TUGAS PERSAMAAN MODEL STRUKTURAL

ANALISIS FAKTOR KONFIRMATORI DUA TINGKAT

“ Analisis Faktor Konfirmatori Tingkat Kedua (Second-Order Confirmatory Factor Analysis)
pada Kualitas Pelayanan Bank”

Disusun Oleh:
Rahmi Wahyuni | 16/394203/PA/17294
Maria Gaetana Agnesi Tois | 16/406182/PA/17635

Dosen Pengampu :
Abdurrakhman S.Si., M.Si.

PROGRAM STUDI STATISTIKA

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2019
I. PENDAHULUAN
Analisis Faktor Konfirmatori adalah salah satu metode analisis faktor yang digunakan ketika
peneliti memiliki pengetahuan mengenai struktur suatu faktor laten yang diperoleh berdasarkan
sebuah kajian teoritis. Pada Analisis Faktor Konfirmatori tingkat pertama suatu variabel laten di
ukur berdasarkan beberapa indikator yang dapat diukur secara langsung. Pada suatu
permasalahan, memungkinkan untuk variabel laten tidak dapat di ukur secara langsung melalui
variabel-variabel indikatornya, bahkan memerlukan beberapa indikator lagi. Analisis yang sesuai
untuk menyelesaikan kasus seperti itu adalah analisis faktor konfirmatori tingkat kedua (Second-
Order Confirmatory Factor Analysis).

Kualitas pelayanan merupakan gambaran atas seberapa jauh perbedaan antara kenyataan
pelayanan dengan harapan para pengguna layanan atas pelayanan yang seharusnya mereka
terima. Kualitas pelayanan dalam suatu perusahaan jasa meliputi tiga dimensi yakni tangibles
(bukti fisik), reliability (kehandalan) dan emphaty. Bank merupakan salah satu perusahaan di
bidang jasa dimana saat ini pelayanannya hampir digunakan oleh semua kalangan masyarakat.
Di Indonesia sendiri sudah terdapat banyak bank, baik swasta maupun negeri. Bank-bank
tersebut berlomba-lomba memberikan pelayanan yang terbaik kepada nasabahnya agar selalu
setia menggunakan pelayanan mereka.

Penelitian ini dilakukan untuk mengkonfirmasi kontribusi dari tangibles (bukti fisik), reliability
(kehandalan) dan emphaty (empati) dalam mengukur variabel kualitas pelayanan dan juga
mengkonfirmasi kontribusi dari setiap indikator dalam mengukur dimensinya masing-masing.
Tiga dimensi dari kualitas pelayanan yakni bukti fisik, kehandalan dan empati merupakan
indikator dari variabel laten kualitas pelayanan, akan tetapi ketiga dimensi yang dipandang
sebagai indicator tersebut tidak dapat diukur secara langsung, karena ketiga dimensi tersebut
memerlukan beberapa indicator lagi. Keadaan tersebut sesuai dengan prinsip analisis
konfirmatori dua tingkat, sehingga penelitian ini akan dianalisis menggunakan analisis
konfirmatori tingkat kedua (Second-Order Confirmatory Factor Analysis).

II. TUJUAN PENELITIAN

Tujuan dilakukannya analisis ini adalah untuk mengetahui indikator apa saja yang berkontribusi
paling besar dalam membentuk dimensi tangibles (bukti fisik), reliability (kehandalan) dan
emphaty pada model analisis faktor konfirmatori tingkat pertama dan untuk mengetahui dimensi
yang berkontribusi paling besar dalam membentuk variabel kualitas pelayanan Bank pada model
analisis faktor konfirmatori tingkat kedua.

III. TINJAUAN PUSTAKA

A. KUALITAS PELAYANAN
Kualitas pelayanan dapat diketahui dengan cara membandingkan persepsi para konsumen
atas pelayanan nyata yang mereka terima dengan pelayanan yang sesungguhnya mereka
harapkan terhadap atribut-atribut pelayanan suatu perusahaan. Jika jasa yang diterima atau
dirasakan sesuai dengan yang diharapkan, maka kualitas pelayanan dipersepsikan baik dan
memuaskan. Jika jasa yang diterima melampaui harapan konsumen, maka kualitas
pelayanan dipersepsikan sangat baik dan berkualitas. Sebaliknya, jika jasa yang diterima
lebih rendah daripada yang diharapkan, maka kualitas pelayan dipersepsikan buruk
(Tjiptono, 2007).
 Terdapat tiga dimensi kualitas pelayanan yaitu sebagai berikut :
1. Bukti Fisik
Bukti fisik yaitu kemampuan suatu perusahaan dalam menunjukkan eksistensi kepada
pihak eksternal. Bukti fisik bisa meliputi fasilitas fisik (gedung, gudang, dsb),
perlengkapan dan peralatan yang dipergunakan (teknologi), serta penampilan
pegawainya.
2. Kehandalan
Kehandalan adalah kemampuan perusahaan untuk memberikan pelayanan sesuai yang
dijanjikan secara akurat da terpercaya. Kinerja harus sesaui dengan harapan nasbah yang
berarti ketepatan waktu, pelayanan yang sama untuk semua nasabah tanpa kesalahan,
sikap yang simpatik, dan dengan akurasi yang tinggi.
3. Empati
Empati adalah memberikan perhatian yang tulus dan bersifat individual atau pribadi,
yang diberikan kepada nasabah dengan berupaya memahami keinginan konsumen.

B. ANALISIS FAKTOR KONFIRMATORI TINGKAT KEDUA

1. Pengertian

Analisis Faktor Konfirmatori (Confirmatory Factor Analysis) adalah salah satu metode
analisis faktor yang digunakan ketika peneliti telah memiliki pengetahuan mengenai
struktur suatu faktor laten. Struktur tersebut diperoleh berdasarkan kajian teoritis, hasil
penelitian mengenai hubungan antara variabel yang di observasi dengan variabel laten.
Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA) dibedakan menjadi
First-Order Confirmatory Factor Analysis dan Second-Order Confirmatory Factor
Analysis.

Pada First-Order CFA, suatu variabel laten yang diukur berdasarkan beberapa indicator
dan dapat diukur secara langsung. Sedangkan pada Second-Order CFA, variabel laten
tidak dapat diukur secara langsung melalui variabel-variabel indikatornya. Namun
memiliki beberapa indikator dimana indikator tersebut tidak dapat diukur secara
langsung, serta memerlukan beberapa indikator lagi.

B
 Gambar (1) : Second-Order Model Confirmatory Factor Analysis
Menurut Bollen (1989, hubungan antara first order CFA, second-order CFA dan higher
order factors ditunjukkan pada persamaan berikut (1) :
η = Βη + Γξ + ζ (1)
Sementara model pengukurannya ditunjukkan sebagai berikut :
y = Λyη + ε (2)

x = Ʌx ξ + δ (3)
Komponen Γξ pada persamaan (1) tidak diperlukan jika higher order factors sebagai
bagian dari η dengan koefisien masing-masing di Β. Sebagai alternatifnya,
komponen Βη pada persamaan (1) dihapus jika hanya diperlukan second-order CFA
dan tidak ada factor tingkat pertama yang mempunyai efek langsung satu sama lain
(x=0).
Keterangan persamaan (1), (2) dan (3) :
Β : koefisien loading
Γ, Λ : loading factor first dan second order
ξ : vektor bagi peubah-peubah laten berukuran nxl
ζ : vektor variabel tunggal (unique)
x : vektor bagi peubah-peubah indikator berukuran pxl
δ : vektor bagi galat pengukuran berukuran pxl
ε : vektor bagi galat pengukuran berukuran nxl
η : variabel laten endogenus yang merangkap sebagai laten eksogenus
λ : nilai loading factor

2. Pemodelan

Menurut Agusty Ferdinand, pemodelan Structural Equation Model (SEM) secara umum
dapat dibuat melalui tahapan-tahapan berikut :
a. Pengembangan berbasis teori.
Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai
pengesahan model yang dibuat oleh peneliti. Dengan kata lain, teori yang digunakan
akan berfungsi sebagai justifikasi model yang akan dikembangkan. Jika tidak ada
teori yang sesuai, maka kemungkinan besar model yang dibuat akan salah. SEM
pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas, tetapi
digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris dengan
menggunakan data yang diobservasi.

b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.

Tahap kedua berhubungan dengan pembuatan diagram jalur untuk mengambarkan
model teori yang sudah dibuat. Dengan menggunakan diagram jalur, peneliti akan
lebih mudah melihat hubungan antar variabel yang sedang diobservasi. Gambar (1)
 menunjukkan pengujian model yang terdiri dari satu variabel laten yang
merefleksikan dua variabel laten lain dengan p indicator atau yang disebut Second-
Order CFA.

c. Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi

model pengukuran.
Tahap ketiga peneliti melakukan konversi spesifikasi model dalam bentuk rangkaian
persamaan sebagai berikut: persamaan struktural yang dirumuskan sebagai sarana
untuk menyatakan adanya hubungan kasualitas antar berbagai konstruk dengan
menggunakan pedoman sebagai berikut:
Variabel endogen = Variabel Eskogen + Variabel Endogen + Error
Persamaan berikutnya ialah persamaan spesifikasi model pengukuran yang akan
digunakan untuk menentukan variabel mana mengukur konstruk mana dan
menentukan matriks-matriks yang akan menunjukkan hubungan-hubungan yang
sudah dibuat dalam hipotesis antar konstruk dan variabel.

d. Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang dibuat.
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan
untuk membuat model dan estimasinya. Dalam SEM data yang akan dimasukkan
untuk diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi
sebagai data untuk pembuatan model dan estimasi yang akan dikembangkan.
Dikarenakan fokus SEM bukan pada data individual hasil observasi, maka setiap
data individual hasil observasi yang dimasukkan kedalam program akan diubah
dalam bentuk matriks kovarian atau matriks korelasi terlebih dahulu baru kemudian
dilakukan estimasi. Penekanan SEM ialah pola hubungan antar responden.

e. Menilai problem identifikasi

Ada 3 kategori identifikasi yaitu :
 Under identified : Menunjukkan bahwa derajat bebas bernilai negatif,
sehingga analisis model tidak dapat dilakukan
 Just Identified : Menunjukkan bahwa derajat bebas bernilai nol, sehingga
model yang terbentuk tidak memiliki kemampuan untuk mengeneralisasi
sehingga analisis tidak dapat dilakukan.
 Over Identified : Menunjukkan bahwa derajat bebas bernilai positif,
sehingga beberapa tingkat generalisasi dapat dilakukan untuk mendapatkan
model yang paling sesuai.

f. Mengevaluasi model
Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria
keselarasan (goodness of fit). Pertama kali yang harus dilakukan oleh peneliti ialah
melakukan evaluasi bahwa data yang akan digunakan untuk pembuatan model dan
estimasi dapat memenuhi asumsi-asumsi dalam SEM yaitu :
 Ukuran sampel sebaiknya di atas 100
 Memenuhi asumsi normalitas multivariat
 Memeriksa kenormalan data dapat dilakukan dengan menghitung jarak
kuadrat untuk setiap pengamatan. Langkah-langkah yang dilakukan adalah
menghitung nilai jarak kuadrat d2j dengan menggunakan rumus :

d2j = ( x j – x́ )' S−1 ( x j – x́ ) (4)

Kemudian mengurutkan nilai d2j dari yang terkecil sampai terbesar. Data
tidak berdistribusi normal multivariat apabila jarak d2j ≤ χ (p;0,50) terdapat
kurang lebih sama dengan 50%.
 Hindari outliers dengan nilai-nilai ekstrim muncul secara univariat dan
multivariat
 Hindari munculnya multikolinieritas dan singularitas karena data tidak
mempunyai kombinasi linear dalam variabel-variabel yang diteliti. Adanya
multikolinieritas dan singularitas dapat dideteksi dengan melihat kecilnya
angka determinan matriks kovarian

Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria
untuk melakukan evaluasi model, yaitu:
1. Uji kelayakan model (model fit)
Kebaikan model (goodness of fit) secara menyeluruh (overall model fit) atau
disebut dengan uji kelayakan model, memiliki beberapa metode pengujian
diantaranya :
 Chi-Square Statistic
Model dikatakan sesuai dan semakin baik jika nilai chi-square (χ2) yang
dihasilkan semakin kecil.
 Goodness of Fit Index (GFI)
Nilai indeks keselarasan (goodness of fit index) berkisar antara 0 – 1. Jika
nilainya mendekati 0 maka model mempunyai kecocokan yang rendah
sedangkan jika nilai mendekati 1 maka model mempunyai kecocokan yang
baik. Berikut ini persamaan matematis dari GFI :

tr [ ( ^Σ−1 S−I ) ]
2

GFI = 1 - (5)
tr [ ( Σ
^ −1 S )2 ]

 Adjusted Goodness of Fit (AGFI)

 Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit
Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar
dari 0,90. Jika nilai lebih besar dari 0,90 maka model mempunyai
kesesuaian model keseluruhan yang baik. Berikut ini persamaan
matematis dari AGFI:

k (k −1)
¿
AGFI = 1 - ¿ [ 1−GFI ] (6)
¿
¿

 Root Mean Square Error of Approximate (RMSEA)

Model yang dibuat dikatakan sesuai dan dapat diterima, jika nilai RMSEA
berkisar diantara nilai 0,05 dan 008. Berikut ini persamaan matematis dari
RMSEA :

RMSEA =
√ χ2
( n−1 ) df
−
1
n−1
(7)

 Normed Chi-Square (CMIN/DF)

CMIN/DF adalah ukuran yang diperoleh dari nilai chi-square dibagi
dengan degree of freedom. Indeks ini merupakan indeks kesesuaian
parsimonius yang mengukur hubungan goodness of fit model dan jumlah-
jumlah koefisien estimasi yang diharapkan untuk mencapai tingkat
kesesuaian. Nilai yang direkomendasikan untuk menerima adalah
CMIN/DF < 2,0 atau 3,0.

2. Uji Validitas dan Reliabilitas

Dalam mengukur konstruk tunggal, peneliti diharapkan tidak hanya
mengestimasi validitas. Mengukur suatu indikator juga dapat dilakukan dengan
melihat ukuran construct reliability.
 Validitas
Validitas menggambarkan hubungan alat ukur yang mengukur indikator
yang sama. Diharapkan validitas memiliki korelasi skor yang tinggi.
 Reliabilitas
Diketahui dengan menghitung nilai construct reliability yang
ditunjukkan dalam persamaan (8).
 k 2

^ρc =
( ) ∑ ^λi
i=1
k 2 k

(∑ ) (∑ )
i=1
^λ i +
i=1
δ^ i

Variabel laten dikatakan reliabel jika memiliki nilai construct reliability

yang lebih besar dari 0,5.

g. Melakukan interpretasi dan modifikasi model

Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan
mengubah model-model yang belum memenuhi persyaratan. Kesimpulannya ialah
model yang diestimasi mempunyai residual yang kecil atau mendekati nol serta
distribusi frekuensi kovarian matriksnya bersifat simetrik.

IV. METODOLOGI PENELITIAN

A. SUMBER DATA
Data yang digunakan adalah data sekunder yang diperoleh dari pratikum analisis multivarat.
Data terdiri dari 145 responden.

B. VARIABEL PENELITIAN
Tabel 1
VARIABEL YANG DIGUNAKAN DALAM PENELITIAN

Dimensi Indikator yang digunakan Item

Bukti Fisik Gedung yang dimiliki X1
Kelengkapan Fasilitas Fisik X2
Faslitas Keamanan X3
Kehandalan Ketepatan bank menepati janji X4
Pencatatan pada pembukuannya X5
Kemampuan melakukan pelayanan secara tepat dan akurat X6
Empati Perhatian peibadi kepada nasabah dalam hal pelayanan X7
Sikap karyawan dalam memberikan pelayanan kepada
X8
nasabah
Kepekaan karyawan untuk mengetahui minat nasabah X9

V. ANALISIS DAN PEMBAHASAN

Kualitas pelayanan bank terdiri atas tiga indicator yakni tangibles (bukti fisik), reliability
(kehandalan) dan emphaty. Ketiga indicator tersebut masing-masing memiliki tiga indicator lagi
yang tentunya ikut mempengaruhi kualitas pelayanan bank. Model tersebut dapat dianalisis
menggunakan second-order CFA. Berikut ini merupakan diagram jalur yang menggambarkan
hubungan antara beberapa indicator yang mempengaruhi beberapa indicator lagi yang
mempengaruhi kualitas pelayanan :

Gambar (2) : Model Analisis Faktor Konfirmatori Tingkat Kedua dari Kualitas Pelayanan
Gambar diatas memberikan informasi bahwa nilai derajat bebas (df) dari model yang terbentuk
adalah sebesar 24 (df positif), yang menunjukkan model over-identified. Sehingga pada model
ini dapat dilakukan beberapa tingkat generalisasi untuk mendapatkan model yang paling sesuai.

Dari gambar diatas dapat dibuat beberapa hipotesis, sebagai berikut :

H1a : Sub indicator gedung yang dimiliki mampu menggambarkan indikator bukti fisik
H1b : Sub indicator kelengkapan fasilitas fisik mampu menggambarkan indikator bukti fisik
H1c : Sub indicator fasilitas keamanan mampu menggambarkan indikator bukti fisik
H2a : Sub indicator ketepatan bank menepati janji menggambarkan indikator kehandalan
H2b : Sub indicator pencatatan pada pembukuannya menggambarkan indikator kehandalan
H2c : Sub indicator kemampuan melakukan pelayanan secara tepat dan akurat
menggambarkan indikator kehandalan
H3a : Sub indicator perhatian pribadi kepada nasabah dalam hal pelayanan menggambarkan
indikator empati
H3b : Sub indicator sikap karyawan memberikan pelayanan kepada menggambarkan indikator
empati
H3c : Sub indicator kepekaan karyawan untuk mengetahui minat nasabah menggambarkan
indikator empati
H4a : Indikator bukti fisik mampu menggambarkan kualitas pelayanan
H4b : Indikator kehandalan mampu menggambarkan kualitas pelayanan
H4c : Indikator empati mampu menggambarkan kualitas pelayanan

Selanjutnya, akan dilakukan evaluasi model dengan menggunakan kriteria keselarasan (goodness
of fit). Pertama kali yang harus dilakukan dalam evaluasi model adalah memastikan bahwa data
yang akan digunakan untuk pembuatan model dan estimasi dapat memenuhi asumsi-asumsi
dalam SEM. Asumsi-asumsi yang harus dipenuhi dalam SEM adalah :
1. Ukuran sampel sebaiknya di atas 100
Pada penelitian mengenai kepuasan pelayanan di bank ini, responden yang diambil
adalah sebanyak 145 orang, sehingga asumsi mengenai ukuran sampel sebaiknya > 100
terpenuhi.

2. Memenuhi asumsi normalitas multivariat

Tabel 2
NORMALITAS

Variable min max skew c.r. kurtosis c.r.

1.00
x9 5.000 -.021 -.102 .066 .162
0
1.00
x8 5.000 -.226 -1.110 .463 1.138
0
1.00
x7 5.000 -.193 -.947 -.034 -.084
0
1.00
x6 5.000 -.189 -.930 -.230 -.565
0
1.00
x5 5.000 -.333 -1.635 -.346 -.849
0
1.00
x4 5.000 .530 2.605 -.010 -.026
0
1.00
x3 5.000 -.133 -.655 -.182 -.448
0
1.00
x2 5.000 .304 1.493 .147 .361
0
1.00
x1 5.000 .106 .523 .158 .389
0
Multivariate 13.191 5.644
 Pada asumsi normalitas secara multivariate, data berdistribusi tidak normal jika nilai c.r <
2. Pada tabel normalitas diatas diperoleh niali c.r multivariate untuk model ini adalah
sebesar 5,644. Karena nilai tersebut lebih besar dari 2, sehingga dapat disimpulkan bahwa
secara multivariat data penelitian ini berdistribusi normal. Sehingga asumsi normalitas
terpenuhi.

3. Hindari outliers
Suatu data penelitian dikatakan terdapat outlier jika nilai p1 dan p2 < 5%. Nilai p1 dan p2
dapat dilihat pada tabel observations farthest from the centroids (mahalanobis distance).
Dari tabel tersebut dapat dilihat bahwa terdapat 100 data yang diobservasi, dan ada 14
data obeservasi yang nilai p1 dan p2 lebih kecil dari 5%, sehingga 14% data observasi
merupakan data outlier. Walaupun masih ada 14% data yang outlier, namun asumsi tidak
terdapat outlier pada data penelitian ini diasumsikan terpenuhi,

4. Hindari munculnya multikolinieritas dan singularitas

Setelah memenuhi semua kriteria SEM di atas, maka peneliti menentukan kriteria untuk
melakukan evaluasi model, yaitu:

1. Uji kesesuaian model (model fit)

a. Chi-Square Statistic
Dari tabel result (default model) diketahui bahwa nilai chi-square untuk
penelitian ini adalah sebesar 34,227, nilai derajat bebas (degrees of freedom)
sebesar 24 dan nilai probabilitas sebesar 0,081. Model dikatakan fit dan
semakin baik jika nilai chi-square (χ2) yang dihasilkan semakin kecil,
memiliki nilai derajad bebas positif dan memiliki nilai probabilitas > 0,05.
Karena diketahui nilai chi-square cukup kecil, nilai derajad bebasnya positif
serta nilai probabilitas penelitian ini sebesar 0,081 dimana lebih besar 0,05,
maka dapat disimpulkan bahwa model penelitian ini fit.
b. Goodness of Fit Index (GFI)
Model dikatakan fit jika memiliki nilai GFI yang mendekati 1. Pada model
diperoleh nilai GFI sebesar 0,952 dimana nilai tersebut hampir mendekati nilai
1, sehingga dapat disimpulkan bahwa model fit dengan data.
c. Adjusted Goodness of Fit (AGFI)
Model dikatakan mempunyai kesesuaian model keseluruhan yang baik, jika
nilai AGFI lebih besar dari 0,90. Dari model ini diperoleh nilai AGFI sebesar
0,911. Karena nilai AGFI yang diperoleh lebih besar dari 0,90, maka dapat
disimpulkan bahwa model penelitian ini mempunyai kesesuaian model
keseluruhan yang baik.
d. Root Mean Square Error of Approximate (RMSEA)
Model yang dibuat dikatakan sesuai dan dapat diterima, jika nilai RMSEA
berkisar diantara 0,05 dan 0,08. Nilai RMSEA pada model penelitian ini
 sebesar 0,054 maka dapat diasumsikan model fit dengan data.
e. Normed Chi-Square (CMIN/DF)
Model dikatan fit jika nilai CMIN < 2. Pada model ini nilai CMIN sebesar
1.426 < 2. Sehingga model fit dengan data.

2. Uji Validitas dan Reliabilitas

a. Uji Validitas Konstruk

Tabel 3
NILAI SIGNIFIKANSI LOADING FACTOR

Estimate S.E. C.R. P

BF <--- K_P 1.000
KH <--- K_P 1.181 .038 3.834 ***
EM <--- K_P 1.669 .405 4.121 ***
X1 <--- BF 1.000
X2 <--- BF .980 .140 6.989 ***
X3 <--- BF .375 .135 2.783 .005
X4 <--- KH 1.000
X5 <--- KH .528 .186 2.839 .005
X6 <--- KH 1.147 .251 4.568 ***
X7 <--- EM 1.000
X8 <--- EM .825 .145 5.695 ***
X9 <--- EM .051 .137 .373 .709

Pengujian validitas dilakukan untuk melihat valid tidaknya suatu sub

indikator dalam menggambarkan indikator. Pengujian validitas dilakukan
dengan melihat nilai p (loading factor) pada Regression Weights di atas,
dengan asumsi p < 0,01 artinya sub indikator valid. Selain itu dapat pula
dengan melihat simbol *** pada tabel p, artinya adalah p value yang
dihasilkan sangat kecil di bawah 0,001 yang artinya signifikan. Kesimpulan
dari hasil hipotesisnya disajikan sebagai berikut :
 Indikator bukti fisik mampu menggambarkan kualitas pelayanan
 Indikator kehandalan mampu menggambarkan kualitas pelayanan
 Indikator empati mampu menggambarkan kualitas pelayanan
 Sub indikator gedung yang dimiliki mampu menggambarkan
indikator bukti fisik
 Sub indikator kelengkapan fasilitas fisik mampu menggambarkan
indikator buktifisik
  Sub indikator fasilitas keamanan mampu menggambarkan indikator
bukti fisik
 Sub indikator ketepatan bank menepati janji menggambarkan
indikator kehandalan
 Sub indikator pencatatan pada pembukuannya menggambarkan
indikator kehandalan
 Sub indikator kemampuan melakukan pelayanan secara tepat dan
akurat menggambarkan indikator kehandalan
 Sub indikator perhatian pribadi kepada nasabah dalam hal pelayanan
menggambarkan indikator empati
 Sub indikator sikap karyawan memberikan pelayanan kepada
menggambarkan indikator empati
 Sub indikator kepekaan karyawan untuk mengetahui minat nasabah
tidak menggambarkan indikator empati

b. Uji Validitas Struktural

Tabel 4
NILAI SIGNIFIKANSI LOADING FACTOR

Estimate
BF <--- K_P .614
KH <--- K_P .826
EM <--- K_P .974
X1 <--- BF .861
X2 <--- BF .810
X3 <--- BF .254
X4 <--- KH .547
X5 <--- KH .309
X6 <--- KH .699
X7 <--- EM .694
X8 <--- EM .679
X9 <--- EM .036

Pengujian validitas structural dapat dilakukan dengan melihat nilai estimate di

tabel Standardized Regression Weights yang terdapat dalam tabel di atas,
dengan asumsi nilai estimate > 0,7 maka suatu indikator dikatakan memiliki
validitas konvergen. Dari tabel di atas, diketahui bahwa ada indikator yang
valid namun ada beberapa yang tidak valid. Indikator yang memiliki validitas
konvergen yaitu gedung yang dimiliki, dan kelengkapan fasilitas fisik
sedangkan indikator yang tidak memiliki validitas konvergen yaitu fasilitas
keamanan, pencatatan pada pembukuannya, kemampuan melakukan
pelayanan secara tepat dan akurat, perhatian pribadi kepada nasabah dalam
hal pelayanan, sikap karyawan memberikan pelayanan kepada nasabah, dan
kepekaan karyawan memberikan pelayanan kepada nasabah.

c. Uji Reliabilitas
 Tabel 5
NILAI RELIABILITAS INDIKATOR

Estimate
EM .948
KH .683
BF .377
X9 .001
X8 .461
X7 .481
X6 .489
X5 .096
X4 .299
X3 .064
X2 .656
X1 .744

Suatu indikator dinyatakan reliabel jika memiliki nilai estimate > 0,5.
Berdasarkan hasil perhitungan yang disajikan dalam tabel di atas, indikator
yang reliabel adalah empati (EM), kehandalan (KH), serta sub indicator yang
reliabel adalah gedung yang dimiliki (X1) dan kelengkapan fasilitas fisik
(X2) Sedangkan indikator dan sub indicator yang lain dinyatakan tidak
reliabel karena memiliki nilai estimate di bawah 0,05.

Setelah dilakukan evaluasi model, selanjutnya dapat dilakukan interpretasi dan pengambilan
kesimpulan. Penelitian ini ditujukan untuk melihat seberapa besar peran dari pegawai bank
dalam menjalankan perannya dalam meningkatkan tingkat pelayananmya. Variable kualitas
pelayanan ini merupakan variabel laten yang harus memiliki indikator untuk menilainya.
Indikator yang dimaksud adalah bukti fisik, kehandalan dan empati. Masing-masing dari
indikator ini memiliki sub indikator lain yang harus diuji peranannya bagi indikator tersebut,
dimana pengujian yang dimaksud disebut dengan second confirmatory order.

Tabel 3
NILAI SIGNIFIKANSI LOADING FACTOR

Estimate S.E. C.R. P

BF <--- K_P 1.000
KH <--- K_P 1.181 .038 3.834 ***
EM <--- K_P 1.669 .405 4.121 ***
X1 <--- BF 1.000
X2 <--- BF .980 .140 6.989 ***
X3 <--- BF .375 .135 2.783 .005
X4 <--- KH 1.000
X5 <--- KH .528 .186 2.839 .005
X6 <--- KH 1.147 .251 4.568 ***
X7 <--- EM 1.000
 X8 <--- EM .825 .145 5.695 ***
X9 <--- EM .051 .137 .373 .709

Pada tabel diatas yakni tabel nilai signifikansi loading factor, dapat dilakukan model pengukuran
dan model structural untuk masing-masing indicator. Nilai estimate menunjukkan seberapa kuat
pengaruh suatu variabel terhadap variabel lainnya.
a. Model Pengukuran
 Model pengukuran untuk variabel laten bukti fisik
 X1 = BF + e1
 X2 = 0.980*BF + e2
 X3 = 0.375*BF + e3
Indikator X1 (gedung yang dimiliki) merupakan indikator yang memberikan
kontribusi terbesar bagi variabel laten bukti fisik sebesar 100%.

 Model pengukuran untuk variabel laten kehandalan

 X4 = KH + e4
 X5 = 0.528*KH + e5
 X6 = 1.147*KH + e6
Indikator X6 (kemampuan melakukan pelayanan secara tepat dan akurat)
merupakan indikator yang memberikan kontribusi terbesar bagi variabel laten
kehandalan sebesar 115%.

 Model pengukuran untuk variabel laten empati

 X7 = EM + e7
 X8 = 0.825*EM + e8
 X9 = 0.051*EM + e9
Indikator X7 merupakan indikator yang memberikan kontribusi terbesar bagi
variabel laten empati sebesar 100%

b. Model Struktural
 BF = KP + e10
 KH = 1.181*KP + e11
 EM = 1.669*KP + e12
Indikator EM (empati) merupakan indikator yang memberikan kontribusi terbesar bagi
variabel laten kepuasan pelanggan sebesar 170%.