktivitas rumah tangga di luar, aktivitas rumah tangga di dalam rumah, aktivitas luang di dalam rumah, rekreasi dan keperluan pribadi di luar rumah. Pola aktivitas harian rumah tangga maupun individu menurut aspek waktu dibedakan menjadi aktivitas hari kerja dan aktivitas akhir pekan, dimana perbedaan pola aktivitas hari kerja dan akhir pekan akan mempengaruhi pola perjalanan seseorang
sehingga perilaku perjalanannya pun berbeda (Agarwal, 2004).
Menurut Bilqis (2018), yang dikutip dari Anggraini, dkk (2009), aktivitas dibagi 3 (tiga) kelompok, yaitu mandatory, maintenance dan discretionary. Aktivitas mandatory merupakan aktivitas rutin yang harus dilakukan sendiri tidak boleh diwakilkan seperti bekerja dan sekolah. Aktivitas maintenance dan merupakan aktivitas harian yang tidak rutin yang bisa dilakukan sendiri atau bersama seperti antar jemput anak/pasangan dan berbelanja. Sedangkan aktivitas discretionary seperti rekreasi, kunjungan sosial dan aktivitas bersenang – senang lainnya merupakan aktivitas tidak rutin yang sering dilakukan di akhir pekan dan dapat dilakukan sendiri maupun bersama – sama.
2.3 Pola Kegiatan perjalanan pekerja
Menurut Susana, N (2014) yang dikutip dari Bowman dan Ben-Akiva (2000), aktivitas harian dan pola perjalanan individu bergantung perilaku perjalannya, dapat dilihat pada Gambar 1 berikut:
Gambar 1. Pola perjalanan individu Sumber: Bowman dan Ben-Akiva (2000)
Pola harian pekerja ditandai dengan 5 (lima) pola yang berbeda:
- a) Pola sebelum perjalanan kerja (pola before work), yang mewakili kegiatan-perjalanan yang dilakukan sebelum meninggalkan rumah untuk bekerja
- b) Pola bekerja di rumah (home work), yang mewakili kegiatan-perjalanan yang ditempuh selama dari rumah ke tempat kerja/kantor
- c) Pola berbasis kerja (work based), yang mencakup semua kegiatan dan perjalanan yang dilakukan dari tempat kerja
- d) Pola perjalanan tempat kerja ke rumah (work home, yang mewakili kegiatan-perjalanan ditempuh selama perjalanan tempat kerja-ke-rumah
- e) Pola kedatangan pasca pulang (after work), yang terdiri dari kegiatan dan perilaku perjalanan individu setelah tiba di rumah pada akhir perjalanan kerja-kerumah.
2.4 Durasi aktivitas
Durasi aktivitas ini terhitung mulai dari individu melakukan perjalanan ke luar rumah yang disebut dengan waktu keberangkatan sampai dengan kembali ke rumah. Dalam menentukan durasi aktivitas dilihat dari jenis kegiatan yang dilakukan, dimana aktivitas mandatory (rutin) seperti bekerja dan bersekolah akan membutuhkan waktu yang lama dibandingkan dengan aktivitas nonmandatory (tidak rutin) yang biasanya tidak membutuhkan waktu yang lama.
2.5 Structural equation modelling (SEM)
Structural Equation Modelling (SEM) adalah metode statistik multivariate yang dibangun atas dasar kajian teoritis tertentu dengan menggabungkan aspek-aspek analisis faktor dan analisis jalur yang bertujuan untuk mengkonfirmasikan measurement model (model pengukuran) dan structural model (model struktural) (Joreskog dan Sorbon, 1996).
Keunggulan aplikasi SEM dalam penelitian dapat disimpulkan bahwa SEM mempunyai keunggulan dibandingkan dengan multivariat lainnya, seperti:
- 1. SEM dapat memodelkan konsep variabel laten yang tidak teramati secara langsung.
- 2. SEM dapat memodelkan hubungan antara dimensi dengan variabel eksogen dan variabel endogen dan dapat diestimasi sekaligus atau simultan.
Aplikasi SEM telah banyak digunakan dalam perencanaan permodelan transportasi seperti yang dilakukan oleh Gollob dan McNally (1996) mengembangkan model srtuctural equation durasi aktivitas untuk memodelkan perilaku kepala rumah tangga pria dan wanita secara simultan di dalam terminologi partisipasi aktivitas dan perjalanan mereka. Chung, dkk (2009), menyatakan model ini mengasumsikan bahwa partisipasi aktivitas dan pola perjalanan pada tahun berjalan dipengaruhi oleh tahuntahun sebelumnya dan hasil dari SEM mengkonfirmasi fakta bahwa aktivitas dan perilaku perjalanan manusia saat ini memiliki dampak ke masa depan. Sugiarto, dkk (2017) menggunakan aplikasi SEM dalam kajian kebijakan transportasi.
Untuk menguji hipotesis, exploratory factor analysis (EFA) dan structural equation modeling (SEM) dilakukan. Exploratory factor analysis (EFA) digunakan untuk mengeksplorasi dimensi masing-masing konstruk. Berdasarkan hasil analisis faktor, kemudian ditindaklanjuti dengan confirmatory factor analysis (CFA).
2.6 Analisis eksploratori (EFA)
Analisis faktor adalah metode statistik yang digunakan untuk mengkorelasikan antara satu variabel dengan variabel lainnya, yang bertujuan untuk mencari beberapa faktor (dimensi) yang tersirat dari sekelompok variabel independen (Ma'ruf, 2005).
Analisis faktor eksploratori atau exploratory factor analysis (EFA) diaplikasikan pada data survei utama dalam rangka untuk melakukan tes awal dari validitas dan reliabilitas instrumen. Analisis ini mengacu pada hubungan antara variabel dan faktor-faktor yang disebut oleh faktor loading. Menurut Hair et al (2006), nilai minimum loading faktor bergantung pada jumlah orang responden.
3. Metode Penelitian
Data primer didapat dengan metode home interview survey yaitu dengan membagikan kuisioner kepada rumah tangga disetiap desa pada kecamatan yang diteliti dan diisi langsung oleh responden atau interviewer. Pada penelitian ini objek diarahkan hanya pada kepala keluarga (household) sebagai pekerja dimana melakukan aktivitas bekerja, sekolah, berbelanja, antar jemput, urusan rumah tangga, kegiatan berolahraga, kegiatan refreshing, sosial dan rekreasi saja. Data kuesioner diperlukan untuk mengetahui aktivitas sehari-hari individu maupun rumah tangga baik pada hari kerja (weekdays) dan akhir pekan (weekendays). Data kuesioner rumah tangga dengan cakupan pertanyaan meliputi karakteristik rumah tangga yang terdiri atas beberapa variabel sosial-ekonomi, demografi dan perilaku perjalanan. Sedangkan kuisioner pribadi berisi pertanyaan tentang pola perjalanan aktivitas individu dalam sehari.
Data sekunder terdiri dari peta kota Banda Aceh dan jumlah populasi penduduk di kota Banda Aceh yang diperoleh dari Badan Pusat Statistik (BPS) kota Banda Aceh. Data yang telah dikumpulkan akan diolah dengan menggunakan analisis statistik deskriptif dan model Exploratory Factor Analysis (EFA). Nantinya pengolahan data dan analisis akan menggunakan software AMOS.
3.1 Variabel penelitian
Terdapat 2 (dua) kategori variabel yang akan digunakan untuk memecahkan permasalahan, yaitu variabel terikat/endogen dan variabel bebas/eksogen. Pembagian untuk variabel endogen dan variabel eksogen adalah sebagai berikut:
a. Variabel Terikat/Endogen
Variabel endogen adalah variabel yang nilainya ditentukan oleh adanya variabel lain didalam model. Konstruk endogen adalah konstruk yang mempunyai anak-anak panah menuju kearah variabel tersebut.
Untuk variabel endogen bagi partisipasi aktivitas berdasarkan durasi aktivitas oleh pekerja terdiri atas:
- 1. Aktivitas Mandatory berdasarkan durasi aktivitas ≤ 5 jam (YP1) : durasi aktivitas ≤ 5 jam untuk aktivitas bekerja dan sekolah (aktivitas /hari);
- 2. Aktivitas Mandatory berdasarkan durasi aktivitas > 5 jam (YP3) : durasi aktivitas > 5 jam untuk aktivitas bekerja kantoran dan mengajar (aktivitas /hari);
- 3. Aktivitas Maintenance berdasarkan durasi aktivitas ≤ 30 menit (YM1) : durasi aktivitas ≤ 30 menit untuk aktivitas belanja di supermarket dan antar jemput anak/pasangan (aktivitas/hari);
- 4. Aktivitas Maintenance berdasarkan durasi > 30 menit (YM2) : durasi aktivitas > 30 menit untuk aktivitas belanja di supermarket dan belanja di pasar (aktivitas/hari);
- 5. Aktivitas Discretionary berdasarkan durasi aktivitas ≤ 2 jam (YD1): durasi aktivitas ≤ 2 jam untuk aktivitas urusan RT/sekolah/kantor dan kegiatan sosial (akivitas/hari);
- 6. Aktivitas Discretionary berdasarkan durasi aktivitas > 2 jam (YD2): durasi aktivitas > 2 jam untuk aktivitas kegiatan sosial dan rekreasi/ refreshing (aktivitas/hari);
b. VariabelBebas/Eksogen
Variabel eksogen adalah variabel yang nilainya tidak ditentukan oleh variabel lain didalam model.
Variabel eksogen yang dominan berpengaruh terdiri atas :
X3 = Jumlah kepemilikan sepeda motor (unit)
X8 = Jenis kelamin (orang)
X10 = Jenis pekerjaan
X13 = Kepemilikan SIM
X14 = Tujuan perjalanan
X15 = Kendaraan yang digunakan
X16 = Jarak tempuh ke lokasi (kegiatan)
3.2 Metode estimasi
Pada peneltian ini teknik estimasi menggunakan tahap EFA, dimana hubungan antara variabel teramati dan jelas diamati (kausal) variabel ditentukan melalui model struktural (structural model).
Langkah-langkah dalam mengestimasi model EFA adalah sebagai berikut:
- 1. Membuka lembar kerja tools SEM;
- 2. Membuat path diagram;
- 3. Proses selanjutnya adalah input data ke aplikasi AMOS dengan klik kotak file, kemudian open, pilih file data SPSS;
- 4. Selanjutnya didapat hasil output data, analys property, calculate estimate, kemudian run;
- 5. Periksa apakah model fit dengan mengecek nilai CFI, TLI, GFI, RMSEA apakah memenuhi syarat, maka nilai P yang belum signifikan maka harus dihilangkan, lakukan pengulangan model hingga memperoleh model yang fit dan diperoleh output dari path diagram.
4. Hasil dan Pembahasan
Pemodelan partisipasi aktivitas yang dilakukan oleh pekerja berdasarkan durasi aktivitas dapat diuraikan sebagai berikut:
4.1 Model partisipasi aktivitas mandatory oleh pekerja berdasarkan durasi aktivitas
Gambar 2. Path diagram aktivitas mandatory pekerja berdasarkan durasi aktivitas ≤ 5 jam (YP1 dan ≥ 5 jam (YP2)
Dari model path diagram pada Gambar 2 didapat nilai GOF seperti pada Tabel 1 berikut ini
Hasil analisis di atas mengindikasikan bahwa nilai Chisquare = 46.018 (p<.000). Nilai RMR sebesar 0.012 < 0.05, GFI sebesar 0.980, AGFI sebesar 0,954 dan CFI sebesar 0,984 > 0.90 menunjukkan hasil good fit. Nilai RMSEA sebesar 0.073 telah menunjukkan nilai yang memuaskan (good fit), yaitu berada antara 0.05 – 0.08 (persyaratan).
Tabel 1. Nilai goodness of fit (GOF) dari gambar 2
| Fit Idicies | Hasil | Syarat | Memenuhi/ Tidak |
|---|---|---|---|
| \(\chi^2\) | 46,018 | P ≤ 0,05 | Memenuhi |
| RMR | 0,012 | ≤ 0,05 - 0 (poor fit) | Memenuhi |
| GFI | 0,980 | - 1 (perfect fit) - ≥ 0,90 (good fit) | Memenuhi |
| AGFI | 0,954 | ≥ 0,90 | Memenuhi |
| CFI | 0,984 | ≥ 0,90 | Memenuhi |
| RMSEA | 0,073 | ≤ 0,05 - 0,08 (good fit model) - 0.08 - 0.1 (medio fit model) -> 0,1 (poor fit model) | Memenuhi |
Tabel 2. Regression weight gambar 2
| Estimate | P | |
|---|---|---|
| YP1,.≾ X | ,157 | ••• |
| YP1, < X | LO 1,152 | ••• |
| YP1, < X | 125, 15 | ••• |
| YP1,.≾ X | .594 (10 | *** |
| YP1, ≤ X: | ,169 | ••• |
| YP3,≲ YI | 21 -1,025 | ••• |
Hasil dari Tabel 2 menjelaskan bahwa setiap variabel telah sesuai dengan nilai kriteria yaitu nilai C.R di atas 1,96 dengan P lebih kecil dari 0,05. Dari hasil tersebut dapat disimpulkan bahwa variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
Output dari model persamaan struktural yaitu:
- 1. Jenis kelamin (X<sub>8</sub>) berpengaruh sebesar 0.157, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas mandatory berdasarkan durasi aktivitas \(\leq 5\) jam.
- 2. Jenis pekerjaan (X<sub>10</sub>) berpengaruh sebesar 1.152, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas mandatory berdasarkan durasi aktivitas \(\leq 5\) jam.
- 3. Kendaraan yang digunakan \((X_{15})\) berpengaruh sebesar 0.125, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas.
- 4. Jenis pekerjaan \((X_{10})\) berpengaruh sebesar 0.594, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas mandatory berdasarkan durasi aktivitas > 5 jam.
- 5. Tujuan perjalanan (X<sub>14</sub>) berpengaruh sebesar 0.169, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas mandatory berdasarkan durasi aktivitas > 5 jam.
- 6. Aktivitas mandatory berdasarkan durasi aktivitas \(\leq 5\)(YP1) berpengaruh sebesar mempengaruhi secara langsung, negatif dan signifikan terhadap Aktivitas mandatory berdasarkan durasi aktivitas > 5 jam (YP3).
Tabel 2 di atas pada baris 1 - 5 menunjukkan keeratan hubungan antara variabel eksogen dengan variabel
endogen. Selanjutnya, pada baris ke 6 menjelaskan hubungan antara variabel-variabel endogen akibat pengaruh dari variabel eksogen.
Hubungan yang paling erat diantara variabel bebas dengan variabel terikat ditunjukkan oleh hubungan jenis pekerjaan \((X_{10})\) dengan aktivitas mandatory berdasarkan durasi aktivitas \(\leq 5\) jam \((Y_{Pl})\) dengan angka estimasi sebesar 1.152. Ini berarti semakin banyak responden yang melakukan aktivitas bekerja, maka akan langsung meningkatkan durasi aktivitas \(\leq 5\)jam responden sebesar 1,152 terhadap aktivitas mandatory berdasarkan durasi aktivitas aktivitas ≤ 5 jam di Banda Aceh. Selanjutnya, nilai yang lebih rendah ditunjukkan oleh nilai hubungan antara jenis pekeriaan \((X_{10})\)dengan aktivitas mandatory berdasarkan durasi aktivitas > 5 jam (Y<sub>P2</sub>), yaitu sebesar 0,594. Sedangkan nilai hubungan yang paling rendah ditujukkan oleh hubungan antara kendaraan yang dengan aktivitas mandatory digunakan \((X_{15})\)berdasarkan durasi aktivitas \(\leq 5\) jam \((Y_{P1})\), yaitu sebesar 0.125.
\(\begin{array}{lll} Dari & segi & faktor & \textit{loading}, & aktivitas & \textit{mandatory} \\ berdasarkan & durasi & aktivitas \leq 5 & jam & (Y_{Pl}) & memiliki \\ nilai & \textit{loading} & sebesar & -1,025 & terhadap & aktivitas \\ \end{array}\)mandatory berdasarkan durasi aktivitas > 5 jam (Y<sub>P3</sub>). Dengan kata lain, untuk responden yang melakukan aktivitas mandatory berdasarkan durasi aktivitas > 5 jam (Y<sub>P3</sub>) semakin banyak memiliki kesempatan melakukan aktifitas mandatory berdasarkan durasi aktivitas \(\leq 5\) jam \((Y_{P1})\).
4.2 Model partisipasi aktivitas maintenance oleh pekerja berdasarkan durasi aktivitas
Gambar 3. Path diagram aktivitas maintenance pekerja berdasarkan durasi aktivitas ≤ 5 jam (YM1) dan ≥ 5 jam (YM2)
Dari model path diagram pada Gambar 3 didapat nilai GOF seperti pada Tabel 3 berikut ini:
Tabel 2. Nilai goodness of fit (GOF) dari gambar 3
| Fit Idicies | Hasil | Syarat | Memenuhi/ Tidak |
|---|---|---|---|
| χ² | 16,086 | P ≤ 0,05 | Memenuhi |
| RMR | 0,018 | ≤ 0,05 | Memenuhi |
| GFI | 0,973 | - 0 (poor fit) - 1 (perfect fit) - ≥ 0,90 (good fit) | Memenuhi |
| AGFI | 0,918 | ≥ 0,90 | Memenuhi |
| CFI | 0,976 | ≥ 0,90 | Memenuhi |
| RMSEA | 0,098 | ≤ 0,05 - 0,08 (good fit model) - 0.08 - 0.1 (medio fit model) - > 0,1 (poor fit model) | Memenuhi |
Hasil analisis di atas mengindikasikan bahwa nilai Chi-square = 16.086 (p<.000). Nilai RMR sebesar 0.018 < 0.05, GFI sebesar 0.973, AGFI sebesar 0.918 dan CFI sebesar 0.976 > 0.90 menunjukkan hasil good fit. Nilai RMSEA sebesar 0.098 telah menunjukkan nilai yang biasa-biasa saja (medium fit), yaitu berada antara 0.08 - 0.1 (persyaratan).
Tabel 3 berikut akan manjelaskan hubungan setiap variabel pembentuk konstruk secara lebih jelas
Tabel 3. Regression weight dari gambar 3
| Estimate | P | |
|---|---|---|
| YM1,≲ X13 | ,328 | *** |
| YM1, ≤ X14 | ,594 | +++ |
| YM2, < X3 | ,076 | +++ |
| YM2,≲ X14 | ,584 | +++ |
| YM2,,≤ YM1 | -,795 | +++ |
Tabel 3 menjelaskan bahwa setiap variabel telah sesuai dengan nilai kriteria yaitu nilai C.R di atas 1,96 dengan P lebih kecil dari 0,05. Dari hasil tersebut dapat disimpulkan bahwa variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
Output dari model persamaan struktural yaitu:
- Kepemilikan SIM (X<sub>13</sub>) berpengaruh sebesar 0.328, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas < 30 menit.</li>
- Tujuan perjalanan (X<sub>14</sub>) berpengaruh sebesar 0.594, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas < 30 menit.</li>
- 3. Jumlah kepemilikan sepeda motor (X<sub>3</sub>) berpengaruh sebesar 0.074, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas > 30 menit
- Tujuan perjalanan (X<sub>14</sub>) berpengaruh sebesar 0.584, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas > 30 menit.
5. Aktivitas maintenance berdasarkan durasi aktivitas \(\leq 30\) menit (Y<sub>M1</sub>) berpengaruh sebesar 0.584, mempengaruhi secara langsung, negatif dan signifikan terhadap aktivitas maintenance berdasarkan durasi aktivitas \(\geq 30\) menit (Y<sub>M2</sub>).
Tabel 3 di atas pada 4 baris pertama menunjukkan keeratan hubungan antara variabel bebas dengan variabel terikat. Selanjutnya, pada baris ke 5 menjelaskan hubungan antara variabel terikat akibat pengaruh dari variabel bebas.
Hubungan yang paling erat diantara variabel bebas dengan variabel terikat ditunjukkan oleh hubungan tujuan perjalanan (X<sub>14</sub>) dengan aktivitas maintenance berdasarkan durasi aktivitas \(\leq 30\) menit \((Y_{M1})\) dengan angka estimasi sebesar 0,594. Ini berarti semakin banyak responden yang memiliki tujuan ke sekolah, maka akan meningkatkan responden melakukan aktivitas maintenance berdasarkan durasi aktivitas ≤ 30 menit (Y<sub>M1</sub>) sebesar 0,594. Selanjutnya, nilai yang lebih rendah ditunjukkan oleh nilai hubungan antara tujuan perjalanan (X<sub>14</sub>) dengan aktivitas maintenance berdasarkan durasi aktivitas > 30 menit (Y<sub>M2</sub>), yaitu sebesar 0,584. Sedangkan nilai hubungan yang paling rendah ditujukkan oleh hubungan antara jumlah kepemilikan sepeda motor (X3) dengan aktivitas maintenance berdasarkan durasi aktivitas > 30 menit \((Y_{M2})\), yaitu sebesar 0,076.
Dari segi faktor loading, untuk aktivitas maintenance berdasarkan durasi aktivitas \(\leq 30\) menit \((Y_{M1})\) memiliki nilai loading -0,795. Dengan kata lain, untuk responden yang melakukan aktivitas maintenance berdasarkan durasi aktivitas \(\geq 30\) menit \((Y_{M1})\) semakin banyak memiliki kesempatan melakukan aktifitas aktivitas maintenance berdasarkan durasi aktivitas \(\leq 30\) menit \((Y_{M2})\).
4.3 Model partisipasi aktivitas discretionary oleh pekerja berdasarkan durasi aktivitas
Gambar 4 Path diagram aktivitas discretionary pekerja berdasarkan durasi aktivitas ≤ 2 jam (YD1) dan ≥ 2 jam (YD2)
Dari model path diagram pada Gambar 4 didapat nilai GOF seperti pada Tabel 4 berikut ini:
Tabel 4. Regression weight dari gambar 4.3
| Fit Idicies | Hasil | Syarat | Memenuhi/ Tidak |
|---|---|---|---|
| χ² | 17,340 | P ≤ 0,05 | Memenuhi |
| RMR | 0,013 | ≤ 0,05 | Memenuhi |
| GFI | 0,974 | - 0 (poor fit) - 1 (perfect fit) - ≥ 0,90 (good fit) | Memenuhi |
| AGFI | 0,922 | ≥ 0,90 | Memenuhi |
| CFI | 0,983 | ≥ 0,90 | Memenuhi |
| RMSEA | 0,098 | ≤ 0,05 - 0,08 (good fit model) - 0.08 - 0.1 (medio fit model) -> 0,1 (poor fit model) | Memenuhi |
Hasil analisis di atas mengindikasikan bahwa nilai Chisquare = 17.340 (p<.000). Nilai RMR sebesar 0.013 < 0.05, GFI sebesar 0.974, AGFI sebesar 0,922 dan CFI sebesar 0,983 > 0.90 menunjukkan hasil good fit. Nilai RMSEA sebesar 0.098 telah menunjukkan nilai yang biasa-biasa saja (medium fit), yaitu berada antara 0.08 – 0.1 (persyaratan).
Tabel 5 berikut akan manjelaskan hubungan setiap variabel pembentuk konstruk secara lebih jelas
Tabel 5. Regression weight dari gambar 4
| Estimate | Р | |
|---|---|---|
| YD1,≲ X14 | ,478 | ••• |
| YD1,≾ X16 | -,250 | ••• |
| YD2,≲ X13 | ,101 | ••• |
| YD2,≲ X14 | ,469 | ••• |
| YD2.≾ YD1 | -,893 |
Tabel 5 menjelaskan bahwa setiap variabel telah sesuai dengan nilai kriteria yaitu nilai C.R di atas 1,96 dengan P lebih kecil dari 0,05. Dari hasil tersebut dapat disimpulkan bahwa variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
Output dari model persamaan struktural yaitu:
- 1. Tujuan perjalanan \((X_{14})\) berpengaruh sebesar 0.478, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam.
- 2. Jarak tempuh \((X_{16})\) berpengaruh sebesar -0.250, mempengaruhi secara langsung, negatif dan signifikan terhadap aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam.
- 3. Kepemilikan SIM (\(_{\rm X13}\)) berpengaruh sebesar 0.101, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas discretionary berdasarkan durasi aktivitas > 2 jam.
- 4. Tujuan perjalanan (X<sub>14</sub>) berpengaruh sebesar 0.469, mempengaruhi secara langsung, positif dan signifikan terhadap aktivitas discretionary berdasarkan durasi aktivitas > 2 jam.
- 5. Aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam \((Y_{D1})\) berpengaruh sebesar -0.893, mempengaruhi secara langsung, negatif dan signifikan terhadap aktivitas discretionary berdasarkan durasi aktivitas > 2 jam \((Y_{D2})\).
Tabel 5 pada 4 baris pertama menunjukkan keeratan hubungan antara variabel bebas dengan variabel terikat. Selanjutnya, pada baris ke 5 menjelaskan hubungan antara variabel endogen akibat pengaruh dari variabel eksogen.
Hubungan yang paling erat diantara variabel bebas dengan variabel terikat ditunjukkan oleh hubungan tujuan perjalanan (X<sub>14</sub>) dengan aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam \((Y_{D1})\) dengan angka estimasi sebesar 0,478. Ini berarti semakin banyak responden yang memiliki tujuan ke restoran, kafe, dll, maka akan meningkatkan responden melakukan aktivitas discretionary berdasarkan durasi aktivitas ≤ 2 jam (Y<sub>D1</sub>) sebesar 0,478. Selanjutnya, nilai yang lebih rendah ditunjukkan oleh nilai hubungan antara tujuan perjalanan (X14) dengan aktivitas discretionary berdasarkan durasi aktivitas > 30 menit (Y<sub>D2</sub>), yaitu sebesar 0,469. Sedangkan nilai hubungan yang paling rendah ditujukkan oleh hubungan antara jarak tempuh (X<sub>16</sub>) dengan aktivitas discretionary berdasarkan durasi aktivitas ≤ 2 jam (Y<sub>D1</sub>), yaitu sebesar -0,250.
Dari segi faktor loading, untuk aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam \((Y_{D1})\), memiliki nilai loading -0,893. Dengan kata lain, untuk responden yang melakukan aktivitas discretionary berdasarkan durasi aktivitas \(\geq 2\) jam \((Y_{D1})\) semakin banyak memiliki kesempatan melakukan aktifitas aktivitas discretionary berdasarkan durasi aktivitas \(\leq 2\) jam \((Y_{D2})\).
5. Kesimpulan dan Saran
5.1 Kesimpulan
1. Hasil dari penelitian ini didapat 6 (enam) model yaitu:
a. \[Y_{P1} = 1.03 Y_{P3} + 0.16 X_8 + 1.15 X_{10} + 0.12 X_{15}\]
b. \[Y_{P3} = -1.03 Y_{P1} + 0.59 X_{10} + 0.17 X_{14}\]
c. \[Y_{M1} = 0.80 Y_{M2} + 0.33 X_{13} + 0.08 X_{14}\]
d. \[Y_{M2} = -0.80 Y_{M1} + 0.59 X_3 + 0.58 X_{14}\]
e. \[Y_{D1} = 0.89 \ Y_{D2} + 0.48 \ X_{14} + 0.10 \ X_{16}\]
f. \[Y_{D2} = -0.89 Y_{D1} - 0.25 X_{13} + 0.47 X_{14}\].
Variabel eksogen yang dominan berpengaruh adalah tujuan perjalanan, mempengaruhi secara langsung,
- positif dan signifikan. Hal ini berarti bahwa lamanya durasi aktivitas individu tergantung pada tujuan perjalanannya.
- 3. Hubungan antar variabel endogen berpengaruh secara langsung, negatif dan signifikan. Hal ini dikarenakan pekerja yang melakukan aktivitas mandatory lebih sedikit mempunyai kesempatan melakukan aktivitas non mandatory.
5.2 Saran
- 1. Untuk penelitian selanjutnya dengan menggunakan metode yang sama, perlu adanya peninjauan ulang dengan menambahkan faktor-faktor perilaku perjalanan (travel behaviour) sehingga menghasilkan model yang lebih baik.
- 2. Dengan adanya penelitian ini diharapkan dapat dijadikan bahan rujukan bagi penelitian selanjutnya untuk menambah variabel laten sehingga bisa menggunakan metode SEM yang dianalisis dengan CFA.