TEORI PENGAMBILAN KEPUTUSAN

KLASIFIKASI ABC DENGAN MULTI-KRITERIA MENGGUNAKAN

NG-MODEL UNTUK PENGENDALIAN PERSEDIAAN

ALVIN NUR RAIHAN WIAMBODO

081611633032

PROGRAM STUDI S1 SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
2019
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT karena berkat rahmat
dan karunia-Nya penulis dapat menyelesaikan penyusunan proposal skripsi yang
berjudul “Klasifikasi ABC dengan Multi-kriteria Menggunakan Ng-Model untuk
Pengendalian Persediaan”.
Penulis tak lupa mengucapkan terima kasih kepada Eto Wuryanto Drs.,
DEA selaku dosen mata kuliah Teori Pengambilan Keputusan, yang dengan sabar
dan ikhlas membimbing dan memberikan ilmunya kepada penulis sampai akhir
diselesaikannya metodologi penelitian ini. Penulis juga berterima kasih kepada
orang tua, keluarga, orang terdekat, dan teman-teman S1 Sistem Informasi 2016,
dan pihak-pihak yang telah memberikan semangat dan dukungannya kepada
penulis.
Penulis menyadari bahwa dalam penyusunan tugas ini banyak terdapat
kekurangan, untuk itu penulis senantiasa bersedia dan terbuka dalam menerima
saran serta kritik yang bersifat membangun demi kesempurnaan tugas ini. Semoga
tugas ini dapat memberikan manfaat dan wawasan yang berguna, Amin.

Surabaya, Mei 2019

Penulis

Alvin Nur Raihan Wiambodo

i
 DAFTAR ISI

Halaman
KATA PENGANTAR ........................................................................................................ i

DAFTAR ISI...................................................................................................................... ii

DAFTAR GAMBAR .........................................................................................................iv

DAFTAR TABEL ............................................................................................................. v

DAFTAR PERSAMAAN .................................................................................................vi

BAB I .................................................................................................................................. 7

PENDAHULUAN ............................................................................................................. 7

1.1. Latar Belakang..................................................................................................... 7

1.2. Rumusan Masalah .................................................Error! Bookmark not defined.
1.3. Tujuan Penelitian ..................................................Error! Bookmark not defined.
1.4. Manfaat Penelitian................................................Error! Bookmark not defined.
1.5. Batasan Masalah ...................................................Error! Bookmark not defined.
BAB II TINJAUAN PUSTAKA....................................................................................... 8

2.5. Populasi dan Sampling ...................................................................................... 13

2.6. Skala Likert ....................................................................................................... 13
2.7. Kuesioner .......................................................................................................... 14
2.8. Partial Least Square-Structural Equation Modelling (PLS-SEM) ................... 15
2.9. Tahap Analisis PLS-SEM ................................................................................. 18
BAB III............................................................................................................................. 20

METODE PENELITIAN ............................................................................................... 20

3.1. Penentuan Objek Penelitian .............................................................................. 21

3.2. Penentuan Hipotesis dan Variabel Penelitian ................................................... 21
3.3. Penentuan Populasi dan Sampel ....................................................................... 26
3.4. Perancangan Kuesioner ..................................................................................... 26
3.5. Penyebaran dan Pengumpulan Kuesioner ......................................................... 27
3.6. Analisis Data Menggunakan Metode PLS-SEM............................................... 27
3.6.1. Evaluasi Model Pengukuran (Outer Model) ............................................. 28

ii
 3.6.2. Evaluasi Model Struktural (Inner Model) ................................................. 29
3.7. Analisis Hasil .................................................................................................... 30
3.8. Penyusunan Rekomendasi................................................................................. 30
3.9. Waktu Penelitian ............................................................................................... 30
DAFTAR PUSTAKA ...................................................................................................... 32

iii
 DAFTAR GAMBAR

No Judul Gambar Halaman

𝑱𝒖𝒎𝒍𝒂𝒉 𝑺𝒂𝒎𝒑𝒆𝒍 = 𝟏𝟎 × 𝒋𝒖𝒎𝒍𝒂𝒉 𝒊𝒏𝒅𝒊𝒌𝒂𝒕𝒐𝒓 𝒑𝒆𝒏𝒈𝒖𝒌𝒖𝒓𝒂𝒏 .................................. 13
Tabel 2.1 Kuesioner Penelitian .............................................Error! Bookmark not defined.
Tabel 2.2 Rangkuman Evaluasi Outer Model ................................................................... 16
Tabel 2.3 Rangkuman Evaluasi Inner Model.................................................................... 18
Gambar 3.1 Diagram Langkah Penelitian ......................................................................... 20
Tabel 3.1 Variabel dan Item Pengukuran.......................................................................... 23
Tabel 3.2 Skala Likert yang Digunakan dalam Peneitian ................................................. 27
Tabel 3.3 Rencana Waktu Penelitian ................................................................................ 30

iv
 DAFTAR TABEL

No Judul Tabel Halaman

2.1 Kuesioner Penelitian ................................. Error! Bookmark not defined.

2.2 Rangkuman Evaluasi Outer Model .......................................................... 16
2.3 Rangkuman Evaluasi Inner Model ........................................................... 18
3.1 Variabel dan Item Pengukuran ................................................................. 23
3.2 Skala Likert yang Digunakan dalam Penelitian ....................................... 27
3.3 Rencana Waktu Penelitian ....................................................................... 30

v
 DAFTAR PERSAMAAN

No Judul Persamaan Halaman

2.1 Jumlah Sampel ......................................... Error! Bookmark not defined.

vi
 BAB I
PENDAHULUAN

1.1. Literature Review

Data yang digunakan dalam penelitian ini adalah data persediaan obat generik dan obat
askes paten yang berbentuk tablet dari Apotek Mitro Rahardjo periode Mei 2013 hingga April
2014. Apotek Mitro Rahardjo merupakan salah satu apotek di Kediri yang memiliki persediaan
obat beraneka ragam yang berlokasi di area rumah sakit Baptis Kediri. Pada tanggal 13 Februari
2008, pihak apotek menjalin suatu perjanjian kerjasama dengan RS. Baptis yang diwakili oleh
direktur rumah sakit, yaitu dr. Sukoyo Suwandani mengenai kewajiban dalam penyediaan
kebutuhan obat-obatan dan peralatan kesehatan untuk pasien askes dan pasien rawat jalan dari
RS. Baptis Kediri.
Metode pembobotan yang serupa dengan Ng-Model ialah AHP (Analytical
Hierarchy Process). Persamaan antara Ng-Model dan AHP (Analytical Hierarchy Process)
ialah pembobotan yang dapat diterapkan kepada sebuah sistem pengambilan keputusan
yang menganut prinsip multi-kriteria serta menghitung pembobotan dengan melibatkan
rata rata bobot. Sedangkan model klasifikasi yang serupa dengan model klasifikasi ABC
ialah Model Hukum Pareto. Model klasifikasi ABC dan Model Hukum Pareto memiliki
persamaan berupa pengklasifikasian dari masing masing atribut yang tersedia.
Numerical Example berdasarkan penelitian terdahulu yaitu menggunakan analisa
cluster untuk pengklasifikasian barang. Analytic Hirearchy Process (AHP) dalam penelitian
terdahulu telah dibahas mengenai cara mendapatkan tingkatan prioritas barang persediaan.
Sedangkan untuk klasifikasi barang dengan multi kriteria, adalah dengan menggunakan model
program linier untuk mendapatkan pembobotan masing-masing barang. Metode ini mirip dengan
metode Data Envelopment Analysis (DEA) yang mengkonversi semua kriteria pengukuran ke
dalam suatu skalar yang merupakan total penjumlahan bobot rata-rata barang dalam masing-
masing kriteria.
 8

BAB II
TINJAUAN PUSTAKA
2.1. Data
Data yang digunakan dalam penelitian ini adalah sebagai berikut:
Kode Nama Obat Harga Beli Harga Jual Sisa Persediaan Jml Pesan Jml Terjual HB setahun HJ setahun

G1 ALLOPURINO 100 mg 13200 14520 34 195 207 2574000 3005640

G2 ALLOPURINO 300 mg 272180 299398 2 42 42 11431560 12574716

G3 AMBROXOL 12507 13757,7 33 205 197 2563935 2710266,9

G4 AMLODIPINE 5 mg 28800 31680 55 1555 1500 44784000 47520000

G5 AMLODIPINE 10 mg 50800 55880 28 1169 1177 59385200 65770760

G6 AMOXCILLIN 500 mg 37000 40700 71 125 158 4625000 6430600

G7 AMPICILLIN 500 mg 52000 57200 3 19 17 988000 972400

ASAM MEFENAMAT 500

G8 17600 19360 98 270 185 4752000 3581600
mg

G9 ATORVASTATIN 20 mg 132000 145200 24 158 144 20856000 20908800

G10 BETAHISTIN 6 mg 27720 30492 12 58 67 1607760 2042964

G11 BISOPROLOL 5 mg 73316 80647,6 174 351 229 25733916 18468300,4

G12 CAPTOPRIL 12,5 mg 9000,2 9900,22 9 43 44 387008,6 435609,68

G13 CAPTOPRIL 25 mg 15000 16500 39 145 328 2175000 5412000

G14 CAPTOPRIL 50 mg 23619,2 25981,12 19 45 26 1062864,00 675509,12

G15 CARBAMAZEPIN 24646 27110,6 8 10 12 246460 325327,2

G16 CETIRIZINE10 mg 15675 17242,5 63 215 211 3370125 3638167,5

G17 CIPROFLOXACIN 500 mg 33000 36300 92 180 89 5940000 3230700

G18 CLINDAMICIN 150 mg 51000,4 56100,44 5 6 3 306002,4 168301,32

G19 CLONIDINE 0,15 mg 22000 24200 44 167 131 3674000 3170200

G20 COTRIMOXAZOLE 18700 20570 2 10 12 187000 246840

G21 DIGOXIN 14300 15730 90 100 113 1430000 1777490

G22 DILTIAZEM 15921 17513,1 16 34 18 541314 315235,8

G23 FLUNARIZINE 23100 25410 6 50 61 1155000 1550010

G24 FUROSEMIDE 10208 11228,8 102 85 82 867680 920761,6

G25 GEMFIBROXIL 300 mg 51000 56100 23 120 108 6120000 6058800

G26 GLIBENCLAMIDE 7300 8030 145 300 156 2190000 1252680

G27 GLIMEPIRID 1 mg 27390 30129 21 64 48 1752960 1446192

G28 IBUPROFEN 400 mg 20504 22554,4 2 19 19 389576 428533,6

G29 ISDN 5 mg 9735,4 10708,94 192 832 822 8099852,8 8802748,68

G30 LANSOPRAZOLE 30 mg 35200 38720 94 815 742 28688000 28730240

G31 LEVOFLOXACIN 500 mg 18000,4 19800,44 4 23 19 414009,2 376208,36

G32 LINCOMYCIN 500 mg 39000,48 42.900.528 13 40 29 1560019,2 1244115312

G33 LORATADINE 100 mg 17160 18876 4 31 32 531960 604032

G34 MECOBALAMIN 500 mg 60000 66000 2 101 110 6060000 7260000

G35 MELOXICAM 7,5 mg 49500 54450 46 330 314 16335000 17097300

 9

G36 MELOXICAM 15 mg 74250 81675 22 168 153 12474000 12496275

G37 METFORMIN 500 mg 18150 19965 172 800 737 14520000 14714205

G38 METFORMIN 850 mg 33000 36300 8 15 9 495000 326700

METHYLPREDNISOLONE
G39 44055 48460,5 47 153 113 6740415 5476036,5
4 mg

METHYLPREDNISOLONE
G40 141167 155283,7 2 21 24 2964507 3726808,8
16 mg

G41 METOCLOPRAMIDE 11000 12100 1 10 18 110000 217800

G42 METRONIDAZOL 500 mg 22000 24200 4 18 16 396000 387200

G43 NATRIUM DIKLOFENAK 12000 13200 3 6 3 72000 39600

G44 NIFEDIPIN 12899,7 14189,67 29 130 161,00 1676961,00 2284536,87

G45 OLMETEC 20 mg 446724,3 491396,73 9 69 65 30823976,7 31940787,45

G46 OMEPRAZOLE 20 mg 12249,6 13474,56 32 110 79 1347456 1064490,24

G47 ONDANSETRON 8 mg 30360 33396 10 18 13 546480 434148

G48 PIRACETAM 400 mg 50160 55176 8 13 10 652080 551760

G49 PIROXICAM 20 mg 10400,5 11440,55 0 6 8 62403 91524,4

G50 PROPRANOLOL 40 mg 12100 13310 10 32 26 387200 346060

G51 PROPRANOLOL 10 mg 8000 8800 8 36 34 288000 299200

G52 PYRAZINAMIDE 500 mg 23400 25740 3 25 24 585000 617760

G53 RANITIDINE 25199,9 27719,89 22 95 78 2393990,5 2162151,42

G54 RIFAMPICIN 450 mg 66000 72600 2 50 52 3300000 3775200

G55 RIFAMPICIN 600 mg 92250,5 101475,55 9 33 27 3044266,5 2739839,85

G56 SALBUTAMOL 2 mg 8845,1 9729,61 60 163 123 1441751,3 1196742,03

G57 SALBUTAMOL 4 mg 12000 13200 3 35 34 420000 448800

G58 SIMVASTATIN 10 mg 15390 16929 160 974 853 14989860 14440437

G59 SPIRONOLACTOM 25 mg 132262 145488,2 8 112 107 14813344 15567237,4

SPIRONOLACTION 100
G60 340918 375009,8 5 48 48 16364064 18000470,4
mg

A1 ACTAPIN 5 mg 115500 127050 36 60 50 6930000 6352500

A2 ACTAPIN 10 mg 214500 235950 2 20 22 4290000 5190900

A3 ADALAT OROS 219175 241092,5 63 365 332 79998875 80042710

A4 ACTALIPID 20 mg 264000 290400 27 110 88 29040000 25555200

A5 ACTARYL 89100 98010 33 325 357 28957500 34989570

A6 ALPENTIN 300 mg 346500 381150 24 180 176 62370000 67082400

A7 ASPILET 19200,5 21120,55 0 60 62 1152030 1309474,1

A8 CARBLOXAL 6,25 mg 81620 89782 5 25 20 2040500 1795640

A9 CATAFLAMFAST 50 mg 237450,4 261195,44 10 19 9 4511557,6 2350758,96

A10 CAVIT-D3 134200 147620 10 91 87 12212200 12842940

A11 DEXANTA TAB 20350 22385 6 20 16 407000 358160

A12 DOPAMET 250 mg 90960 100056 5 40 59 3638400 5903304

A13 EUTHYROX 169400 186340 4 28 29 4743200 5403860

A14 FITBON-CAPSULE 88000 96800 196 460 300 40480000 29040000

A15 FOLIC ACID 1 mg 6800 7480 20 51 33 346800 246840

A16 GLIDIAB TAB 30 mg 132000 145200 7 53 46 6996000 6679200

A17 GLUCOBAY 50 mg 95600 105160 9 253 260 24186800 27341600

A18 GLUCOBAY 100 mg 169631 186594,1 51 236 195 40032916 36385849,5

 10

A19 GLUCODEX TAB 34000,89 37.400.979 48 85 48 2890075,65 1795246992

A20 GLUDEPATIC 44000 48400 8 20 30 880000 1452000

A21 GRATHEOS 50 mg 17500 19250 0 20 20 350000 385000

A22 HARNAL 0,2 mg 313177,7 344495,47 3 1 1 313177,7 344495,47

A23 HARNAL OCAS 363363 399699,3 2 4 2 1453452 799398,6

A24 HERBESSER CD 100 394900 434390 0 60 60 23694000 26063400

A25 HERBESSER CD 200 43800 48180 0 13 15 569400 722700

A26 IKALEP TAB 123750 136125 302 809 517 100113750 70376625

A27 IKAPHE 132000 145200 2 3 1 396000 145200

A28 IRTAN 300 mg 297000 326700 1 7 8 2079000 2613600

A29 KSR 600 mg 281600 309760 4 14 11 3942400 3407360

A30 MERISKOL 45999,8 50599,78 17 30 28 1379994 1416793,84

A31 MINIASPI 80 mg 33000 36300 79 283 205 9339000 7441500

A32 NASAFED 107800 118580 7 71 70 7653800 8300600

A33 NEPATIC 460350 506385 0 32 34 14731200 17217090

A34 NEURODEX 31996 35195,6 24 107 119 3423572 4188276,4

A35 NEW DEATABE 43700 48070 1 22 24 961400 1153680

A36 NICHOFED TABLET 31900 35090 5 25 25 797500 877250

A37 NOVADIUM 8172 8989,2 0 9 11 73548 98881,2

A38 OBIMIN 35739 39312,9 45 145 105 5182155 4127854,5

A39 OLMETEC 40 mg 446724,3 491396,73 5 145 145 64775023,5 71252525,85

A40 PARATUSIN TAB 142450 156695 3 14 11 1994300 1723645

A41 PIONIX 176000 193600 9 360 376 63360000 72793600

A42 PLACTA TAB 326700 359370 23 115 147 37570500 52827390

A43 PLANTACID 14520 15972 2 1 2 14520 31944

A44 PRENATIN TAB 60500 66550 2 25 33 1512500 2196150

A45 PROBENID 500 mg 150000 165000 5 13 9 1950000 1485000

A46 RHEMACOX 15 mg 110000 121000 0 55 55 6050000 6655000

A47 RIMCUDE 158400 174240 2 5 4 792000 696960

A48 SCOBUTRIN 55000 60500 2 5 4 275000 242000

A49 SIMARC 2 mg 143000 157300 0 20 20 2860000 3146000

A50 STARFOLAT 11000 12100 20 35 15 385000 181500

A51 SURBEX-T 50325 55357,5 35 252 217 12681900 12012577,5

A52 TENSINORM T100 mg 16199,7 17819,67 0 60 76 971982 1354294,92

A53 TENSIPHAR 5 mg 55000 60500 9 180 216 9900000 13068000

A54 TIARYT TAB 118800 130680 8 70 79 8316000 10323720

A55 TROLIP 100 mg 108900 119790 0 3 5 326700 598950

A56 TWYNSTA 40 mg 342540 376794 2 5 3 1712700 1130382

A57 TWYNSTA 80 mg 430100 473110 1 13 15 5591300 7096650

A58 VALSARTAN 80 mg 120000 132000 16 493 487 59160000 64284000

A59 VALSARTAN 160 mg 165000 181500 35 50 20 8250000 3630000

A60 XARELTO 275000 302500 3 63 61 17325000 18452500

 11

2.2. Algoritma (Metode)

Metode yang digunakan dalam penelitian ini ialah metode pembobotan Ng-Model dan
metode klasifikasi ABC. Metode Klasifikasi ABC biasanya hanya menggunakan satu kriteria
saja, sehingga kurang sesuai untuk digunakan pada pengklasifikasian barang yang memiliki
multi-kriteria. Dalam tugas ini, digunakan Ng-Model untuk mengetahui bobot dari masing-
masing kriteria sehingga dapat diketahui score yang nantinya dapat digunakan untuk
pengklasifikasian ABC. Rujukan [4], memperoleh suatu cara untuk mendapatkan nilai score
suatu barang tanpa suatu optimasi linier yang dikenal dengan istilah Ng-model. Cara ini
sangatlah mudah dimengerti, sehingga pembobotan barang dapat terhitung dengan lebih
mudah. Pembobotan itu nantinya digunakan untuk menentukan skor barang yang kemudian
akan digunakan sebagai acuan dalam penentuan tingkatan prioritas barang. Dalam
menenetukan prioritas barang dengan multi kriteria, dapat digunakan klasifikasi ABC yang
akan mengelompokan barang pada tiga tingkatan yang berbeda berdasarkan penggunaan dan
stok yang ada. Setelah diperoleh klasifikasi tingkatan prioritas barang, dapat dianalisa
persediaan. Tujuan analisa adalah agar persediaan dapat terkendali dengan baik.

2.3.
Difusi Inovasi terdiri dari dua padanan kata yaitu difusi dan inovasi mendefinisikan
difusi sebagai proses dimana inovasi dikomunikasikan melalui suatu perantara khusus yang
dimana terjadi dalam jangka waktu tertentu di antara para anggota suatu lingkungan sosial
(Rogers, 2003) Diffusions of Innovations (DOI) berkontribusi dengan meneliti inovasi dan
keberhasilan diseminasi mereka melalui lebih banyak Indikator perilaku konsumen yang tepat
(Rogers, 2003). Penelitian tentang teori ini menunjukkan bahwa inovasi adalah elemen vital
(Zhao & de Pablos, 2011)

2.4.Metode dan Instrumen Pengumpulan Data

1. Metode pengumpulan data
Metode pengumpulan data ialah teknik atau cara-cara yang dapat digunakan oleh peneliti
untuk mengumpulkan data (Dr. Riduwan, 2003). Metode dalam pengumpulan data merupakan
suatu hal mutlak kebenarannya, sebab ilmiah atau tidaknya suatu tulisan tergantung pada pokok
pikiran yang dikemukakan dan disimpulkan yang dilandasi oleh faktor-faktor yang didapat
secara obyektif dan berhasil lolos dari berbagai hasil pengujian.
Berkaitan dengan hal tersebut, maka dalam penelitian ini penulis menggunakan 4 macam
metode pengumpulan data, yaitu:
 12

a. Metode Observasi
Metode observasi yaitu pengamatan dan pencacatan secara sistematik terhadap gejala yang
tampak pada objek penelitian. Observasi adalah kegiatan pemusatan perhatian terhadap
suatu objek dengan menggunakan seluruh alat indera (Dr. Ahmad Tanzeh, 2009).
b. Metode Wawancara
Teknik wawancara merupakan salah satu teknik pengumpulan data yang dilakukan dengan
cara mengadakan tanya jawab, baik secara langsung maupun tidak langsung secara
bertatap muka (personal face to face interview) dengan sumber data (responden) (Dr.
Riduwan, 2003).
c. Metode Angket atau kuesioner
Kuesioner adalah suatu alat pengumpul informasi dengan cara menyampaikan sejumlah
pertanyaan tertulis untuk menjawab secara tertulis pula oleh responden (Margono, 2004).
Tujuan penyebaran angket ialah mencari informasi yang lengkap mengenai suatu masalah
dari responden tanpa merasa khawatir bila responden memberikan jawaban yang tidak
sesuai dengan kenyataan dalam pengisian daftar pertanyaan.
d. Metode Dokumentasi
Dokumentasi yaitu mengumpulkan data dengan melihat atau mencatat suatu laporan yang
sudah tersedia. Dalam penerapan metode dokumentasi ini, biasanya peneliti menyusun
instrument dokumentasi dengan menggunakan check list terhadap beberapa variabel yang
akan didokumentasikan (Dr. Ahmad Tanzeh, 2009).
b) Instrumen Pengumpulan Data
Suatu penelitian akan berhasil apabila menggunakan instrumen, sebab data yang
diperlukan untuk menjawab pertanyaan penelitian (masalah) dan menguji hipotesis diperoleh
dari instrumen. Dalam sebuah penelitian, menyiapkan sebuah instrumen penelitian merupakan
suatu keharusan. Kualitas data sangat menentukan kualitas penelitian dan kualitas data
tergantung dari instrumen yang digunakan untuk mengumpulkan data penelitian.
Berdasarkan metode pengumpulan data diatas maka penulis menggunakan instrumen
sebagai berikut:
a. Pedoman observasi
Alat bantu yang digunakan peneliti ketika mengumpulkan data melalui pengamatan dan
pencatatan secara sistematis terhadap fenomena yang diselidiki.
b. Pedoman wawancara
Alat bantu yang berisi daftar pertanyaan yang telah disusun peneliti untuk dinyatakan
kepada responden.
 13

c. Pedoman angket
Alat bantu untuk mengumpulkan data yang berupa daftar angket.

2.5. Populasi dan Sampling

Populasi adalah wilayah generalisasi yang terdiri dari obyek dan subyek yang
mempunyai kuantitas dan karakteristik tertentu yang diterapkan oleh peneliti untuk
mempelajari dan kemudian ditarik sebuah kesimpulan. Dengan demikian populasi bukan
sekedar jumlah yang ada pada subyek atau obyek yang dipelajari, tetapi meliputi seluruh
karakteristik yang dimiliki (Dr. Ahmad Tanzeh, 2009).
Dalam penelitian seorang peneliti tidak harus meneliti seluruh subyek yang ada dalam
populasi, akan tetapi bisa diambil sebagian sesuai dengan teknik pengambilan sampel yang
disebut “sampling”. Sampling adalah cara yang digunakan untuk mengambil sampel (Hadi,
1990). Teknik sampling adalah cara untuk menentukan sampel yang jumlahnya sesuai dengan
ukuran sampel yang akan dijadikan sumber data sebenarnya, dengan memperhatikan sifat-
sifat dan penyebaran populasi agar diperoleh sampel yang representatif (Margono, 2004).
Menurut (Sugiyono, 2013) , untuk menentukan sampel yang akan digunakan dalam
penelitian, terdapat teknik sampling yang digunakan yaitu nonprobability sampling.
Nonprobability sampling merupakan teknik yang tidak memberi peluang/kesempatan yang
sama bagi setiap unsur atau anggota populasi untuk dipilih menjadi sampel. Pada teknik
nonprobability sampling terdapat teknik purposive sampling yaitu teknik penentuan sampel
dengan pertimbangan tertentu. Pemilihan sekelompok subjek dalam purposive sampling,
didasarkan atas ciri-ciri tertentu yang dipandang mempunyai sangkut paut yang erat dengan
ciri-ciri populasi yang sudah diketahui sebelumnya. Maka dengan kata lain, unit sampel yang
dihubungi disesuaikan dengan kriteria-kriteria tertentu yang diterapkan berdasarkan tujuan
penelitian atau permasalahan penelitian. Jumlah sampel dalam penelitian ini dapat dihitung
dengan menggunakan persamaan 2.1 (Hair, Sarstedt, Hopkins, & Kuppelwieser, 2014), yaitu:
𝑱𝒖𝒎𝒍𝒂𝒉 𝑺𝒂𝒎𝒑𝒆𝒍 = 𝟏𝟎 × 𝒋𝒖𝒎𝒍𝒂𝒉 𝒊𝒏𝒅𝒊𝒌𝒂𝒕𝒐𝒓 𝒑𝒆𝒏𝒈𝒖𝒌𝒖𝒓𝒂𝒏

2.6. Skala Likert

Skala likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau
kelompok orang tentang fenomena atau gejala sosial yang terjadi. Hal ini sudah sepesifik
dijelaskann oleh peneliti. Yang selanjutnya disebut sebagai variabel penelitian. Kemudian
dijabarkan melalui dimensi-dimensi menjadi sub-variabel, kemudian menjadi indikator yang
dapat dijadikan tolak ukur untuk menyusun item-item pertanyaan atau pernyataan yang
 14

berhubungan dengan variabel penelitian (Iskandar, 2008). Skala likert adalah skala yang mudah
digunakan. Skala likert menggunakan beberapa butir pertanyaan untuk mengukur perilaku
individu dengan merespon beberapa titik pilihan pada setiap pertanyaan (Likert, 1932).
Kemudahan penggunaan skala likert menyebabkan skala ini banyak digunak oleh para peneliti,
namun kemudahan tersebut harus diperhatikan dengan hati-hati agar analisis lanjutan terhadap
butir-butir respon tepat. Permasalahan yang sering terjadi adalah kebingungan dalam
penggolongan skala likert ke dalam dua skala pengukuran yang berbeda, yaitu diantara ordinal
dan interval.
Untuk menentukan skala pengukuran ada beberapa persyaratan yang harus dipenuhi agar
skala pengukuran dapat berfungsi efektif, antaralain:
1. Tiap poin dalam skala harus mencakup seluruh rangkaian pengukuran.
2. Titik poin harus tampak ordinal, maju dari satu ujung kontinum ke ujung yang lain dan
makna titik yang berdekatan tidak boleh tumpang tindih.
3. Tiap responden harus memiliki pemahaman tentang makna tiap titik poin pada skala.
4. Peneliti dan responden harus memiliki pemahaman yang sama tentang makna tiap titik.
Skala yang panjang lebih sering digunakan untuk memaksimalkan validitas dan realibilitas,
namun terkadang semakin panjang skala, responden semakin bingung untuk memetakan
jawabannya (Krosnick & Presser, 2009). Dalam penelitian yang dilakukan oleh (Viandhy,
Okta, & Ratnasari, 2014), digunakan skala likert dengan empat tingkatan dengan
menghilangkan jawaban tengah (netral). Menurut Azwar (1997) hal ini dilakukan dengan
alasan:
1. Jawaban netral memiliki penafsiran ganda.
2. Jawaban netral tidak memberikan ketegasan pendapat responden ke arah setuju atau tidak
setuju.
3. Responden memiliki kecenderungan memilih jawaban netral.

2.7. Kuesioner
Terdapat beberapa metode untuk pengumpulan data, salahsatunya adalah kuesioner.
Kuesioner merupakan teknik pengumpulan data yang efisien bila peneliti tahu dengan pasti
variabel yang akan diukur. Kuesioner adalah dilakukan dengan cara menyampaikan sejumlah
pertanyaan tertulis untuk menjawab secara tertulis pula oleh responden (Margono, 2004).
Tujuan penyebaran angket ialah mencari informasi yang lengkap mengenai suatu masalah dari
responden tanpa merasa khawatir bila responden memberikan jawaban yang tidak sesuai
dengan kenyataan dalam pengisian daftar pertanyaan.
 15

2.8. Partial Least Square-Structural Equation Modelling (PLS-SEM)

Structural Equation Modeling merupakan teknik analisis gabungan dari dua metodologi
disiplin ilmu yaitu perspektif ekonometrika yang memfoksukan pada prediksi dan
psychometika yang mampu untuk menggambarkan konsep model dengan variabel laten
(variabel yang tidak dapat diukur secara langsung) akan tetapi diukur melalui indikator-
indikatornya. SEM secara esensial menawarkan kemampuan untuk melakukan analisis jalur
(path analytic) dengan variabel laten (Chin, 1998). Keuntungan model SEM adalah bahwa
model yang dihipotesiskan dapat diuji secara simultan terhadap semua variabel yang disertakan
untuk menentukan sejauh mana data tersebut sesuai dengan data. Umumnya terdapat dua jenis
tipe SEM yang sudah dikenal secara luas yaitu SEM berbasis kovarian (CBSEM) yang
dikembangkan oleh Joreskog pada tahun 1969 dan SEM berbasis varians (PLS-SEM) yang
dikembangkan oleh Wold pada tahun 1974.
PLS-SEM dikembangkan oleh Herman Wold pada tahun 1974. PLS-SEM dapat digunakan
pada setiap jenis skala data (nominal, ordinal, interval, dan rasio). PLS-SEM merupakan teknik
analisis data untuk menganalisis hubungan antara satu set blok variabel. Partial Least Square
merupakan metoda analisis yang powerfull dan sering disebut juga sebagai soft modelling
karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus
terdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar
variabel eksogen. PLS-SEM bertujuan untuk menguji hubungan prediktif antar konstruk
dengan melihat apakah ada hubungan atau pengaruh antar konstruk tersebut. Konsekuensi
penggunaan PLS-SEM adalah pengujian dapat dilakukan tanpa dasar teori yang kuat,
mengabaikan berapa asumsi (non parametik) dan parameter ketetapan model prediksi dilihat
dari nilai koefisien determinasi (R-square). Karena itu PLS-SEM sangat tepat digunakan pada
penelitian yang bertujuan mengembangkan teori atau membangun teori (orientasi prediksi).
Pada PLS-SEM dilakukan beberapa evaluasi model. Menurut (Ghozali, 2016) evaluasi
model pada PLS-SEM dilakukan dengan menilai outer model (model pengukuran) dan inner
model (model struktural).
a) Model evaluasi pengukuran (outer model)
Outer model dilakukan untuk menilai validitas dan reliabilitas model. Evaluasi terhadap
outer model dikelompokan menjadi evaluasi terhadap model reflektif dan formatif. Outer
model dengan indikator refleksif dievaluasi dengan Converget dan Discriminant Validity dari
indikatornya dan Composite Reliability untuk blok indikatornya (Chin, 1998).
1. Uji validitas
 16

Uji validitas dilakukan untuk mengetahui kemampuan instrumen penelitian

mengukur apa yang seharusnya diukur, validitas konstruk menunjukkan seberapa baik hasil
yang diperoleh dari penggunaan suatu pengukuran sesuai teori –teori yang digunakan
untuk mendefinisikan suatu konstruk, Korelasi yang kuat antara konstruk dan item –item
pertanyaannya dan hubungan yang lemah dengan variabel lainnya merupakan salah satu
cara untuk menguji validitas konstruk. Validitas Konstruk terdiri dari:
a. Convergent Validity
Convergent validity berhubungan dengan prinsip bahwa pengukur atau variabel
manifest dari suatu konstruk harus saling berkorelasi tinggi. Uji convergent validity dapat
dilihat dari nilai loading factor untuk tiap indikator konstruk, cara lainnya yaitu melihat nilai
average variance extracted (AVE) yang menggambarkan besarnya varian atau keragaman
variabel manifes yang dapat dikandung oleh konstruk laten (Ghozali, 2016).
b. Discriminant Validity
Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten
benar benar berbeda dengan konstruk lainnya. Nilai discriminant validity yang tinggi
memberikan indikasi bahwa suatu konstruk adalah unik dan mempu menjelaskan fenomena
yang diukur. Untuk menguji indikator refleksif dapat dilihat pada nilai cross loading nya, yakni
apabila nilai loading dari masing - masing item terhadap konstruknya lebih besar daripada nilai
cross loading nya. Kriteria kedua adalah dengan membandingkan akar dari AVE untuk setiap
konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Validitas
diskriminan yang baik ditunjukkan dari akar kuadrat AVE untuk tiap konstruk lebih besar dari
korelasi antar konstruk dalam model (Fornell & Larcker, 1981).
2. Uji Reliabilitas
Uji reliabilitas dilakukan untuk membuktikan akurasi, konsistensi, dan ketepatan
instrumen. Untuk mengukur reliabilitas suatu konstruk dengan indikator refleksif dapat
dilakukan dengan menilai nilai cronbach’s alpha dan composite reliability. Namun
penggunaan cronbach’s alpha untuk menguji reliabilitas konstruk akan memberikan nilai yang
lebih rendah sehingga lebih disarankan untuk menggunakan composite reliability dalam
menguji reliabilitas suatu konstruk. Rangkuman evaluasi outer model dapat dilihat pada tabel
2.2.
Tabel 2.1 Rangkuman Evaluasi Outer Model
Evaluasi Model Pengukuran
 17

Convergent Loading factor > 0.7 untuk confirmatory

Validity research
> 0.6 untuk exploratory
research
Average variance Nilai AVE > 0.5 (untuk
extracted (AVE) Confirmatory research
maupun Exploratory
research), memiliki arti bahwa
50% atau lebih variance
indikator dapat dijelaskan
Discriminant Cross Loading Nilai cross loading antara
Validity variabel laten dengan
indikatornya (sendiri) harus
lebih besar dibandingkan
indikator lain
Akar kuadrat AVE dan Nilai akar kuadrat dari AVE >
korelasi antar variabel nilai korelasi antar variabel
laten laten
Reliability Cronbach’s alpha > 0.7 untuk Confirmatory
research
> 0.6 untuk Exploratory
research
Composite reliability > 0.7 untuk Confirmatory
research
> 0.6 untuk Exploratory
research

b) Evaluasi model struktural (inner model)

Evaluasi model struktural atau inner model bertujuan untuk melihat signifikansi
hubungan antar variabel laten dalam model penelitian, dengan melihat koefisien jalur (path
coefficient) yang menunjukkan ada atau tidak ada hubungan (perdiksi) antara variabel laten
dalam model penelitian. Untuk melakukan evaluasi model struktural dimulai dimulai dari
melihat nilai R-Squares untuk setiap prediksi dari model struktural, nilai R-Squares digunakan
untuk menjelaskan pengaruh variabel laten (eksogen) tertentu terhadap variabel laten
 18

(endogen) atau seberapa besar pengaruhnya. Berikut ini kriteria penilaian PLS pada model
struktural menurut (Ghozali, 2016). Rangkuman evaluasi inner model dapat dilihat pada tabel
2.3.
Tabel 2.2 Rangkuman Evaluasi Inner Model

Kriteria Penjelasan
R2 untuk Hasil R2 sebesar 0.67, 0.33, dan 0,19 untuk variabel laten
variabel laten endogen dalam model struktural mengindikasikan bahwa
endogen model “kuat”, “moderat”, dan “lemah” (Chin, 1998).
Estimasi Nilai estimasi untuk hubungan jalur dalam model
koefisien jalur struktural harus signifikan. Nilai signifikansi ini dapat
diperoleh dengan prosedur bootsrapping
f2 untuk effect Nilai f2 sebesar 0.02, 0.15, dan 0.35 dapat diintrepretasikan
size apakah predictor variabel laten mempunyai pengaruh yang
lemah, medium, atau besar pada tingkat structural
Q2 predictive Nilai Q2 > 0 dapat menunjukkan bahwa model memiliki
relevance predictive relevance dan sebaliknya jika nilai Q2 < 0
menunjukkan bahwa model kurang memiliki predictive
relevance.
Model Fit Kriteria SRMR digunakan untuk menilai fit indexes yang
sesuai. Nilai SRMR pada umumnya kurang dari 0,05 sudah
menunjukkan kecocokkan yang dapat diterima. Untuk
model jalur PLS, nilai SRMR kurang dari 0,08 tampak
lebih memadai (Henseler, Hubona, & Ray, 2016).

2.9. Tahap Analisis PLS-SEM

Tahapan analisis menggunakan PLS-SEM setidaknya harus melalui 5 proses tahapan

dimana setiap tahapan akan berpengaruh terhadap tahapan selanjutnya, antaralain:
a. Konseptualisasi model
Koseptualisasi model merupakan langkah awal dalam analisis PLS-SEM. Pada tahap
ini harus dilakukan pengembangan dan pengukuran konstruk. Menurut Churcill (1979)
terdapat 8 tahapan yang harus dilewati untuk pengembangan dan pengukuran konstruk,
yaitu spesifikasi domain konstruk, tentukan item yang merepresentasi konstruk,
 19

pengumpulan data untuk dilakukan uji pretest, purifikasi konstruk, pengumpulan data baru,
uji reliabilitas, uji validitas, tentukan skor pengukuran konstruk. Delapan tahap tersebut
harus dilewati dalam konseptualisasi model.
b. Menentukan metoda analisis algoritma
Model penelitian yang telah melewati tahapan konseptualisasi model selanjutnya harus
ditentukan metoda analisis algoritma apa yang akan digunakan untuk estimasi model.
Setelah peneliti menentukan metoda analisis algoritma serta skema yang akan digunakan,
selanjutnya peneliti harus menentukan jumlah sampel yang harus dipenuhi.
c. Menentukan metoda resampling
Pada umumnya terdapat 2 metoda yang digunakan peneliti untuk melakukan proses
resampling yaitu, bootstrapping dan jackknifing.
Jackknifing hanya menggunakan subsampel dari sampel asli yang dikelompokkan
dalam grup untuk melakukan resampling kembali. Sedangkan bootstrapping menggunakan
seluruh sampel asli untuk melakukan resampling.
d. Menggambar diagram jalur
Setelah melakukan tahapan konseptualisasi model sampai dengan tahapan metoda
resampling, langkah selanjutnya adalah menggambar diagram jalur dari model yang akan
diestimasi tersebut.
e. Evaluasi model
Setelah menggambar diagram jalur, maka model siap untuk diestimasi dan dievaluasi
hasilnya secara keseluruhan. Evaluasi model menggunakan program SmartPLS3.0 dapat
dilakukan dengan menilai hasil pengukuran model (measurement model) yaitu melalui
analisis faktor konfirmatori atau confirmatory factor analysis (CFA) dengan menguji
validitas dan reliabilitas konstruk laten. Kemudian dilanjutkan dengan evaluasi model
struktural dan pengujian signifikansi untuk menguji pengaruh antar konstruk atau variabel.
 BAB III
METODE PENELITIAN

Metode penelitian adalah langkah-langkah atau prosedur dalam

mengerjakan suatu penelitian untuk menjawab rumusan masalah secara relevan
dengan landasan teori tertentu sehingga dapat mencapai tujuan dilaksanakannya
penelitian tersebut. Penelitian dalam analisis faktor yang mempengaruhi kepuasan
konsumen konsumen dalam menggunakan aplikasi E-Wallet yang diunduh pada
aplikasi Google Play Store dan Apple App Store dengan menggunakan Integrasi
Model Expectation-Confirmation Theory (ECT) dan Diffusion of Innovations
(DOI) dilakukan dengan tahapan-tahapan yang dapat dilihat pada Gambar 3.1.

Penentuan objek penelitian

Penentuan hipotesis dan variabel penelitian

Penentuan populasi dan sampel

Perancangan kuesioner

Penyebaran dan pengumpulan kuesioner

Analisis data menggunakan PLS-SEM

Analisis hasil

Penyusunan rekomendasi

Gambar 3.1 Diagram Langkah Penelitian

 21

3.1. Penentuan Objek Penelitian

Objek penelitian ini adalah pengguna Google Play Store dan Apple App Store
yang telah melakukan pengunduhan aplikasi berupa aplikasi E-Wallet.

3.2. Penentuan Hipotesis dan Variabel Penelitian

Berdasarkan teori yang sudah dibahas sebelumnya bahwa menilai kinerja
suatu produk atau layanan yang digunakan berbanding dengan ekspektasi yang
sudah mereka tentukan pada tahap pertama dan menentukan sejauh mana harapan
mereka berbanding lurus dengan kinerja sebenarnya dari sebuah produk atau
aplikasi yang digunakan. Oleh karena itu Expectation-Confirmation Model dalam
penelitian ini melibatkan 2 jenis variabel, Confirmation dan Statisfaction sedangkan
Diffusions of Innovations melibatkan 4 variabel yaitu Compatibility, Perceived
Usefulness, Perceived Ease of Use dan Trialability. Confirmation hipotesis yang
digunakan dalam penelitian ini dapat dilihat pada Gambar 3.2.

Compatibility

Perceived
Usefulness

Confirmation Statisfaction

Perceived
Ease of Use

Trialibility
 22

Dari rancangan penelitian pada gambar 3.2 didapatkan hipotesis-hipotesis

sebagai berikut:
Confirmation seperti yang mengacu kepada penelitian (Bhattacherjee, 2001)
merupakan terpenuhinya harapan seseorang pasca penggunaan sebuah teknologi.
H1: Confirmation memberikan dampak positif terhadap manfaat yang diterima
konsumen dalam menggunakan aplikasi E-Wallet
H2: Confirmation berhubungan positif terhadap kemudahan kepada pelanggan
dalam penggunaan aplikasi E-Wallet
H3: Confirmation berhubungan positif terhadap kepuasan pelanggan dalam
menggunakan aplikasi E-Wallet
H4: Perceived Usefulness berhubungan positif terhadap kepuasan pelanggan dalam
menggunakan aplikasi E-Wallet

Ketika pengguna E-Wallet merasakan bahwa produk yang digunakan

mudah digunakan dan tidak membutuhkan terlalu banyak waktu atau usaha untuk
mempelajari cara menggunakannya, mereka dapat mempertahankan sikap positif
terhadap produk ini yang berupa kepuasan dalam menggunakan aplikasi E-Wallet.
Ada yang pengaruh signifikan yang bernilai positif dari Variabel Perceive Ease of
Use pada Perceived Usefulness (_) (Cheung & Vogel, 2013). Perceive Ease of Use
dan Perceived Usefulness juga mempengaruhi Satisfaction ( Kepuasan Pelanggan )
secara positif [19,36,71,82].

H5: Perceived Ease of Use memberikan dampak positif terhadap manfaat yang
diterima konsumen dalam menggunakan aplikasi E-Wallet
H6: Perceived Ease of Use memberikan dampak positif terhadap kepuasan
pengguna aplikasi E-Wallet
 23

Compatibility tidak hanya memiliki efek positif yang signifikan terhadap persepsi
kegunaan tetapi juga pada persepsi kemudahan penggunaan.
korelasi positif yang signifikan ada antara Compatibility dan Perceived Usefulness.
(Joia et al. 2001) menemukan tautan dari Compatibility ke Satisfaction dengan
Sistem electronic broker.
H7: Compatibility memberikan dampak positif terhadap manfaat yang diterima
konsumen dalam menggunakan aplikasi E-Wallet
H8: Compatibility memberikan dampak positif terhadap kepuasan pengguna
aplikasi E-Wallet
H9: Trialability memberikan dampak positif terhadap kepuasan pengguna aplikasi
E-Wallet

Tabel 3.1 Variabel dan Item Pengukuran

Variabel Item Pengukuran Sumber
Confirmation CON1 Seberapa baikkah pengalaman dalam (Chen,
menggunakan aplikasi E-Wallet dapat Liu, &
memenuhi ekspektasi penggunanya Liu, 2013)
CON2 Seberapa baik layanan yang diberikan
oleh aplikasi E-Wallet dapat memenuhi
ekspektasi penggunanya
CON3 Seberapa baik aplikasi E-Wallet dalam
memenuhi ekspektasi penggunanya
secara kesuluruhan
Compatibility COM1 Menggunakan aplikasi E-Wallet akan
cocok dengan segala aspek dalam
kehidupan sehari hari (Brown,
COM2 Menggunakan aplikasi E-Wallet Cajee,
sepenuhnya cocok sesuai gaya hidup Davies, &
pengguna
 24

COM3 Menggunakan aplikasi dapat E-Wallet Stroebel,

mempengaruhi status atau derajat 2003)
seseorang di linkungan sosialnya
Perceived PU1 Menggunakan E-Wallet dapat
Usefulness meningkatkan kinerja dalam mengatur
keuangan pribadi
PU2 Menggunakan E-Wallet dapat
meningkatkan produktivitas dalam (Bhattache
mengatur keuangan pribadi rjee, 2001)
PU3 Menggunakan E-Wallet dapat
meningkatkan efektivitas dalam
mengatur keuangan pribadi
PU4 Secara keseluruhan, E-Wallet (Bhattache
bermanfaat dalam mengatur keuangan rjee, 2001)
pribadi
Perceived PE1 Tingkat Kesulitan Pengguna dalam (Brown,
Ease of Use mengoperasikan Aplikasi E-Wallet Cajee,
PE2 Tingkat Kesulitan Pengguna dalam Davies, &
mempelajari cara mengoperasikan Stroebel,
Aplikasi E-Wallet 2003)
PE3 Tingkat Kemudahan Aplikasi E-Wallet (Brown,
dalam mengikuti apa yang diinginkan Cajee,
pelanggan Davies, &
Stroebel,
2003)
PE4 Secara Keseluruhan, Aplikasi E-Wallet (Brown,
Mudah Digunakan Cajee,
Davies, &
Stroebel,
2003)
 25

Trialability PA1 Pengguna E-Wallet dapat mencoba

mode trial dari aplikasi E-Wallet terlebih
dahulu saat pertama kali digunakan
PA2 Pengguna E-Wallet dapat melihat dan (Brown,
mencoba fitur aplikasi E-Wallet terlebih Cajee,
dahulu pada mode trial Davies, &
PA3 Secara keseluruhan, Pengguna E-Wallet Stroebel,
mendapatkan informasi terkait 2003)
percobaan pada aplikasi E-Wallet
Kepuasan ST1 Tingkat Kepuasan Pelanggan secara
Pelanggan spesifik dalam pengalamannya (Bhattache
menggunakan aplikasi E-Wallet rjee, 2001)
ST2 Tingkat Kesesuaian Harapan Pelanggan
dalam pengalamannya menggunakan
aplikasi E-Wallet
ST3 Tingkat Kepuasan Pelanggan secara
umum dalam pengalamannya
menggunakan aplikasi E-Wallet

Item yang mengukur variabel Confirmation dan Kepuasan pelanggan masing

masing diadaptasi dari penelitian (Chen, Liu, & Liu, 2013) dan (Bhattacherjee,
2001). Berdasarkan Expectation-Confirmation Theory, yaitu menilai kinerja suatu
produk atau layanan yang digunakan berbanding dengan ekspektasi yang sudah
mereka tentukan pada tahap pertama dan menentukan sejauh mana harapan mereka
berbanding lurus dengan kinerja sebenarnya dari sebuah produk.
Item yang mengukur 4 variabel yang lain diadopsi dari beberapa literatur
untuk menyesuaikan dengan integrasi dengan model Diffusions of Innovation.
Compatibility diukur menggunakan 3 item pengukuran yang diadopsi dari
penelitian yang dilakukan oleh (Brown, Cajee, Davies, & Stroebel, 2003).
Perceived Usefulness juga diukur menggunakan 4 item pengukuran yang diadopsi
dari penelitian yang dilakukan oleh (Bhattacherjee, 2001). Variabel Perceived Ease
 26

of Use juga diukur menggunakan 4 item pengukuran yang diadopsi dari penelitian
yang dilakukan oleh (Brown, Cajee, Davies, & Stroebel, 2003) dan Variabel
Trialability juga diukur menggunakan 4 item pengukuran yang diadopsi dari
penelitian yang dilakukan oleh (Bhattacherjee, 2001).

3.3. Penentuan Populasi dan Sampel

Populasi dalam penelitian ini adalah para pengguna Google Play Store dan
Apple App Store yang pernah melakukan pengunduhan aplikasi serta menggunakan
aplikasi E-Wallet. Populasi digunakan agar dapat memudahkan dalam mencari
responden. Sampel diambil dengan menggunakan metode purposive sampling.
Purposive sampling merupakan teknik pengambilan sampel yang mana peneliti
memilih responden yang memiliki kriteria yang sesuai dengan yang diharapkan
peneliti.
Dalam PLS-SEM, jumlah sampel yang dibutuhkan tidak harus dengan jumlah
besar. Jumlah minimal sampel direkomendasikan antara 30-100 sample.

3.4. Perancangan Kuesioner

Kuesioner pada penelitian ini menggunakan variabel yang dipilih
berdasarkan penelitian yang telah dilakukan oleh (Chen, Liu, & Liu, 2013),
(Bhattacherjee, 2001) dan (Brown, Cajee, Davies, & Stroebel, 2003) beserta
variabel dan item pengukuran dengan menyesuaikan objek penelitiannya. Item
kuesioner yang digunakan dalam kuesioner ditentukan berdasar fakta yang ada di
lapangan. Kuesioner ini berisi 20 butir pertanyaan. Penelitian ini menggunakan
instrumen pengukuran skala likert dengan menghilangkan jawaban tengah yang
bersifat netral. Menurut Azwar (1997) jawaban tengah (netral) dihilangkan dengan
alasan:
a. Jawaban netral memiliki penafsiran ganda.
b. Jawaban netral tidak memberikan ketegasan pendapat responden ke arah setuju
atau tidak setuju.
c. Responden memiliki kecenderungan memilih jawaban netral.
Skala yang digunakan dalam penelitian ini bisa dilihan pada Tabel 3.2.
 27

Tabel 3.2 Skala Likert yang Digunakan dalam Penelitian

Frekuensi Durasi Indikator lainnya
1. Tidak Pernah 1. <5menit 1. Sangat Tidak Setuju
2. Jarang 2. 5-10 menit 2. Tidak Setuju
3. Sering 3. 10-15 menit 3. Setuju
4. Selalu 4. >15menit 4. Sangat Setuju

3.5. Penyebaran dan Pengumpulan Kuesioner

Pada tahap ini dilakukan pengumpulan data dengan melakukan penyebaran
kuesioner. Teknik sampling yang digunakan dalam penelitian ini adalah purposive
sampling. Populasi atau responden dari penelitian ini adalah seluruh masyarakat
yang pernah melakukan pengunduhan aplikasi di Google Play Store dan Apple App
Store. Teknik penyebaran kuesioner ini dilakukan secara online dan offline.
Penyebaran kuesioner secara offline dengan cara membagikan print out kuesioner
secara langsung kepada responden yang memenuhi kriteria dalam pengisian
kuesioner untuk penelitian ini, sedangkan penyebaran kuesioner secara online
menggunakan bantuan google form dengan cara menyebarkan link google form
tersebut kepada responden yang memenuhi kriteria dalam pengisian kuesioner
untuk penelitian ini melalui berbagai sosial media. Pada awal kuesioner, responden
akan diberikan pertanyaan untuk mengindetifikasi apakah responden memenuhi
kriteria sebagai target responden atau tidak. Jika jawaban yang diberikan
responden mengidentifikasikan bahwa reponden tidak memenuhi kriteria, maka
reponden tersebut tidak bisa melanjutkan ke pertanyaan berikutnya, dan jika
jawaban yang diberikan responden sesuai dengan kriteria, maka responden bisa
melanjutkan ke pertanyaan selanjutnya dan mengisi kuesioner yang diberikan.
Setelah seluruh data berhasil dikumpulkan, akan dilakukan pengelompokkan data
ke dalam tabel menggunakan bantuan perangkat lunak Microsoft Excel.

3.6. Analisis Data Menggunakan Metode PLS-SEM

Data kuesioner yang telah didapatkan akan diinput dan direkap ke dalam
Microsoft Excel. Selanjutnya data diolah dengan menggunakan aplikasi SPSS
 28

untuk menghitung frekuensi data, setelah itu baru diolah dengan menggunakan
SmartPLS. SmartPLS merupakan software yang dapat digunakan untuk
menganalisis hubungan yang didefinisikan oleh model teoritis. Peneliti melakukan
analisis dengan metode PLS-SEM karena dalam penelitian ini menggunakan
indikator untuk mengukur setiap variabel latennya, model pengukuran bersifat
struktural, dan juga memiliki tujuan untuk orientasi prediktif hubungan antar
variabel.

3.6.1. Evaluasi Model Pengukuran (Outer Model)

Evaluasi model pengukuran atau outer model dilakukan untuk menilai
validitas atau reliabilitas model. Outer model dengan indikator refleksif di evaluasi
melalui validitas konvergen dan diskriminan dari indikator pembentuk konstruk
laten dan composite reliability serta cronbach alpha untuk blok indikatornya.
Sedangkan outer model dengan indikator formatif dievaluasi melalui substantive
content-nya yaitu dengan membandingkan besarnya relative weight dan melihat
signifikansi dari indikator konstruk (Chin, 1998).
a. Uji Reliabilitas
Uji reliabilitas dilakukan untuk membuktikan akurasi, konsistensi, dan
ketepatan instrumen dalam mengukur konstruk. Dalam PLS-SEM dengan
menggunakan program SmartPLS 3.0, untuk mengukur reliabilitas suatu
konstruk dengan indikator refleksif dapat dilakukan dengan 2 cara yaitu
dengan cronbach’s alpha dan composite reliability. Namun demikian
penggunaan Cronbach alpha untuk menguji reliabilitas konstruk akan
memberikan nilai yang lebih rendah sehingga untuk uji reliabilitas suatu
konstruk lebih disarankan untuk menggunakan composite reliability. Dalam
menilai reliabilitas konstruk, nilai cronbach’s alpha dan composite
reliability harus lebih besar dari 0,7.
b. Uji Validitas Konvergen
Validitas konvergen berhubungan dengan prinsip bahwa pengukur-
pengukur (manifest variable) dari suatu konstruk seharusnya berkorelasi
tinggi. Uji validitas konvergen indikator refleksif dengan menggunakan
 29

SmartPLS 3.0 dapat dilihat dari nilai nilai loading factor untuk tiap
indikator konstruk. Rule of thumb yang biasa digunakan untuk menilai
validitas konvergen adalah nilai loading factor harus lebih dari 0,7 serta
nilai average variance extracted (AVE) harus lebih dari 0,5. Namun, untuk
penelitian tahap awal dari pengembangan skala pengukuran, nilai loading
factor 0,5-0,6 masih dianggap cukup (Chin, 1998).
c. Uji Validitas Diskriminan
Validitas diskriminan berhubungan dengan prinsip bahwa pengukur-
pengukur (manifest variable) dari suatu konstruk yang berbeda seharusnya
tidak berkorelasi tinggi. Cara untuk menguji validitas diskriminan adalah
dengan melihat nilai cross-loading antar indikator dengan konstruknya dan
dengan membandingkan akar kuadrat dari AVE untuk setiap konstruk
dengan nilai korelasi antar konstruk dalam model. Validitas diskriminan
yang baik ditunjukkan dari akar kuadrat AVE untuk tiap konstruk lebih
besar dari korelasi antar konstruk dalam model (Fornell & Larcker, 1981).
3.6.2. Evaluasi Model Struktural (Inner Model)
SmartPLS digunakan untuk menguji model struktural karena pendekatan
berbasis komponen ini tidak hanya menempatkan tuntutan minimal pada ukuran
sampel dan distribusi residu, tetapi juga dapat menangani konstruksi formatif dan
reflektif. Penilaian kualitas model PLS didasarkan pada kemampuannya
memprediksi konstruk endogen. Pengujian terhadap model struktural dilakukan
dengan melihat R-Squares (coefficient of determination), Q-Squares (cross-
validated redundancy), coeffisient path, f-Squares (the effect size), dan SRMR
(standardized root mean square residual) untuk uji model fit. Hasil R-Squares
menunjukkan bahwa konstruk endogen dapat diterima apa tidak. Q-Squares
digunakan untuk menilai relevansi prediktif model struktural. Hasil f-Squares
didapatkan dengan mencatat perubahan dalam R-Squares ketika suatu konstruksi
tertentu dihilangkan dari model. Penelitian ini menggunakan kriteria SRMR
(standardized root mean square residual) untuk menilai model fit yang sesuai
dengan nilai kurang dari 0,08 (Henseler, Hubona, & Ray, 2016).
 30

3.7. Analisis Hasil

Analisis hasil temuan akan menunjukkan keterkaitan hubungan antar variabel
yang terdapat pada integrasi model Expectation-Confirmation Model dan
Diffusions of Innovation yang didapat dari pengujian hipotesis-hipotesis pada
pengolahan data menggunakan perangkat lunak SmartPLS, serta faktor apa saja
yang menjadi bahan pertimbangan sebelum mengunduh aplikasi dari perusahaan
startup sehingga dapat mempengaruhi kepuasan konsumen saat menggunakan
aplikasi E-Wallet di Google Play Store dan Apple App Store.

3.8. Penyusunan Rekomendasi

Penyusunan rekomendasi merupakan langkah terakhir dari penelitian yang
diperoleh dari rangkuman jawaban dari seluruh rangkaian penelitian dan berguna
sebagai bahan pertimbangan untuk pihak terkait. Rekomendasi ini digunakan
sebagai masukan kepada para perusahaan penyedia E-Wallet terkait strategi yang
perlu diterapkan agar aplikasi yang dihasilkan bisa meningkatkan kepuasaan
konsumen dalam menggunakan aplikasi ini dan menambah niat konsumen untuk
merekomendasikan produk E-Wallet kepada orang lain.

3.9. Waktu Penelitian

Penelitian akan dilaksanakan selama kurang lebih 7 bulan yang dimulai pada
bulan Agustus 2019 sampai Maret 2020. Jadwal perencanaan dan penyusunan
penelitian dapat dilihat pada Tabel 3.3.
Tabel 3.3 Rencana Waktu Penelitian
November Desember Januari Februari Maret April Mei
Kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Penyusunan
Proposal
Seminar
Proposal
Revisi
Proposal
Pengumpula
n dan
Pengolahan
Data
 31

Analisis
Hasil
Penelitian
Sidang
Skripsi
Pengumpula
n Laporan
 DAFTAR PUSTAKA

(t.thn.).

Bhattacherjee, A. (2001). Understanding Information Systems Continuance: An

Expectation-Confirmation Model. MIS Quarterly, 351-370.

Brown, I., Cajee, Z., Davies, D., & Stroebel, S. (2003). Cell phone banking: predictors of
adoption in South Africa—an exploratory study. International Journal of
Information Management, 381-394.

Chen, A., Lu, Y., & Wang, B. (2017). Customers' Purchase Decision-Making Process in
Social Commerce: A Social Learning Perspective. International Journal of
Information Management 37, 627-638.

Chen, A., Lu, Y., Wang, B., Zhao, L., & Li, M. (2013). What Drives Content Creation
Behavior on SNSs? A Commitment Perspective. Journal of Business Research, 66,
2529-2535.

Chen, S.-C., Liu, M.-L. L., & Liu, C.-P. (2013). Integrating Technology Readiness into the
Expectation–Confirmation Model: An Empirical Study of Mobile Services.
CYBERPSYCHOLOGY, BEHAVIOR, AND SOCIAL NETWORKING, 604-612.

Chena, S.-C., Yen, D. C., & Peng, S.-C. (2017). Assessing the impact of determinants in e-
magazines acceptance: An empirical study. Computer Standars and Interfaces, 1-
10.

Cheung, R., & Vogel, D. (2013). Predicting user acceptance of collaborative technologies:
An extension of the technology acceptance model for e-learning. Computers and
Education, 160-175.

Chin, W. W. (1998). The Partial Least Squares Approach for Structural Equation
Modeling. London: Lawrence Erlbaum Associates.

Claes, F. (1992). A National Customer Satisfaction Barometer: The Swedish Experience.

Journal of Marketing, 56.

Dr. Ahmad Tanzeh, M. P. (2009). Pengantar Metode Penelitian. Yogyakarta: Teras.

Dr. Riduwan, M. (2003). Skala Pengukuran Variabel-Variabel Penelitian. Bandung:

Alfabeta.

Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with
Unobservable Variables and Measurement Error. Journal of Marketing Research,
18, 39-50.
 33

Ghozali, I. (2016). Konsep, Teknik, dan Aplikasi Menggunakan Program SMARTPLS 3.0.
Universitas Diponegoro.

Gubernur Bank Indonesia. (2016). Peraturan Bank Indonesia Tentang Penyelenggaraan

Pemrosesan Transaksi Pembayaran. 4.

Hadi, S. (1990). Metodologi Research 1. Yogyakarta: Andi Offset.

Hair, J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial Least Square
Structural Equation Modeling (PLS-SEM): An Emerging Tool in Business
Research. European Business Review, 26(2), 106-121.

Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology
research: updated guidelines. Industrial Management & Data Systems 116(1)', 2-
20.

Iskandar. (2008). Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan

Kualitatif). Jakarta: Gaung Persada Group.

Krosnick, J. A., & Presser, &. S. (2009). Question and Questionnaire Design. San Diego:
CA: Elsevier.

Lee, Y., & Kozar, K. A. (2009). Designing Usable Online Stores: A Landscape Preference
Perspective. Information & Management, 46, 31-41.

Lee, Y., Chen, A. N., & Ilie, V. (2012). CAN ONLINE WAIT BE MANAGED? THE EFFECT OF
FILLER INTERFACE AND PRESENTATION MODES ON PERCEIVED WAITING TIME
ONLINE. MIS Quarterly, 36(2), 365-394.

Likert, R. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology

Volume 22, 1-55.

Mainwaring, M., Anderson, S., & Chang, K. (2005). What's in Your Wallet? Implications
for Global E-Wallet Design. Late Breaking Results: Posters, 1613-1616.

Margono, D. S. (2004). Metodologi Penelitian Pendidikan. Jakarta: Rineka Cipta.

Oh, H. (1999). Service quality, customer satisfaction, and customer value: A holistic
perspective. International Journal of hospitality Management, 67-82.

Oliver, R. L. (1980). A Cognitive Model of the Antecedents and Consequences of

Satisfaction Decisions. Journal of Marketing Research, 460-469.

Oliver, R. L. (1999). Expectation Processes in Satisfaction Formation. Journal of Service

Research, 197-214.
 34

Oliviera, T., Thomas, M., Bapista, G., & Campos, F. (2016). Mobile payment:
Understanding the determinants of customer adoption and intention to
recommend the technology. Computers in Human Behaviour, 404-414.

Park, M., Jun, J., & Park, H. (2017). Understanding Mobile Payment Service Continous
Use Intention: An Expectation-Confirmation Model and Inertia. Quality
Innovation Prosperity, 78-94.

Salodkar, A., Morey, K., & Shirbhate, M. (2015). Electronic Wallet. International Research
Journal of Engineering and Technology (IRJET), 975-977.

Sugiyono. (2013). Metodologi Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:

Alfabeta.

Viandhy, Okta, A., & Ratnasari, R. T. (2014). Pengaruh Kualitas Layanan Terhadap Niat
Ulang Dengan Menggunakan Produk yang Melalui Kepercayaan Nasabah Bank
Syariah Mandiri. Jestt 1, 546-564.