Modul 3

SAMPUL MODUL III
OLEH:
NAMA : MUHAMMAD ISNANDA IBNURIQ
STAMBUK : D071211079
KELOMPOK : KELOMPOK III
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

DEPARTEMEN TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
GOWA
2023
DAFTAR ISI
DAFTAR ISI .............................................................................................................. ii

DAFTAR TABEL ...................................................................................................... iii
DAFTAR GAMBAR ................................................................................................. iv
DAFTAR RUMUS ..................................................................................................... v
BAB I PENDAHULUAN .......................................................................................... 1
1.1 Latar Belakang ............................................................................................. 1
1.2 Rumusan Masalah ........................................................................................ 2
1.3 Tujuan Praktikum ......................................................................................... 2
1.4 Batasan Masalah ........................................................................................... 2
BAB II TEORI DASAR ............................................................................................ 3
2.1 Statistik ......................................................................................................... 3
2.2 Pendekatan Penelitian .................................................................................. 5
2.3 Analisis Faktor, Jalur dan Regresi ................................................................ 7
2.4 SEM (Structural Equation Modelling)......................................................... 10
2.5 Komponen Model SEM ............................................................................... 15
2.6 Aturan Asumsi Klasik dan Persyaratan SEM .............................................. 20
2.7 Aturan Dalam Merancang Model ................................................................. 21
2.8 Pengaruh Langsung, Tidak Langsung dan Total .......................................... 22
2.9 Tahapan-Tahapan Penerapan SEM .............................................................. 23
2.10 Indeks Kesesuaian ...................................................................................... 29
2.11 Uji Validitas dan Uji Reliabilitas ............................................................... 32
2.12 Software SEM ............................................................................................ 34
BAB III METODOLOGI PRAKTIKUM ............................................................... 39
3.1 Objek dan Waktu Praktikum ........................................................................ 39
3.2 Metode Pengumpulan Data .......................................................................... 39
3.3 Alat dan Bahan ............................................................................................. 39
3.4 Prosedur Praktikum ...................................................................................... 39
3.5 Kerangka Berpikir ........................................................................................ 41
3.6 Atribut Penyusun Kuesioner ........................................................................ 41
STRUCTURAL EQUATION MODELLING

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) ii
3.7 Hipotesis Praktikum (Jurnal Internasional) .................................................. 42

BAB IV PENGOLAHAN DATA .............................................................................. 44
4.1 Gambaran Umum Perusahaan ...................................................................... 44
4.2 Data Hasil Responden .................................................................................. 44
4.3 Uji Statistik................................................................................................... 49
4.4 Uji Asumsi Klasik ........................................................................................ 56
4.5 SEM .............................................................................................................. 59
BAB V PEMBAHASAN ............................................................................................ 72
5.1 Pembahasan .................................................................................................. 72
5.2 Review Jurnal................................................................................................ 75
BAB VI PENUTUP .................................................................................................... 81
6.1 Kesimpulan................................................................................................... 81
6.2 Saran ............................................................................................................. 82
DAFTAR PUSTAKA.................................................................................................
LAMPIRAN ...............................................................................................................

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) iii
DAFTAR TABEL
Tabel 1 Perbandingan Antara Exploratory Research dan Confimatory Research ..... 6

Tabel 2 Perbedaan Antara Partial Least Square dan Covariance-Based ................... 13
Tabel 3 Aturan Dasar Menggambar Diagram SEM .................................................... 22
Tabel 4 Perbedaan Antar Indeks Kesesuaian ............................................................... 31
Tabel 5 Penjelasan Icon ............................................................................................... 36
Tabel 6 Atribut Penyusun Kuesioner ........................................................................... 41
Tabel 7 Data Hasil Responden .................................................................................... 44
Tabel 8 Hasil Uji Validitas Menggunakan Rumus ...................................................... 52
Tabel 9 Kriteria Pengujian Reliabilitas Cronbach's Alpha.......................................... 53
Tabel 10 Hasil Uji Reliabilitas .................................................................................... 56
Tabel 11 Uji Multikolinearitas..................................................................................... 57
Tabel 12 Uji Linearitas ................................................................................................ 58
Tabel 13 Uji Heteroskedastisitas ................................................................................. 59
Tabel 14 Spesifikasi Model ......................................................................................... 59
Tabel 15 Uji Normalitas .............................................................................................. 63
Tabel 16 Uji Validitas .................................................................................................. 64
Tabel 17 Uji Reliabilitas .............................................................................................. 64
Tabel 18 Construct Reliability pada Costumer Satisfaction ........................................ 65
Tabel 19 Construct Reliability pada Costumer Loyality.............................................. 65
Tabel 20 Construct Reliability pada Costumer Loyality.............................................. 66
Tabel 21 Tabel GOF Hasil Pengujian Model Struktural ............................................. 66
Tabel 22 Tabel GOF Hasil Pengujian Model Struktural ............................................. 68
Tabel 23 Uji Hipotesis ................................................................................................. 68
Tabel 24 Pengaruh Langsung ...................................................................................... 69
Tabel 25 Pengaruh Tidak Langsung ............................................................................ 70
Tabel 26 Pengaruh Total .............................................................................................. 71

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) iv
DAFTAR GAMBAR
Gambar 1 Analisis Faktor ............................................................................................ 8

Gambar 2 Analisis Jalur............................................................................................... 9
Gambar 3 Analisis Jalur............................................................................................... 9
Gambar 4 Analisis Regresi .......................................................................................... 10
Gambar 5 Partial Least Square ................................................................................... 12
Gambar 6 Covariance Based ....................................................................................... 12
Gambar 7 Variabel Laten ............................................................................................. 15
Gambar 8 Variabel Laten Endogen ............................................................................. 16
Gambar 9 Variabel Laten Eksogen .............................................................................. 16
Gambar 10 Variabel Manifest ...................................................................................... 17
Gambar 11 Model Pengukuran .................................................................................... 17
Gambar 12 Model Struktural ....................................................................................... 18
Gambar 13 Kesalahan Model Pengukuran .................................................................. 19
Gambar 14 Kesalahan Model Struktural ..................................................................... 19
Gambar 15 Konstruk Unidimensional ......................................................................... 25
Gambar 16 Konstruk Multidimensional ...................................................................... 25
Gambar 17 Diagram Alir Penelitian ............................................................................ 40
Gambar 18 Kerangka Berpikir..................................................................................... 41
Gambar 19 Uji Normalitas........................................................................................... 56
Gambar 20 Uji Multikolinieritas ................................................................................. 57
Gambar 21 Uji Linearitas ............................................................................................ 58
Gambar 22 Uji Heterokedastisitas ............................................................................... 59
Gambar 23 Spesifikasi Model Persamaan Struktural .................................................. 61
Gambar 24 Model Persamaan Struktural dengan Nilai Estimasi ................................ 62
Gambar 25 Model Persamaan Struktural dengan Nilai Estimasi setelah Re-spesifikasi
..................................................................................................................................... 67

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) v
DAFTAR RUMUS
Rumus 1 Uji Validitas ................................................................................................ 32

Rumus 2 Uji Reliabilitas ............................................................................................. 35

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) vi
BAB I
PENDAHULUAN
1.1 Latar Belakang
Saat ini, metodologi yang sedang populer dalam penelitian sosial dan perilaku
adalah model persamaan struktural. Banyak penelitian menggunakan pendekatan ini
untuk memecahkan masalah yang sedang mereka teliti. Model persamaan struktural atau
Structural Equation Modelling (SEM) adalah sebuah metodologi statistik yang
mengonfirmasi hipotesis terhadap analisis sebuah teori struktural yang mencakup
beberapa fenomena yang sangat berguna dalam penelitian (Siregar, dkk., 2021).
Dalam bidang penelitian bisnis, kajian empiris seringkali dihadapkan dengan
model penelitian yang kompleks. Dalam paradigma kuantitatif (positivisme), tahap
pengujian hipotesis sangat penting untuk mengonfirmasi atau mengembangkan teori,
memberikan solusi pada subyek penelitian, dan menjawab masalah penelitian. Dalam
teknik regresi, model penelitian biasanya dibangun berdasarkan satu variabel dependen
dan beberapa variabel independen. Namun, ketika model penelitian mempergunakan
lebih dari satu variabel dependen, diperlukan alat atau metode analisis lain. Sehingga,
metode yang dapat menyelesaikan permasalahan tanpa harus membuat beberapa
persamaan regresi karena menganalisis secara terpisah menjadi sangat penting (Hamid
& Anwar, 2019).
Structural Equation Modelling (SEM) juga bisa disebut dengan teknik analisis
statistik yang populer untuk membangun dan menguji model statistik dalam bentuk
sebab-akibat. Prastuti (2011) menjelaskan bahwa SEM menggabungkan analisis faktor,
regresi, dan jalur untuk menghitung hubungan yang terjadi secara simultan antara
variabel laten, mengukur nilai loading dari indikator-indikator variabel laten, dan
menghitung model jalur dari variabel laten tersebut. SEM adalah teknik multivariat yang
digunakan untuk merepresentasikan suatu seri atau deret hubungan kausal dalam bentuk
diagram jalur (path diagram). Oleh karena itu, SEM atau Structural Equation Modeling
telah menjadi salah satu teknik yang berguna dalam penelitian sosial dan perilaku saat
ini (Kasanah, A, 2015).

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 1
Dalam modul ini, peneliti melakukan pengumpulan data, analisis, dan presentasi
hipotesis berdasarkan respon dari sampel objek penelitian. Sampel yang diambil
sebanyak 200 orang, dan objek praktikum yang diteliti meliputi e-customer Quality,
customer satisfaction, dan customer loyality pada bank BCA di seluruh Indonesia.
1.2 Rumusan Masalah
a. Bagaimana merancang model persamaan struktural?

b. Bagaimana menganalisis variabel-variabel penelitian menggunakan model
persamaan struktural?
c. Bagaimana menjelaskan hubungan antarvariabel penelitian pada model persamaan
struktural?
1.3 Tujuan Praktikum
a. Untuk mengetahui variabel-variabel yang digunakan dalam model persamaan

struktural.
b. Untuk mengetahui aturan dasar dalam merancang model persamaan struktural.
c. Untuk mengetahui tahapan-tahapan dalam merancang model persamaan struktural.
d. Untuk mengetahui model persamaan struktural menggunakan software.
1.4 Batasan Masalah
a. Variabel yang digunakan dalam praktikum ini antara lain: kualitas pelayanan,
kepuasan pelanggan, dan loyalitas pelanggan.
b. Sampel yang digunakan dalam praktikum ini adalah nasabah bank BCA.
c. Jenis model persamaan struktural pada praktikum ini CB-SEM dengan pendekatan
confirmatory research.

BAB II
TEORI DASAR
2.1 Statistik
Menurut Haryono dan Wardoyo (2012), analisis statistika bisa dikelompokkan

berdasarkan jumlah variabel yang dianalisis. Berdasarkan pengelompokan jumlah
variabel ini maka statistika dibagi menjadi analisis univariate, bivariate dan
multivariate.
2.1.1 Analisis Univariate
a. Definisi
Beberapa pakar telah menyampaikan definisi analisis univariate. Untuk
memperjelas pengertian analisis univariate, berikut adalah pendapat dari tiga ahli
mengenai definisi tersebut.
1) Menurut Gunarto (dalam Haryono dan Wardoyo, 2012), analisis univariate
merupakan analisis yang dilakukan hanya satu variabel dengan tujuan
mengetahui distribusi frekuensi pada setiap variabel penelitian.
2) Menurut Haryono dan Wardoyo (dalam Haryono dan Wardoyo, 2012), analisis
univariate adalah analisis tunggal terhadap satu variabel.
3) Menurut Zikmund (dalam Simamora, 2005), analisis univariate adalah analisis
apabila hanya ada satu variabel yang dilibatkan.
4) Menurut kelompok, analisis univariate terbentuk dari kata uni dan variate, jadi
analisis univariat adalah analisis satu variabel.
b. Contoh
Suatu contoh analisis univariate terlihat ketika nasabah bank diminta untuk
menyebutkan jumlah tabungannya, penghasilan bulanan, dan usia. Dalam hal ini, setiap
variabel berdiri sendiri dan tidak ada keterkaitan dengan variabel lainnya (Haryono dan
Wardoyo, 2012).

2.1.2 Analisis Bivariate
a. Definisi
Beberapa pakar telah menyampaikan definisi analisis bivariate. Untuk
memperjelas pengertian analisis bivariate, berikut adalah pendapat dari tiga ahli
1) Menurut Gunarto (dalam Haryono dan Wardoyo, 2012), analisis bivariate
merupakan analisis yang dilakukan terdapat dua variabel untuk menguji
hubungan antara dua variabel yang dimaksud.
2) Menurut Suryono (dalam Haryono dan Wardoyo, 2012), analisis bivariate
adalah analisis yang berkaitan antar dua variabel.
3) Menurut Zikmund (dalam Simamora, 2005), analisis bivariate adalah analisis
apabila terdapat dua variabel yang dilibatkan.
4) Menurut kelompok, analisis bivariate teknik analisis yang digunakan untuk
mengetahui hubungan antara dua variabel.
b. Contoh
Suatu contoh analisis bivariate terlihat pada pengaruh jumlah anggota keluarga
terhadap pilihan tempat liburan. Dalam hal ini, jumlah anggota keluarga dianggap
sebagai variabel pertama dan pilihan tempat liburan sebagai variabel kedua (Simamora,
2005).
2.1.3 Analisis Multivariate
a. Definisi
Beberapa pakar telah menyampaikan definisi analisis multivariate. Untuk
memperjelas pengertian analisis multivariate, berikut adalah pendapat dari tiga ahli
1) Menurut Gunarto (dalam Haryono dan Wardoyo, 2012), analisis multivariate
merupakan analisis yang dilakukan apabila terdapat lebih dari dua variabel
dalam suatu penelitian.
2) Menurut Haryono dan Wardoyo (dalam Haryono dan Wardoyo, 2012), analisis
multivariate adalah alat analisis lebih dari dua variabel.

3) Menurut Zikmund (dalam Simamora, 2005), analisis multivariate adalah

analisis yang dilakukan jika variabel yang dianalisis lebih dari dua variabel.
4) Menurut kelompok, analisis multivariate merupakan salah satu analisis
statistika yang berkaitan dengan banyak variabel.
b. Contoh
Suatu contoh analisis multivariate terlihat pada analisis pengaruh tiga variabel,
yaitu jumlah anggota keluarga, pendapatan keluarga, dan rata-rata usia anak, terhadap
pilihan tempat berlibur (Simamora, 2005).
2.2 Pendekatan Penelitian
Pendekatan penelitian adalah metode atau strategi yang digunakan oleh peneliti
untuk memperoleh data dan informasi yang diperlukan dalam menjawab pertanyaan
penelitian. Terdapat berbagai macam pendekatan penelitian yang dapat digunakan yaitu
sebagai berikut.
2.2.1 Penelitian Eksplorasi (Exploratory Research)
Menurut Yusuf, penelitian eksplorasi merujuk pada studi yang dilakukan dengan
melakukan penyelidikan terutama dalam memperkuat konsep yang akan digunakan
dalam penelitian yang lebih luas dengan jangkauan konseptual yang lebih besar. Dalam
hal melakukan eksplorasi, konsep yang sudah matang menjadi tujuan utama dalam
penelitian dan jangkauan konseptual yang lebih luas. Sementara itu, menurut Morissan,
penelitian eksploratif adalah penelitian awal yang bertujuan untuk memperoleh
gambaran tentang suatu topik penelitian yang akan diteliti lebih lanjut. Dengan kata lain,
penelitian eksplorasi merupakan jenis penelitian yang dilakukan ketika masalah yang
akan diteliti belum didefinisikan secara jelas. Biasanya penelitian eksplorasi dilakukan
sebelum kita memiliki cukup pengetahuan untuk membuat perbedaan konseptual atau
menempatkan hubungan yang jelas (Kadarudin, 2021).

2.2.2 Penelitian Penjelasan (Confimatory Research)
Penelitian eksplanatif atau yang juga dikenal sebagai penelitian eksplanatori

adalah jenis penelitian yang bertujuan untuk memberikan penjelasan, menguatkan,
menguji, dan bahkan menolak suatu teori atau hipotesis, serta menguji hasil-hasil
penelitian yang sudah ada. Suatu peristiwa dapat dijelaskan dengan mengetahui sebab
terjadinya. Oleh karena itu, dalam penelitian eksplanatif perlu dilakukan identifikasi
terhadap berbagai variabel di luar masalah untuk mengkonfirmasi sebab terjadinya suatu
masalah. Penelitian ini juga disebut sebagai penelitian konfirmatori atau confirmatory
research, dan semakin populer sebagai penelitian korelasional atau correlational
research (Kadarudin, 2021).
2.2.3 Tabel Perbedaan
Berikut merupakan tabel perbandingan antara Exploratory Research dan

Confimatory Research.
Tabel 1 Perbandingan Antara Exploratory Research dan Confimatory Research.
Jenis Penelitian
Jenis Perbedaan
Eksplorasi Penjelasan
Tujuan Memberikan wawasan dan Menguji hipotesis dan memeriksa

pengertian hubungan
Sasaran
*Informasi yang dibutuhkan *Informasi yang dibutuhkan
ditetapkan secara longgar ditetapkan secara tegas

*Proses penelitian fleksibel *Proses penelitian secara
Karakteristik dan tak terstruktur resmi dan terstruktur
*Sampel kecil dan tidak *Sampel besar dan
representatif representatif
*Analisa data primer secara *Analisa data secara
kualitatif kuantitatif
Temuan Sementara Meyakinkan
Temuannya diikuti Temuan digunakan
Hasil sebagai input dalam pembuatan
penelitian eksplorasi atau konklusif
keputusan
(Sumber : Hermawan dan Amirullah, 2016)

2.3 Analisis Faktor, Jalur dan Regresi
Analisis faktor, jalur, dan regresi adalah teknik analisis statistik yang digunakan
dalam penelitian sosial dan ilmu perilaku. Ketiga teknik ini memiliki fokus yang
berbeda namun saling terkait dalam memahami hubungan antara variabel yang diteliti.
Berikut merupakan penjelasan lebih lanjut mengenai analisis faktor, jalur dan regresi.
2.3.1 Analisis Faktor
a. Definisi
1) Menurut Latan (2012), analisis faktor merupakan salah satu jenis analisis yang
digunakan untuk menguji dimensionalitas suatu konstruk atau variabel.
2) Menurut Widarjono (2010), analisis faktor merupakan cara untuk mencari
sejumlah variabel indikator yang mampu memaksimumkan korelasi antara
variabel indikator.
3) Menurut kelompok, analisis faktor merupakan suatu bentuk analisis pada
variabel laten berdasarkan beberapa faktor-faktor yang mempengaruhi.
b. Contoh
Misalkan kita mempunyai variabel indikator sebanyak 2 atau p = 2. Analisis satu
faktor konfirmatori dengan p = 2 dapat ditulis dalam bentuk persamaan sebagai berikut.
X1 = β1 Ω + ε1
X2 = β2 Ω + ε2
Sedangkan bila kita mempunyai variabel indikator sebanyak 4 atau p = 4 maka
analisis satu faktor konfirmatori dapat ditulis dalam bentuk persamaan sebagai berikut.
X1 = β1 Ω + ε1
X2 = β2 Ω + ε2
X3 = β3 Ω + ε3
X4 = β4 Ω + ε4
Secara umum analisis faktor konfirmatori dengan variabel indikator sebanyak p
maka dapat ditulis dalam bentuk persamaan sebagai berikut :
X1 = β1 Ω + ε1
X2 = β2 Ω + ε2

X3 = β3 Ω + ε3
X4 = β4 Ω + ε4
Xp = βp Ω + εp
c. Gambar
Berikut merupakan contoh analisis faktor.
Gambar 1 Analisis Faktor

(Sumber : Haryono dan Wardoyo, 2012)
2.3.2 Analisis Jalur
a. Definisi
1) Menurut Kuncoro dan Ridwan (2007), analisis jalur merupakan bentuk terapan
dari analisis multiregresi yang membantu memudahkan pengujian hipotesis
dari hubungan hubungan antara variabel yang rumit.
2) Menurut Sarwono (2007), analisis jalur merupakan pengembangan teknik
korelasi yang diurai menjadi beberaoa interpretasi akibat yang ditimbulkannya
sehingga dikatakan sebagai Teknik sebab akibat.
3) Menurut kelompok, analisis jalur merupakan salah satu analisis dalam SEM di
mana terdapat variabel perantara pada analisis tersebut.
b. Contoh
Contoh kasus ini diambil dari hasil penelitian Sawyer dkk dalam masalah
psikologi. Kasusnya sebagai berikut : X1 adalah psikopatologi tahap pertama seorang
ibu, yang akan menjadi penentu terhadap patologi tahap kedua ibu yang bersangkutan,
dalam hal ini adalah X2. Mirip dengan kejadian tersebut patologi tahap pertama anaknya
atau variabel Y1 akan mempengaruhi patologi tahap kedua anak tersebut atau variabel
Y2. Selanjutnya, patologi anak tahap kedua atau Y2 juga dipengaruhi oleh patologi ibu
tahap pertama, yaitu (jalur antar X1 dan Y2) dan tahap kedua, yaitu (jalur antar X2 dan
Y2).
c. Gambar
Berikut merupakan contoh analisis jalur.
Gambar 2 Analisis Jalur

Gambar 3 Analisis Jalur

2.3.3 Analisis Regresi
a. Definisi
1) Menurut Ritonga dan Setiawan (2011), analisis regresi merupakan teknik
analisis statistik untiuk menginbestigasi dan Menyusun model mengenai
hubungan antar variabel.
2) Menurut Galton (1877), analisi regresi adalah analisis prediksi keterkaitan
antara variabel dari objek yang diteliti.
3) Menurut kelompok, analisis regresi adalah suatu bentuk analisis yang
dilakukan untuk mengetahui ada tidaknya hubungan antar variabel.

b. Contoh
Contoh studi kasus berdasarkan penelitian yang dilakukan Galton (1877),
menunjukkan bahwa sifat tinggi badan anak yang dilahirkan ternyata menurun (regress)
dari tinggi badan orang tuanya. Kemudian Galton menggunakan kata “regresi” untuk
menamakan analisis proses prediksi keterkaitan antara variabel tinggi badan anak
dengan tinggi badan orang tuanya.
c. Gambar
Berikut merupakan contoh analisis regresi.
Gambar 4 Analisis Regresi

2.4 SEM (Structural Equation Modelling)
2.4.1. Definisi
Beberapa pakar telah menyampaikan definisi Structural Equation Modelling

(SEM). Untuk memperjelas pengertian Structural Equation Modelling (SEM), berikut
adalah pendapat dari tiga ahli mengenai definisi tersebut.
a. Menurut Latan, SEM (Structural Equation Modeling) adalah teknik analisis
multivariat generasi kedua yang menggabungkan analisis faktor dan jalur
sehingga memungkinkan peneliti menguji dan mengestimasi secara simultan
hubungan antara multiple exogeneous dan endogeneous dengan banyak indikator.
b. Menurut Maruyama, SEM adalah sebuah model statistik yang memberikan
perkiraan perhitungan dari kekuatan hubungan hipotesis diantara variabel dalam

sebuah model teoritis, baik langsung atau melalu variabel antara (intervening or
moderating).
c. Menurut Ghozali, SEM adalah generasi kedua teknik analisis multivariat yang
memungkinkan peneliti menguji hubungan antar variabel yang komplek baik
recursive maupun non-recursive untuk memperoleh gambaran yang komprehensif
mengenai keseluruhan model.
d. Menurut kelompok, SEM merupakan teknik analisis multivariat yang
dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-model
analisis sebelumnya yang telah digunakan secara luas dalam penelitian statistik.
(Haryono dan Wardoyo, 2012)
2.4.2. Jenis-Jenis SEM
Ada beberapa jenis SEM yang sering digunakan dalam penelitian, antara lain :
a. Partial Least Square (PLS)-SEM

1) Definisi
Menurut Haryono dan Wardoyo (2012), Partial Least Square (PLS)-SEM
memiliki tujuan untuk menguji hubungan prediktif antara konstruk, dengan
cara memeriksa apakah terdapat pengaruh atau hubungan antara konstruk
tersebut. Dalam penggunaannya, PLS-SEM memungkinkan dilakukannya
pengujian tanpa dasar teori yang kuat, serta mengabaikan beberapa asumsi non-
parametrik dan parameter ketepatan model prediksi yang ditunjukkan oleh nilai
koefisien determinasi (R2). Oleh karena itu, PLS-SEM sangat cocok digunakan
pada penelitian yang bertujuan untuk mengembangkan teori.

2) Contoh
Berikut merupakan contoh dari Partial Least Square (PLS)-SEM
Gambar 5 Partial Least Square

b. Covariance-Based (CB)-SEM
1) Definisi
Menurut Haryono dan Wardoyo (2012), Covariance-Based (CB)-SEM
memiliki tujuan untuk menguji hubungan kausalitas antara variabel yang telah
dibangun berdasarkan teori, dengan melihat apakah model tersebut dapat
dikonfirmasi dengan data empiris yang ada. Pada hubungan kausalitas, CB-
SEM mencari parameter invariant yang dapat menggambarkan secara
struktural atau fungsional bagaimana sistem di dunia ini beroperasi. Parameter
invariant ini menggambarkan hubungan kausalitas antar variabel dalam sistem
tertutup (closed system) sehingga kejadian yang ada dapat dikendalikan secara
penuh.
2) Contoh
Berikut merupakan contoh dari Covariance-Based (PLS)-SEM
Gambar 6

c. Tabel Perbedaan
Berikut merupakan tabel perbandingan antara Partial Least Square dan
Covariance-Based.
Tabel 2 Perbedaan Antara Partial Least Square dan Covariance-Based
Parameter
CB-SEM PLS-SEM
Pembanding
Informasi yang dihasilkan efisien dan mudah
diinterpretasikan terutama pada model yang
kompleks atau hipotesis model, dapat
Canggih dan andal untuk model digunakan pada data set yang kecil, tidak
estimasi pengujian teori dan model mensyaratkan asumsi normalitas, linieritas,
Keunggulan
yang kompleks atau hipotesis dan heteroskedastisitas, serta dapat
model digunakan pada indikator yang bersifat
reflektif dan formatif terhadap variabel
lainnya
Lemah secara dasar statistika atau

matematika dalam mengestimasi model,
Rumit dan mensyaratkan data set aplikasi perangkat lunak yang dikembangkan
yang besar, asumsi normalitas dan masih terbatas dan membutuhkan aplikasi
Keterbatasan
indikator yang bersifat reflektif perangkat lunak lain untuk menghasilkan
terhadap variabel latennya. output tertentu. Contoh: probabilitas
signifikansi.
Ukuran Dapat dijalankan di sampel kecil

Membutuhkan sampel besar
sampel
Dapat menguji model penelitian dengan
Basis Teori Mensyaratkan basis teori yang kuat dasar teori yang lemah
Asumsi Harus memenuhi asumsi distribusi

Tidak mensyaratkan data terdistribusi normal
Distribusi normalitas
2.4.3. Perbedaan SEM dan Teknik Multivariate Lainnya
Menurut Haryono dan Wardoyo (2012), dalam menerapkan SEM pada penelitian,
dibutuhkan orientasi yang berbeda dibandingkan dengan penerapan statistik pada
umumnya. Prosedur dalam SEM lebih menekankan penggunaan kovarian daripada
analisis individual. Jika dalam analisis statistik biasa, fungsi yang dijadikan acuan
adalah perbedaan antara nilai yang diamati dengan nilai yang diprediksi, maka pada
SEM, yang dijadikan acuan adalah perbedaan antara kovarian sampel dengan kovarian
yang diprediksi oleh model. Oleh karena itu, yang dimaksud dengan residual dalam
SEM adalah perbedaan antara kovarian yang diprediksi atau dicocokkan dengan
kovarian yang diamati. Hal ini membuat SEM juga dikenal sebagai Analisis Struktur
Kovarian.
2.4.4. Keunggulan SEM
SEM atau Structural Equation Modeling memiliki beberapa keunggulan sebagai

metode analisis data. Berikut adalah beberapa keunggulan SEM :
a. Memungkinkan adanya asumsi-asumsi yang lebih fleksibel.

b. Penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk
mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten
c. Daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca
keluaran hasil analisis.
d. Kemungkinan adanya pengujian model secara keseluruhan dari pada
koefisienkoefisien secara sendiri-sendiri.
e. Kemampuan untuk menguji model-model dengan menggunakan beberapa
variabel terikat.
f. Kemampuan untuk membuat model terhadap variabel-variabel perantara.
g. Kemampuan untuk membuat model gangguan kesalahan.
h. Kemampuan untuk menguji koefisien-koefisien di luar antara beberapa kelompok
subjek.
i. Kemampuan untuk mengatasi data yang sulit, seperti data deret waktu dengan
kesalahan autokorelasi, data yang tidak normal, dan data yang tidak lengkap.
2.4.5. Keterbatasan SEM
Menurut Ghozali (2005), terdapat beberapa kelemahan yang dimiliki SEM yaitu
sebagai berikut :
a. SEM tidak digunakan untuk menghasilkan model namun untuk mengkonfirmasi
suatu bentuk model.
b. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, namun
dibangun oleh teori yang mendukungnya.

c. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk
menerima atau menolak hubungan sebab akibat secara teoritis melalui uji data
empiris.
d. Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar untuk
pengujian aplikasi SEM.
2.5 Komponen Model SEM
Model SEM atau Structural Equation Modeling terdiri dari beberapa komponen
utama. Berikut adalah penjelasan singkat mengenai komponen-komponen tersebut :
2.5.1. Jenis Variabel
a. Variabel Laten
Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali
diukur dengan satu atau lebih variabel manifest. Variabel laten hanya dapat diamati
secara tidak sempurna melalui efeknya terhadap variabel teramati.
Gambar 7 Variabel Laten

(Sumber : Tikasari, 2013))
Gambar diatas terdapat 2 variabel eksogen yaitu harga X1 dan pelayanan X2.
Terdapat 2 variabel endogen yaitu kepuasan pelanggan Y1 dan kesetiaan pelanggan Y2.
Bila dilihat pada gambar variabel laten eksogen dihubungkan dengan 2 anak panah dan
variabel endogen dihubungkan dengan 1 anak panah.
1) Laten Endogen
a) Definisi
Variabel endogen adalah variabel dependent yang dipengaruhi oleh variabel
independent (eksogen). Pada model SEM, variabel endogen ditunjukkan
dengan adanya anah panah menuju keluar dan satu panah ke dalam. Simbol
anak panah untuk menunjukkan adanya hubungan kausal (ekor anak panah
untuk hubungan penyebab dan kepala anak panah untuk variabel akibat).
b) Contoh
Berikut merupakan contoh variabel laten endogen.
Gambar 8 Variabel Laten Endogen

(Sumber : Tikasari, 2013)
2) Laten Eksogen
a) Definisi
Variabel eksogen adalah variabel yang mempngaruhi variabel independent.
Pada model SEM, variabel eksogen ditunjukkan dengan anak panah yang
berasal dari variabel tersebut menuju variabel endogen.
b) Contoh
Berikut merupakan contoh variabel laten eksogen.
Gambar 9 Variabel Laten Eksogen

b. Variabel Manifest
1) Definisi
Variabel teramati atau terukur adalah variabel yang dapat diamati atau dapat
diukur secara empiris dan sering disebut indikator. Variabel teramati
merupakan efek atau ukuran dari variabel laten. Variabel teramati yang
berkaitan atau merupakan efek dari variabel laten eksogen diberi notasi
matematik dengan label X, sedangkan yang berkaitan dengan variabel laten

endogen diberi label Y.
2) Contoh
Berikut merupakan contoh variabel manifest.
Gambar 10 Variabel Manifest

(Tikasari, 2013)
2.5.2. Jenis Model
a. Model Pengukuran
Menurut Kasanah (2015), model pengukuran adalah komponen dari model SEM
yang umumnya terkait dengan variabel laten dan indikatornya. Hubungan dalam model
ini terjadi melalui analisis faktor konfirmatori atau confirmatory factor analysis (CFA),
di mana terdapat kovarian yang tidak terukur antara pasangan variabel yang mungkin
terjadi. Untuk mengevaluasi model pengukuran ini, dilakukan pengukuran uji
keselarasan, seperti halnya model SEM lainnya. Untuk dapat melanjutkan analisis,
model pengukuran harus valid. Dalam model ini, validitas konvergen (convergent
validity) dihasilkan. Sebagai contoh, gambar berikut menunjukkan sebuah contoh model
pengukuran.
Gambar 11 Model Pengukuran

(Sumber : Kasanah, 2015)

b. Model Struktural
Menurut Kasanah (2015), model struktural adalah sekumpulan hubungan yang
terdiri dari variabel laten dan hubungan ini bisa dianggap sebagai linear, meskipun
pengembangan lebih lanjut dapat memperbolehkan persamaan non-linear. Secara grafis,
hubungan regresi antara variabel eksogen dan variabel endogen dapat dijelaskan
menggunakan garis dengan satu kepala anak panah yang disebut sebagai "gamma" (γ)
dalam karakter Greek. Sedangkan hubungan regresi antara satu variabel endogen ke
variabel endogen lainnya dijelaskan menggunakan garis dengan satu kepala anak panah
yang disebut "beta" (β). Selain itu, hubungan korelasi atau kovarian antara variabel
eksogen dapat dijelaskan menggunakan garis dengan dua kepala anak panah yang
disebut "phi" (Φ) dalam karakter Greek. Model struktural ini dapat memberikan
validitas prediktif (predictive validity). Sebagai contoh, gambar di bawah ini
menunjukkan sebuah contoh model struktural.
Gambar 12 Model Struktural

2.5.3. Jenis Kesalahan
a. Kesalahan Model Pengukuran

Menurut Kasanah (2015), kesalahan pengukuran terjadi ketika variabel manifest
tidak dapat memprediksi variabel laten dengan sempurna. Kesalahan pengukuran terdiri
dari dua komponen, yaitu delta yang terkait dengan variabel manifest X (variabel
manifest yang terkait dengan variabel laten eksogen) dan epsilon yang terkait dengan
variabel Y (variabel manifest yang terkait dengan variabel laten endogen). Sebagai
contoh, gambar lintasan untuk kesalahan pengukuran dapat dilihat pada gambar berikut.

Gambar 13 Kesalahan Model Pengukuran

b. Kesalahan Model Struktural

Menurut Kasanah (2015), kesalahan struktural terjadi ketika variabel laten
eksogen tidak dapat memprediksi variabel laten endogen dengan sempurna. Untuk
mendapatkan hasil estimasi parameter yang konsisten, diasumsikan bahwa kesalahan
struktural tidak berkorelasi dengan variabel eksogen dari model. Notasi untuk kesalahan
struktural dan kesalahan pengukuran dapat ditampilkan dalam diagram lintasan, seperti
yang terlihat pada gambar berikut.
Gambar 14 Kesalahan Model Struktural


2.6 Aturan Asumsi Klasik dan Persyaratan SEM
Aturan asumsi klasik adalah sekelompok asumsi yang harus dipenuhi dalam
analisis statistik klasik, termasuk analisis regresi dan analisis varian. Beberapa asumsi
klasik antara lain :
2.6.1. Ukuran Sampel
Menurut Budiarti (2009), jumlah minimal sampel yang diperlukan untuk prosedur
pengumpulan adalah 100, dengan perbandingan empat observasi untuk setiap parameter
estimasi. Dalam penelitian ini, terdapat 150 responden, sehingga memenuhi persyaratan
jumlah sampel yang cukup.
2.6.2. Normalitas dan Linearitas
Dalam asumsi normalitas, perlu dilakukan analisis distribusi data untuk

memastikan bahwa data memenuhi asumsi normalitas, agar dapat digunakan dalam
permodelan SEM. Uji normalitas ini perlu dilakukan tidak hanya pada data tunggal
tetapi juga pada data multivariat di mana beberapa variabel digunakan dalam analisis
akhir.
Sedangkan dalam asumsi linearitas, perlu diperiksa apakah model yang digunakan
sudah benar atau tidak. Hal ini dilakukan untuk menentukan bentuk fungsi yang paling
tepat digunakan dalam studi empiris, apakah itu berbentuk linear, kuadrat, atau kubik.
(Budiarti, 2009)
2.6.3. Outlier
Menurut Budiarti (2009), outlier merujuk pada suatu observasi yang memiliki
nilai ekstrim yang sangat berbeda dari observasi lain baik secara tunggal atau gabungan
dengan variabel lain. Keberadaan outlier dapat disebabkan oleh karakteristik unik dari
data tersebut yang membuatnya sangat berbeda dari data lainnya.

2.6.4. Multikolinearitas
Menurut Istiarini dan Sukanti (2012), Multikolinearitas dilakukan untuk

memastikan apakah terdapat antara variabel independen dalam analisis regresi ganda
dengan memeriksa seberapa kuat korelasi antara variabel-variabel tersebut. Hal ini
merupakan persyaratan untuk menggunakan analisis regresi ganda secara valid.
2.7 Aturan Dalam Merancang Model
Dalam merancang model penelitian, ada beberapa aturan yang perlu diperhatikan
agar model tersebut dapat memberikan hasil yang valid dan dapat
dipertanggungjawabkan yaitu sebagai berikut.
2.7.1. Aturan Penggunaan Model
Menurut Nawangsari (2011), terdapat beberapa aturan dasar pada penggunaan simbol
dalam SEM yaitu:
a. Y : variabel manifest untuk variabel laten endogen
b. X : variabel manifest untuk variabel laten eksogen
c. η : (eta), variabel laten endogen
d. ξ : (ksi), variabel laten eksogen
e.  : (epsilon), kesalahan pengukuran (error) yang berhubungan dengan Y
f.  : (delta), kesalahan pengukuran (error) yang berhubungan dengan X
g.  : (zeta), kesalahan pengukuran (error) dalam persamaan struktural
h. γ : (gamma), matriks koefisien jalur untuk hubungan variabel laten endogen dan
variabel laten eksogen
i. B : (beta), matriks koefisien jalur untuk hubungan antar variabel laten endogen
Notasi pembentukan model struktural dalam SEM dapat pula ditulis dalam bentuk
matriks.
j. : : Menggambarkan variabel manifest.
k. : : Menggambarkan variabel laten.
l. : Residual error.
m. : Hubungan regresi
n. : Hubungan korelasi.
2.7.2. Aturan Dasar Menggambar Diagram SEM
Menurut Nawangsari (2011), dalam menggambar diagram SEM, terdapat

beberapa aturan yang harus dipatuhi karena setiap elemen pasti memiliki maknanya
sendiri sehingga harus mematuhi aturan menggambar yang ada. Berikut ini merupakan
beberapa aturan dalam menggambar SEM yaitu:
Tabel 3 Aturan Dasar Menggambar Diagram SEM
Simbol Penjelasan
Kotak yang menggambarkan variabel manifest.
Bulat atau oval yang menggambarkan variabel laten.
Menggambarkan laten variabel yang dipengaruhi

variabel laten yang lain dengan error laten.
Hubungan dua variabel manifest yang dipengaruhi

variabel manifest yang lain dengan nilai error.
Variabel laten yang dipengaruhi variabel manifest

dengan nilai error yang independent.
(Sumber : Nawangsari, 2011)
2.8 Pengaruh Langsung, Tidak Langsung dan Total
2.8.1. Pengaruh Langsung
Menurut Sarwono (2011), pengaruh langsung merujuk pada pengaruh variabel

laten eksogen secara langsung pada variabel laten endogen tanpa adanya variabel
perantara atau mediator. Pengaruh langsung dapat dilihat melalui koefisien jalur pada
model struktural.

2.8.2. Pengaruh Tidak Langsung
Menurut Sarwono (2011), pengaruh tidak langsung merujuk pada pengaruh

variabel laten eksogen pada variabel laten endogen melalui variabel perantara. Jika
pengaruh tidak langsung lebih besar daripada pengaruh langsung, maka pengaruh yang
sebenarnya dari variabel laten eksogen pada variabel laten endogen adalah melalui
variabel perantara tersebut.
2.8.3. Pengaruh Total
Menurut Sarwono (2011), pengaruh total adalah hasil penjumlahan dari pengaruh
langsung dan pengaruh tidak langsung dari variabel laten eksogen pada variabel laten
endogen.
2.9 Tahapan-Tahapan Penerapan SEM
SEM (Structural Equation Modeling) adalah metode statistik multivariat yang

digunakan untuk menguji hubungan antara variabel yang kompleks. Berikut adalah
tahapan-tahapan penerapan SEM:
2.9.1 Jumlah Sampel
Menurut Sarwono (2011), Jumlah sampel merupakan tahap awal dari penerapan
SEM. Ukuran sampel yang ideal pada SEM berkisar antara 200-400 sampel. Semakin
besar nilai dari sampel maka semakin mendekati hasil yang tepat. Oleh karena itu, jika
menginginkan hasil yang mendekati tepat maka sampel yang digunakan haruslah lebih
besar dari 400 sampel dengan level of significance sebesar 5%.
a. Nilai minimum dari ukuran sampel yang akan diamati sebesar 200 data guna
meminimalisir bias yang dapat terjadi.
b. Pada estimasi model diperlukan minimal sampel 15x dari jumlah parameter bebas
yang terdapat pada model.
c. Pada estimasi model diperlukan minimal 5x jumlah dari parameter bebas dalam
model.

d. Jika data memiliki nilai kurtosis tinggi maka ukuran sampel minimum harus 10x
dari jumlah parameter bebas.
(Tanaka, 1987)
2.9.2 Spesifikasi Model
Menurut Waluyo (2011), model teoritis yang telah dibangun pada langkah
pertama akan digambarkan dalam sebuah path diagram yang akan mempermudah
peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya. Kita ketahui bahwa
hubungan-hubungan kausal biasanya dinyatakan dalam bentuk persamaan tetapi dalam
SEM hubungan kausalitas itu cukup digambarkan dalam sebuah path diagram dan
selanjutnya bahasa program akan mengkonversi gambar menjadi persamaan dan
persamaan menjadi estimasi.
a. Spesifikasi model pengukuran dan struktural konstruk unidimensional;
1) Definisikan variabel-variabel laten yang ada di dalam penelitian.
2) Definisikan variabel-variabel teramati.
3) Definisikan hubungan antara setiap variabel laten dengan variabel-variabel
teramati yang terkait.
Untuk tahap spesifikasi, dalam model persamaan pengukuran maupun struktural
peneliti harus memperhatikan dimensionalitas sebuah konstruk. Secara teoritis, dimensi
sebuah konstruk dapat berbentuk unidimensional atau multidimensional. Perbedaan
tersebut terjadi karena tiap konstruk memiliki level abstraksi yang berbeda pula dalam
pengujian statistiknya. Konstruk unidimensional adalah konstruk yang dibentuk
langsung dari manifest variabelnya dengan arah indikatornya dapat berbentuk reflective
maupun formative. Pada model struktural yang menggunakan konstruk unidimensional,
analisis faktor konfirmatori untuk menguji validitas konstruk dapat dilakukan langsung
melalui first order construct yaitu konstruk laten yang direfleksikan oleh indikator-
indikatornya. Berikut diberikan contoh konstruk unidimensional dan model struktural
dengan konstruk unidimensional seperti tampak pada Gambar berikut ini :

Gambar 15 Konstruk Unidimensional

b. Spesifikasi model pengukuran dan struktural konstruk multidimensional
Konstruk multidimensional adalah konstruk yang dibentuk dari konstruk laten

dimensi yang didalamnya termasuk konstruk unidimensional dengan arah indikatornya
dapat berbentuk reflective maupun formative. Pada model struktural yang menggunakan
konstruk multidimensional, analisis faktor konfirmatori untuk menguji validitas
konstruk dilakukan melalui dua tahap, yaitu analisis pada first order construct yaitu
konstruk laten dimensi yang direfleksikan atau dibentuk oleh indikator-indikatornya dan
analisis pada second order construct yaitu konstruk yang direfleksikan atau dibentuk
oleh konstruk laten dimensinya. Berikut diberikan contoh konstruk multidimensional
seperti tampat pada gambar berikut ini.
Gambar 16 Konstruk Multidimensional


2.9.3 Identifikasi Model
Menurut Haryono dan Wardoyo (2012), identifikasi model merupakan tahapan

kedua setelah menghitung jumlah sampeel yang akan diteliti. Proses pengidentifikasian
dilakukan dengan cara menghitung derajat kebebesan serta ditentukan pula bahwa nilai
dari derajat kebebasan harus positif. Akan tetapi, saat mengidentifkasi model SEM,
terdapat beberapa hal yang dapat menjadi masalah antara lain, pengidentifikasian model
menghasilka nilai standar error yang besar, menghasilkan nilai estimasi yang tidak
mungkin dan menghasilkan nilai korelasi yang cukup besar.
Ada 3 kemungkinan identifikasi yang terjadi pada model SEM, yaitu:
a. Model Unidentified
Under-identified Model, dimana nilai t ≥ s/2 ; yaitu model dengan jumlah
parameter yang diestimasi lebih besar dari jumlah data yang diketahui (data tersebut
merupakan variance dan covariance dari variabel-variabel teramati).
b. Model Just Identified
Just-Identified Model, dimana t = s/2; yaitu model dengan jumlah parameter yang
diestimasi sama dengan data yang diketahui.
c. Model Over Identified
Model ini terjadi jika solusi yang dihasilkan tidak tunggal atau berlebih, dimana
t ≤ s/2; yaitu model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah
data yang diketahui.
2.9.4 Model Estimasi
Menurut Ghozali (2008), teknik estimasi model persamaan struktural pada

awalnya dilakukan dengan Ordinary Least Square (OLS) regression, tetapi teknik ini
telah digantikan oleh Maximum Likelihood Estimation (ML) yang lebih efisien dan
unbiased jika asumsi normalitas multivariat dipenuhi. Teknik ML sekarang digunakan
oleh banyak program komputer. Namun demikian teknik ML sangat sensitif terhadap
non-normalitas data sehingga diciptakan teknik estimasi lain seperti Weighted Least
Squares (WLS), Generalized Least Squares (GLS) dan Asymptotically Distribution
Free (ADF). Teknik estimasi ADF saat ini banyak digunakan karena tidak sensitif

terhadap data yang tidak normal, hanya saja untuk menggunakan teknik estimasi ADF
diperlukan jumlah sampel yang besar.
2.9.5 Uji Kecocokan Model
Menurut Hair, dkk (1998), evaluasi terhadap tingkat kecocokan data dengan
model dilakukan melalui beberapa tahapan, yaitu :
a. Kecocokan keseluruhan model (Overall Model Fit).
Tahap pertama dari uji kecocokan ini ditunjukan untuk mengevaluasi secara
umum derajat kecocokan atau Goodness Of Fit (GOF) antara data dengan model.
Menilai kecocokan model secara menyeluruh (overall) dalam SEM tidak dapat
dilakukan secara langsung seperti pada teknik multivariat yang lain (multiple
regression, discriminant analysis, ANOVA, dan lain-lain). SEM tidak mempunyai satu
uji statistik terbaik yang dapat menjelaskan “kekuatan” prediksi model. Sebagai
gantinya, para peneliti telah mengembangkan beberapa ukuran GOF atau Goodness Of
Fit Indices (GOFI) yang dapat digunakan secara bersama-sama atau kombinasi.
b. Kecocokan Model Pengukuran (Measurement Model Fit).
Menurut Wijanto (2008), setelah kecocokan model dan data secara keseluruhan
adalah baik, langkah berikutnya adalah evaluasi atau uji kecocokan model pengukuran.
Evaluasi ini akan kita lakukan terhadap setiap konstruk atau model pengukuran
(hubungan antara sebuah variabel laten dengan beberapa variabel teramati/indikator)
secara terpisah melalui :
1) Evaluasi terhadap validitas (validity) dari model pengukuran.
2) Evaluasi terhadap reliabilitas (reliability) dari model pengukuran.
c. Kecocokan Model Struktural
Menurut Wijanto (2008), evaluasi atau analisis terhadap model struktural
mencakup pemeriksaan terhadap signifikansi koefisien-koefisien yang diestimasi.
Metode SEM dan software-nya tidak saja menyediakan nilai koefisien-koefisien yang
diestimasi tetapi juga nilai t-hitung untuk setiap koefisien. Dengan menspesifikasikan
tingkat signifikan (lazimnya  = 0,50), maka setiap koefisien yang mewakili hubungan
kausal yang dihipotesiskan dapat diuji signifikansinya secara statistik. Selain hal
tersebut, juga perlu dilakukan evaluasi terhadap solusi standar di mana semua koefisien

beta pada regresi berganda, yaitu nilai koefisien yang mendekati nol menandakan
pengaruh yang semakin kecil. Peningkatan nilai koefisien ini berhubungan dengan
peningkatan pentingnya variabel yang bersangkutan dalam hubungan kausal. Sebagai
ukuran menyeluruh terhadap persamaan struktural, overall coefficient of determination
(R2) dihitung seperti pada regresi berganda. Meskipun tidak ada uji signifikansi statistik
dapat dilakukan, paling tidak memberikan gambaran ukuran kecocokan relatif dari
setiap persamaan struktural.
2.9.6 Re-spesifikasi Model
Menurut Wijanto (2008), re-spesifikasi merupakan langkah berikutnya setelah uji

kecocokan dilaksanakan. Pelaksanaan respesifikasi sangat tergantung kepada strategi
pemodelan yang akan digunakan. Ada 3 strategi pemodelan yang dapat dipilih dalam
SEM, yaitu :
a. Strategi pemodelan konfirmatori atau confirmatory modeling strategy atau strictly
confirmatory/SC
Pada strategi pemodelan ini diformulasikan atau dispesifikasikan satu model
tunggal, kemudian dilakukan pengumpulan data empiris untuk diuji signifikansinya.
Pengujian ini akan menghasilkan suatu penerimaan atau penolakan terhadap model
tersebut. Strategi ini tidak memerlukan respesifikasi.
b. Strategi kompetisi model atau competing modeling strategy atau
alternative/competing models/AM
Pada strategi pemodelan ini beberapa model alternatif dispesifikasikan dan
berdasarkan analisis terhadap suatu kelompok data empiris dipilih salah satu model yang
paling sesuai. Pada strategi ini respesifikasi hanya diperlukan jika model-model
alternatif dikembangkan dari beberapa model yang ada.
c. Strategi pengembangan model atau model development strategy atau model
generating/MG
Pada strategi pemodelan ini suatu model awal dispesifikasikan dan data empiris
dikumpulkan. Jika model awal tidak cocok dengan data yang ada, maka model
dimodifikasi dan diuji kembali dengan data yang sama. Beberapa model dapat diuji
dalam proses ini dengan tujuan untuk mencari satu model yang selain cocok dengan data

secara baik, tetapi juga mempunyai sifat bahwa setiap parameternya dapat diartikan
dengan baik. Respesifikasi terhadap model dapat dilakukan berdasarkan theory-driven
atau data-driven, meskipun demikian respesifikasi berdasarkan theory-driven lebih
dianjurkan.
2.9.7 Analisis Hubungan Variabel
Menurut Hendra dan Suryani (2014), penganalisaan terhadap hubungan variabel

merupakan tahapan paling akhir pada penerapan SEM sebab pada tahap ini dilakukan
penganalisaan hubungan yang terjadi pada setiap variabel laten dengan variabel
amnifes/indicator pada pengujian.
2.10 Indeks Kesesuaian
Hasil dari analisis menggunakan IBM AMOS biasanya dinyatakan dalam bentuk
indeks kesesuaian, yang menunjukkan seberapa baik model persamaan struktural yang
dibuat cocok dengan data yang dikumpulkan. Indeks kesesuaian dapat digunakan untuk
mengevaluasi sejauh mana model tersebut dapat menjelaskan hubungan antar variabel
dalam data, dan seberapa kuat pengaruh masing-masing variabel terhadap variabel
target. Berikut merupakan penjelasan lebih lanjut mengenai indeks kesesuaian.
2.10.1. Probability
Nilai P merupakan nilai yang menunjukkan besarnya peluang salah menolak H0

dari data penelitian. Nilai p dapat diartikan pula sebagai nilai besarnya peluang hasil
penelitian (misalnya ada perbedaan mean atau proporsi) terjadi karena faktor kebetulan
(by chance). Harapan kita nilai p adalah sekecil mungkin, sebab nilai p–nya kecil maka
kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya
perbedaan di populasi. Dengan kata lain kalau nilai p-nya kecil maka perbedaan yang ada
pada penelitian terjadi bukankarena faktor kebetulan (by chance) (Jasaputra & Santosa,
2008).

2.10.2. RMSEA
Menurut Ghozali (2014), The Root Mean Square Error of Approximation atau
RMSEA digunakan untuk mengkompensasi nilai chi-square statistic dalam sampel
yang besar. RMSEA menunjukkan goodness of fit dari model yang diestimasi dalam
populasi. Model dapat diterima jika nilai RMSEA antara 0,05 dan 0,08.
2.10.3. Chi-Square
Menurut Yudi (2016), tes ini mengukur ada tidaknya perbedaan antara matriks
kovarians populasi dengan matriks kovarian sampel. H0 dalam pengujian ini
menyatakan bahwa matriks kovarians populasi sama dengan matriks kovarian sampel.
Model dikatakan baik jika H0 diterima yang artinya model yang diuji dikatakan baik
apabila nilai chi square nya rendah dan memiliki probabilitas dengan cut-off value
sebesar p > 0,05.
2.10.4. AGFI
Menurut Sarwono (2011), Nilai indeks keselarasan yang disesuaikan (Adjusted

Goodness of Fit Index) memiliki fungsi yang sama dengan GFI perbedaanya terletak
pada penyesuaian nilai df terhadap model yang dispesifikasi. Nilai AGFI sama dengan
atau lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai kesesuain
model kesuluruhan yang baik.
2.10.5. NCP
Menurut Nawangsari (2012), NCP merupakan bentuk spesifikasi ulang.

Penilaian didasarkan atas perbandingan dengan model lain. Nilai NCP yang semakin
kecil adalah semakin baik.
2.10.6. ECVI
Menurut Kasanah (2015), ECVI (Expected Cross Validation Index), untuk

perbandingan antar model. Semakin kecil semakin baik. Pada model tunggal, nilai ECVI
yang lebih dekat pada saturated ECVI disbanding pada ECVI for independence model,

termasuk good fit.
2.10.7. GFI (Goodness Fit Index)
Menurut Ghozali (2014), GFI (The Goodness of Fit Index) adalah ukuran non
statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect
fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah "better fit".
2.10.8. TLI
Menurut Nawangsari (2011), Tucker Lewis Index (TLI) adalah sebuah alternatif
incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah
baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah
model adalah penerimaan ≥ 0.95 dan nilai yang sangat mendekati 1 menunjukkan a very
good fit.
2.10.9. CFI
Menurut Ghozali dan Fuad (2008), CFI adalah indeks kesesuaian incremental.
“Indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh
kerumitan model.” Nilai penerimaan yang direkomendasikan adalah CFI > 0,90.
Rentang nilai CFI dari 0 sampai dengan 1. Model yang baik mempunyai nilai CFI ≥
0,95. Meskipun demikian nilai diatas 0,90 sudah bisa diterima.
2.10.10. NFI
Menurut Ghozali (2014), NFI (Normed Fit Index) yang berkisar dari 0 (tidak
fit) hingga 1 (fit sempurna). Batas nilai indeks yang biasa digunakan untuk model yang
fit adalah > 0.9.
2.10.11. IFI
Menurut Kasanah (2015), IFI (Incremental Fit Index), yang berkisar dari 0
(tidak fit) hingga 1 (fit sempurna). Batas nilai indeks yang biasa digunakan untuk model
yang fit adalah > 0.9 (Khasanah, 2015).

2.10.12. CN
Menurut Kasanah (2015), Critical N (CN), CN menunjukkan ukuran sampel

mencukupi digunakan untuk mengestimasi model, sehingga diperoleh kecocokan yang
baik.
2.10.13. Tabel Perbedaan Antar Indeks Kesesuaian
Berikut merupakan tabel perbedaan antar indeks kesesuaian.

Tabel 4 Perbedaan Antar Indeks Kesesuaian
Indeks kesesuaian Cut-off-value
Probability ≥0,05
RMSEA ≤0,08
Chi-square Diharapkan < 65,171
AGFI ≥0,90
TLI ≥0,95
CFI ≥0,95
GFI >0,9
NFI >0,9
IFI >0,9
CN Berdasarkan sampel
NCP Diharapkan kecil
ECVI Diharapkan kecil

(Sumber : Sarwano, 2011)
2.11 Uji Validitas dan Uji Reliabilitas
Menurut Haryono dan Wardoyo (2014), uji validitas dan uji reliabilitas adalah dua
konsep penting dalam penelitian yang menggunakan instrumen pengukuran. Berikut
merupakan pengertian lebih lanjut mengenai uji validitas dan reabilitas.

2.11.1. Uji Validitas
Menurut Haryono dan Wardoyo (2014), validitas adalah suatu ukuran yang
menunjukan tingkat-tingkat kevalidan suatu kuesioner. Suatu kuesioner yang kurang
valid berarti validitasnya rendah. Langkah dalam melalukan uji validitas yaitu sebagai
berikut :
H0 : Indikator pertanyaan merupakan indikator yang valid.
H1 : Indikator pertanyaan merupakan indikator yang tidak valid.
H0 ditolak apabila nilai rhitung < rtabel. Rumus r yang digunakan adalah yang
dikemukan oleh pearson, yang dikenal dengan rumus korelasi pearson yaitu sebagai
berikut :
Σ𝑋𝑌
𝑟xy = (Persamaan 2.1)
√[𝑁(Σ𝑋2 )−(Σ𝑋)2 ][𝑁(Σ𝑌2 )−(Σ𝑌)2 ]
Dimana,
𝑟xy = koefisien korelasi pearson
𝑁 = jumlah subjek uji coba
∑X = jumlah skor butir
∑Y = skor total
Selanjutnya angka korelasi yang diperoleh dibandingkan dengan angka kritik
tabel korelasi nilai rtabel. Apabila rhitung nilainya di atas angka taraf nyata 5% maka
peryataan tersebut valid, dan sebaliknya apabila rhitung nilainya di bawah angka taraf
nyata 5% maka pernyataan tersebut tidak valid. Apabila suatu kuesioner tidak valid
maka sebaiknya pertanyaan tersebut tidak digunakan, ini dalam asumsi hanya beberapa
pertanyaan dalam kuesioner yang tidak valid, misalkan satu atau dua dari sekian
pertanyaan. Jika kuesioner yang tidak valid sebanyak lebih dari 50% maka lebih baik di
review ulang pertanyaan-pertanyaan dalam kuesioner.
2.11.2. Uji Reliabilitas
Menurut Khasanah (2006), reliabilitas menunjuk pada pengertian bahwa suatu

kuesioner cukup dapat dipercaya untuk digunakan sebagai alat pengumpul data tersebut
sudah baik. Dalam pengujian untuk mencari reliabilitas instrumen yang skornya bukan
1 dan 0. Langkah dalam melalukan uji reliabilitas yaitu sebagai berikut :

H0 : Butir pertanyaan reliabilitas.

H1 : Butir pertanyaan tidak reliabilitas.
H0 ditolak jika nilai r < 0,6. Rumus untuk mencari nilai r atau reliabilitas yaitu
sebagai berikut :
k Σσ2
b
r=( ) (1 − ) (Persamaan 2.2)
k−1 σ2
t
Dimana,
r = Reliabilitas kuesioner
k = Banyaknya butir pertanyaan
Σσ2b = Jumlah varian butir15
σ2t = Varian total
Apabila nilai r ini dikonsultasikan dengan r pearson, dapat diketahui bahwa lebih
kecil dari rtabel yang ada. Dengan demikian dapat disimpulkan bahwa kuesioner tersebut
reliabel.
2.12 Software SEM
Menurut Ghozali (2008), Software SEM (Structural Equation Modeling) adalah

perangkat lunak yang digunakan untuk menganalisis data dengan metode persamaan
struktural. Metode ini memungkinkan peneliti untuk memodelkan hubungan antara
variabel-variabel yang diukur dalam suatu penelitian. Berikut merupakan penjelasan
lebih lanjut mengenai software SEM.
2.12.1 IBM AMOS
a. Definisi
Menurut Ghozali (2008), Analysis Of Moment Structure (AMOS) merupakan
program SEM berbasis covariances dikembangkan oleh L. James Arbucke 1994. Ketika
program AMOS diambil alih oleh IBM-SPSS, sekarang program Amos berkembang
pesat dan sekrarang mencapai versi 22.0. Program SEM-Amos sangat popular di
kalangan mahasiswa dan peneliti karena user friendly dan mempunyai tampilan
graphical communicadon interface mudah dimengerti dan mudah digunakan dibanding
dengan program sejenis seperti EQS, Lisrel atau Mplus. AMOS merupakan salah satu

program atau software yang digunakan untuk mengistemasi model pada model
persamaan SEM. AMOS mengimplementasikan pendekatan yang umum untuk analisa
data pada model persamaan struktural yang menjelaskan analisa struktur kovarians, atau
causal modeling. Pendekatan ini mencakup model linier yang umum dan analisis faktor
umum. Saat ini software AMOS merupakan software yang dapat diandalkan dalam
menyelesaikan permasalahan sosial karena kemampuannya dalam mengukur variabel
yang bersitat laten atau tidak dapat diukur secara langsung tetapi dapat diukur melalui
indikatornya.
b. Prosedur
Menurut Ghozali (2008), adapun prosedur dari software IBM AMOS yaitu
sebagai berikut.
1) Menyiapkan data. Data disimpan dalam format SPSS (.sav) supaya nanti
AMOS dapat menganalisis data tersebut. Tentunya dilakukan dengan
menghubungkan model yang dibuat. Langkahnya File > Data file & file name.
Pilih lokasi tempat menyimpan data. Klik Open > OK.
2) Memilih keluaran analisis. Klik View > Analysis properties > Output. Tandai
(centang) antara lain : minimation history, standardized estimate, squared
multiple correlation, test for normality and outlier, modification indices dan
lain sebagainya.
3) Gambar sesuai dengan model yang diinginkan.
4) Memberi nama setiap konstruk. Caranya klik kanan pada objek, pilih project
properties. Ketik nama pada variable name.
5) Pada konstruk laten selain diberinama juga pemberian bobot. Caranya klik
parameter kemudian tulis angka 1.
6) Mengambil data. Setelah model / gambar selesai, saatnya mengambil data.
Caranya klik View & Variable Data Set. kemudian muncul variable data set,
lakukan drag and drop sesuai dengan nama variabelnya.
7) Melakukan analysis. Klik Analyse & Calculate Estimate.
8) Menampilkan tabel ahasil analisis. Klik View & Text Output.

c. Penjelasan Icon
Adapun penjelasan dari beberapa icon di software IBM AMOS yaitu sebagai berikut :
Tabel 5 Penjelasan Icon
No Nama Icon Fungsi
1 Rectangle Icon : Menggambar observed variable
2 Oval Icon : Menggambar unobserved variable
3 Indicator Variable : Menggambar laten variabel dan indikatornya
4 Path Icon : Menggambar garis panah tunggal
5 Covarian Icon : Menggambar garis panah ganda
6 Error Icon : Menggambar variabel error
7 Title Icon : Menulis judul model
8 Variable List (I) Icon : Menampilkan variabel Digambar
9 Variable List (II) Icon : Menampilkan variabel di model
10 Single Selection Icon : Memilih satu gambar
11 Multiple Selection Icon : Memilih semua gambar
12 Multiple Deselection Icon : Deselect semua gambar
13 Duplicate Icon : Copy/duplikasi gambar
14 Move Icon : Memindah gambar
15 Erase Icon : Menghapus gambar
16 Shape Change Icon : Menggubah ukuran gambar
17 Rotate Icon : Menggubah indikator variabel
18 Reflect Icon : Merefleksikan gambar
19 Move Parameter Icon : Memindah nilai parameter
20 Scroll Icon : Menempatkan gambar ke bagian lain
21 Touch-Up Icon : Merapikan gambar
22 Data File Icon : Memilih data
23 Analyse Properties Icon : Properti analisis
24 Calculate Estimates Icon : Menganalisis
25 Clipboard Icon : Mengkopi gambar
26 Text Output Icon : Memilih data hasil analisis dalam bentuk teks
27 Save Diagram Icon : Menyimpan gambar/model
28 Object Properties Icon : Mendefinisikan properti variabel
29 Drag Properties Icon : Memindah properti objek
(Sumber : Ghozali, 2008)
2.12.2 Smart PLS
a. Definisi
Menurut Ghozali (2008), Aplikasi olah data Smart PLS adalah software komputer
yang digunakan untuk menganalisa data melalui pendekatan Variance Based SEM atau

biasa disebut dengan Partial Least Square atau lebih dikenali dengan PLS. Maka dari
itu untuk menggunakan perhitungan melalui pendekatan tersebut banyak yang
menggunakan aplikasi Smart PLS. Proses mengolah data dengan menggunakan aplikasi
ini yaitu menggunakan metode bootstrapping atau bisa juga dikenali dengan
penggandaan secara acak. Itulah sebabnya, uji normalitas dapat dengan mudah untuk
dihitung. Dengan demikian, tidak memerlukan syarat minimum sampel. Bahkan untuk
sampel kecil pun bisa menggunakan metode ini.
b. Prosedur
Menurut Ghozali (2008), adapun prosedur dari software Smart PLS yaitu sebagai
berikut.
1) Menyiapkan data dalam file Microsoft excel dengan format CSV (Comma
Delimited).
2) Membuka program (software) Smart PLS
3) Create New Project → Membuat new project
4) Analisis Statistik dengan Smart PLS
5) Import Data File → Meng-import data yang sudah disiapkan (poin 1)
6) Menggambar model penelitian yang terdiri dari beberapa variabel laten
7) Memasukkan data kuesioner (indikator) ke dalam variabel laten
8) Melakukan pengujian kualitas model pengukuran (PLS algoritm)
9) Melakukan pengujian hipotesis (bootstrapping)
2.12.3 LISREL
a. Definisi
Menurut Ghozali (2008), LISREL adalah merupakan salah satu program
komputer yang dapat mempermudah analisis untuk menyelesaikan masalah-masalah
yang tidak dapat diselesaikan oleh alat analisis konvensional. LISREL diperkenalkan
oleh Kark Joreskog pada tahun 1970 dan sejauh ini telah dikembangkan serta digunakan
dalam berbagai disiplin ilmu pengetahuan sosial. Dalam versi yang lebih maju,
penggunaan LISREL menjadi lebih interaktif, lebih mudah, banyak fitur statistik baru
yang terkait dengan penanganan missing data, imputation data, serta multilevel data
analisis. Terapannya pada persoalan ilmu sosial dan ilmu perilaku dapat kita temui secara

luas dan sangat berguna sebagai acuan pengambilan keputusan dalam kondisi yang
makin rumit.
b. Prosedur
Menurut Ghozali (2008), adapun prosedur dari software LISREL yaitu sebagai berikut.
1) Merumuskan Model Berbasis Teori
Teridentifikasi variabel laten endogen dan eksogen, argumentasi hubungan
kausal antar variabel laten, serta mengidentifikasi indikator atau variabel
manifest eksogen dan endogen.
2) Mengkontruksi Diagram Jalur
Tergambar dengan jelas setting atau adegan hubungan antar variabel laten
dan teridentifikasi jumlah parameter yang akan diestimasi.
3) Merumuskan Persamaan
Model pengukuran dan model struktural.
4) Menentukan Data Input Dan Metode Estimasi
Menentukan matrik korelasi atau matriks kovarians dan metode estimasi
maximum likelihood, dll.
5) Identifikasi Model
Model dapat menghasilkan estimasi yang bersifat unik (tunggal) atau tidak.
Syarat suatu model menghasilkan estimasi unik adalah model tersebut
bersifat just-identified atau over identified. Model dikatakan just-identified
apabila derajat bebas model tersebut nol (0) dan dikatakan over identified
apabila derajat bebas model lebih dari nol (> 0).
6) Uji Kesesuaian Model
Pendekatan dua tahap, secara individual digunakan uji T dan secara
keseluruhan digunakan kriteria Goodness of Fit (GOF).
7) Interpretasi Dan Modifikasi Model
Menjawab masalah penelitian dan memodifikasi model berdasarkan
justifikasi teoritis tertentu.

BAB III
METODOLOGI PRAKTIKUM
3.1 Objek dan Waktu Praktikum
a. Objek Praktikum
Objek yang digunakan pada praktikum kali ini adalah konsumen pada BCA di
seluruh Indonesia. Dari data yang dikumpulkan kemudian dirancang model serta
hubungan variabel laten.
b. Waktu Praktikum
Waktu pelaksanaan praktikum adalah pada tanggal
3.2 Metode Pengumpulan Data
Pada pengambilan data kali ini, kita menggunakan kuesioner dengan skala likert.
3.3 Alat dan Bahan
Alat dan bahan yang digunakan dalam praktikum ini antara lain:
a. Kuesioner
b. Laptop
c. Software SPSS
d. Software AMOS
3.4 Prosedur Praktikum

Mulai
Studi Literatur
Penentuan Fokus
Penelitian
Identifikasi dan
Perumusan Masalah
Penetapan Tujuan
Penelitian
Pengumpulan Data
Menyusun
Spesifikasi Model Analisis Faktor
Kuesioner
Survei Identifikasi Model Analisis Jalur
Rekapitulasi Model Estimasi Pembahasan
Penarikan
Tidak Uji Fit
Uji Validitas Kesimpulan dan
Kecocokan
& Reabilitas Model Saran
Ya Tidak Fit
Selesai
Respesifikasi Model
Gambar 17 Diagram Alir Penelitian

3.5 Kerangka Berpikir
Kerangka berfikir merupakan alur pemikiran peneliti sebagai dasar untuk

memperkuat fokus yang menjadi latar belakang dari penelitian ini. Kerangka berfikir
dalam penelitian kualitatif dibutuhkan agar penelitian lebih terarah. Adapun kerangka
penelitian pada penelitian ini dapat digambarkan sebagai berikut.
E-Costumer
Quality
Costumer
Loyality
Costumer
Satisfaction
Gambar 18 Kerangka Berpikir
3.6 Atribut Penyusun Kuesioner
Tabel 6 Atribut Penyusun Kuesioner

No Atribut Referensi
Menurut Raza, dkk, (2020) (dalam Zuliestiana, dkk, 2022) terdapat 6 dimensi E-Service Quality yang
mengacu pada teori servqual, yaitu :
Keandalan (reliability) adalah kemampuan dalam menyelesaikan layanan tanpa adanya kegagalan (error)
Mobile Banking BCA memiliki keandalan dalam aplikasi
E-SQ1 Zuliestiana, dkk, (2016)
sehingga jarang mengalami error
E-SQ2 Timeload pada Mobile Banking BCA jarang terjadi Zuliestiana, dkk, (2016)
Responsiveness atau daya tanggap adalah adalah mengukur kemampuan layanan untuk memberikan
informasi kepada pelanggan dengan tepat waktu secara online.
Mobile Banking BCA memiliki customer quality yang cepat
tanggap
Mobile Banking BCA mengirim pemberitahuan kepada user
ketika terjadi perbaikan
User Friendliness berkaitan dengan kemudahan pengguna untuk melakukan navigasi di dalam situs.
Mobile Banking BCA memberikan kemudahan saat melakukan
verifikasi OTP
Site organization adalah kemampuan untuk memberikan desain web yang tepat dan terperinci bagi
pengguna dalam mengakses situs web perusahaan.
Mobile Banking BCA memiliki tampilan user interface yang
modern
E-SQ7 Mobile Banking BCA memiliki visual aplikasi yang menarik Zuliestiana, dkk, (2016)

Lanjutan Tabel 6 Atribut Penyusun Kuesioner

No Atribut Referensi
Personal needs merupakan kemampuan dalam menyediakan layanan secara personal.
Mobile Banking BCA memberikan mutasi saldo yang jelas dan
lengkap tanpa riwayat hilang saldo
Mobile Banking BCA memberikan kemudahan kepada pengguna
dalam melihat riwayat transaksi
Efficiency adalah salah satu dimensi yang berkaitan dengan efisiensi situs web ketika pengguna
melakukan interaksi dan transaksi pada situs tersebut.
Mobile Banking BCA memberikan transaksi yang tidak pernah
terlambat dan cepat
Menurut Alma (2009) dalam imbari (2016) terdapat beberapa penyebab timbulnya rasa puas pelanggan
terhadap pelayanan yaitu :
Layanan selama proses penyampaian jasa memuaskan.
Saya merasa puas dengan saran layanan dari pihak Mobile
CS1 Winata (2016)
Banking BCA
Perilaku personil memuaskan.
Saya merasa puas dengan perilaku customer quality pada Mobile
CS2 Winata (2016)
Banking BCA
Biaya yang sesuai dan waktu yang efisien.
Saya merasa puas dengan biaya dan waktu yang efisien pada
CS3 Winata (2016)
Mobile Banking BCA
Menurut Tjiptono (2001) dalam aziz (2019) terdapat beberapa indikator yang digunakan untuk mengukur
loyalitas pelanggan yaitu :
Pembelian ulang.
Saya akan terus melakukan transaksi keuangan menggunakan
CL1 Winata (2016)
Mobile Banking BCA
Merekomendasikan merek kepada orang lain.
Saya merekomendasikan BCA kepada orang lain yang mencari
CL2 Winata (2016)
saran mengenai mobile banking
Tetap memilih merek tersebut.
Saya tetap memilih Mobile Banking BCA dibanding mobile
CL3 Winata (2016)
banking lainnya
3.7 Hipotesis Praktikum (Jurnal Internasional)
a. Hubungan Antara E-Service Quality Terhadap Costumer Loyality (H1)

Menurut Duffy dan Ketchand 1998: 78 dalam Pradana (2018) “kualitas pelayanan
meliputi penilian konsumen terhadap inti pelayanan tersebut, pemberi layanan atau
keseluruhan organisasi pelayanan”. Pada penelitian yang dilakukan oleh Woro (2013)
Kualitas layanan berpengaruh secara positif terhadap loyalitas konsumen melalui
kepuasan konsumen. Dengan demikian hipotesis yang diajukan dalam penelitian ini
adalah :
H1: E-Service Quality berpengaruh positif terhadap Costumer Loyality.

b. Hubungan Antara Costumer Satisfaction Terhadap Costumer Loyality (H2)

Kepuasan pelanggan dapat menjadi dasar menuju terwujudnya konsumen yang
loyal atau setia. Menurut Philip Kotler (1997) dalam Pradana (2018) menyatakan bahwa
kepuasan konsumen adalah tingkat perasaan seseorang setelah membandingkan kinerja
atau hasil yang dirasakan dibandingkan dengan harapan. Pada penelitian yang dilakukan
oleh Inggil (2013) kepuasan pelanggan berpengaruh positif terhadap loyalitas pelanggan
Dengan demikian hipotesis yang diajukan dalam penelitian ini adalah :
H2: Costumer Satisfaction berpengaruh positif terhadap Costumer Loyality.
c. Hubungan Antara E-Service Quality dan Costumer Satisfaction (H3)
Hollyoake (2009) dalam Pradana (2018) menjelaskan bahwa e-customer Quality
dan experience adalah tentang bagaimana perusahaan memahami ekspektasi pelanggan
akan experience pada setiap kontak pada semua tingkatan ketika hubungan bisnis
terbangun. Pada penelitian yang dilakukan oleh Hatane dan Diah (2013) yang dikutip
dalam Pradana (2018), kualitas pelayanan berpengaruh signifikan positif terhadap
kepuasan konsumen. Dengan demikian hipotesis yang diajukan dalam penelitian ini
adalah :
H3: E-Service Quality berpengaruh positif terhadap Costumer Satisfaction.

BAB IV
PENGOLAHAN DATA
4.1 Gambaran Umum Perusahaan
Menurut laporan tahunan PT Bank Central Asia Tbk (2022), PT Bank Central Asia
Tbk atau yang lebih dikenal sebagai Bank BCA. Bank BCA adalah bank umum terbesar
di Indonesia berdasarkan nilai pasar dan aset. Bank ini didirikan pada berdasarkan Akta
Pendirian Perusahaan No. 38 dengan Akta Notaris Raden Mas Soeprapto tanggal 10
Agustus 1955. Pendirian bank ini disetujui oleh Menteri Kehakiman dengan Surat
Keputusan No. J.A.5/89/19 yang berkantor pusat di Jakarta, Indonesia.
PT Bank Central Asia Tbk memiliki jumlah kantor cabang yang terdiri dari 11
kantor cabang utama, 69 kantor cabang pembantu dan 11 kantor kas jaringan. Cabang
tersebut tersebar di berbagai wilayah di Indonesia, seperti Bandung, Cirebon, Karawang,
Semarang, dan lain sebagainya. Selain itu, Bank BCA juga menyediakan layanan
perbankan melalui ATM (Anjungan Tunai Mandiri) dan layanan perbankan online untuk
memudahkan nasabah dalam melakukan transaksi perbankan. Bank BCA menawarkan
berbagai produk dan layanan perbankan seperti tabungan, deposito, pinjaman, kartu
kredit, investasi, asuransi, serta layanan perbankan syariah. Selain itu, Bank BCA juga
mengembangkan teknologi informasi untuk memudahkan nasabah dalam melakukan
transaksi perbankan.
4.2 Data Hasil Responden
Peneliti mengumpulkan data melalui kuesioner yang disebarkan kepada

nasabahnya untuk memperoleh informasi mengenai e-customer quality, customer
satisfaction, dan customer loyality. Berikut merupakan hasil data yang diperoleh.

Tabel 7 Data Hasil Responden

No. ESQ1 ESQ2 ESQ3 ESQ4 ESQ5 ESQ6 ESQ7 ESQ8 ESQ9 ESQ10 CS1 CS2 CS3 CL1 CL2 CL3 ∑
1 9 8 10 10 10 8 8 9 10 8 9 10 10 10 10 10 149
2 10 10 10 7 10 9 9 10 10 10 10 10 10 10 9 10 154
3 8 9 10 10 10 9 9 9 9 9 9 9 9 9 9 9 146
4 8 10 10 8 8 8 8 8 8 10 8 10 10 10 10 10 144
5 8 8 8 9 7 8 8 7 7 7 7 7 7 7 7 7 119
6 9 8 9 8 7 9 8 9 9 8 9 9 9 8 8 8 135
7 10 10 10 8 10 10 8 9 10 10 10 10 10 10 10 10 155
8 9 8 9 9 9 6 7 7 7 10 10 10 10 10 10 10 141
9 8 6 6 8 8 6 7 9 8 8 9 8 9 9 8 7 124
10 9 8 9 10 10 10 10 8 9 9 9 8 9 10 8 9 145
11 10 9 9 9 10 10 9 10 10 9 9 9 10 10 9 9 151
12 8 9 8 8 9 9 9 8 8 9 9 9 9 9 9 9 139
13 10 9 9 8 9 7 7 9 9 9 9 10 10 9 10 10 144
14 9 9 8 7 8 8 8 8 9 9 8 9 9 8 8 9 134
15 10 8 9 7 9 10 9 9 9 10 10 9 9 10 9 9 146
16 10 8 9 9 9 8 7 10 10 8 10 10 8 10 10 10 146
17 9 10 10 9 10 8 9 8 10 10 10 10 9 10 10 9 151
18 10 10 9 10 10 10 10 10 10 10 10 10 10 10 9 9 157
19 9 9 9 10 9 10 10 10 10 10 10 10 10 9 10 8 153
20 8 8 8 6 8 6 6 6 8 8 8 8 8 10 10 8 124
21 8 7 8 9 9 6 6 9 8 8 8 8 8 7 7 6 122
22 7 7 7 7 6 7 7 7 7 7 7 7 7 7 7 7 111
23 10 9 10 8 10 8 10 10 10 10 10 10 10 10 10 10 155
24 9 9 9 10 7 8 7 10 10 8 9 8 9 8 9 8 138
25 9 9 9 8 9 10 9 10 10 9 9 9 9 10 8 8 145
26 10 9 10 9 9 7 7 9 10 10 10 10 10 10 10 10 150
27 9 9 9 8 10 9 9 9 9 10 9 9 8 9 10 8 144
28 9 7 8 8 10 7 8 9 9 9 9 9 10 10 10 10 142
29 9 8 9 7 9 8 7 9 10 10 9 9 10 10 9 9 142
30 8 9 9 9 9 7 8 9 9 9 8 8 8 9 8 9 136
31 7 7 8 9 9 8 8 8 9 8 8 8 8 8 8 8 129
32 10 9 9 9 10 10 10 10 10 10 10 9 10 10 10 10 156
33 10 9 10 10 10 10 9 9 9 10 10 9 9 10 10 10 154
34 8 9 9 8 9 9 9 8 9 10 9 9 8 8 8 8 138
35 9 9 10 10 10 10 10 10 9 9 10 10 9 10 10 10 155
36 8 8 10 10 10 8 8 8 9 9 10 10 10 10 10 10 148
37 9 8 9 10 10 10 9 10 10 10 10 10 10 10 9 9 153
38 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 8 143
39 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
40 9 10 10 10 10 10 10 10 10 10 10 10 10 10 9 10 158
41 9 9 9 8 9 10 9 9 9 10 8 8 9 10 9 9 144
42 8 9 10 9 9 8 9 9 9 8 9 10 9 9 9 9 143
43 9 9 8 8 8 8 8 9 9 9 8 8 9 9 8 8 135
44 9 8 9 7 9 10 10 10 10 10 9 9 10 10 9 10 149
45 9 9 8 7 9 9 9 7 7 9 8 9 9 9 8 8 134
46 6 9 9 8 9 8 8 9 9 9 9 10 9 9 9 9 139
47 9 9 8 8 9 9 9 8 9 8 9 9 8 8 8 8 136

Lanjutan Tabel 7 Data Hasil Responden

48 10 10 10 10 10 7 7 10 10 10 10 10 10 10 10 10 154
49 8 9 8 7 9 8 8 9 9 9 9 8 8 8 9 9 135
50 10 9 9 10 9 9 8 9 9 9 9 8 7 8 8 8 139
51 10 10 10 8 10 9 9 10 10 10 10 10 10 10 10 10 156
52 6 6 6 7 7 7 7 7 7 10 10 10 10 10 10 10 130
53 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
54 10 9 10 8 10 9 9 9 9 10 9 9 9 10 10 10 150
55 9 10 9 9 10 9 7 7 9 8 9 9 10 10 9 9 143
56 10 9 8 8 8 9 8 10 9 10 10 8 9 9 8 8 141
57 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
58 8 8 9 9 9 8 7 7 7 9 8 9 9 9 8 8 132
59 10 9 10 10 10 9 9 10 9 10 10 10 10 10 10 10 156
60 9 9 10 10 10 7 7 9 9 9 9 9 9 9 7 7 139
61 9 9 10 10 10 9 10 10 10 9 10 10 9 10 10 10 155
62 10 10 10 10 10 9 10 9 10 10 10 10 10 10 10 10 158
63 10 10 10 9 10 9 9 9 10 10 10 10 10 10 10 10 156
64 8 7 9 9 10 10 10 10 10 9 10 10 9 10 10 10 151
65 10 10 10 10 10 9 9 10 8 10 10 10 10 10 10 10 156
66 6 8 6 6 8 6 6 6 7 9 7 6 8 8 7 7 111
67 9 7 9 8 9 10 10 7 10 10 9 8 10 10 8 10 144
68 9 8 10 10 10 9 9 10 10 9 10 10 9 8 10 8 149
69 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
70 7 7 9 9 10 9 10 10 10 10 10 9 10 10 10 9 149
71 9 9 7 8 10 8 7 9 9 9 8 8 7 9 9 8 134
72 7 7 9 9 9 9 9 9 9 8 8 8 8 9 9 9 136
73 8 9 9 9 9 8 9 8 9 10 10 9 9 9 9 9 143
74 9 10 10 10 8 7 7 10 10 10 9 9 9 10 10 10 148
75 9 9 8 9 10 9 9 9 9 8 9 8 8 8 9 8 139
76 10 9 8 9 9 9 7 10 10 9 10 9 9 10 9 10 147
77 9 7 8 7 8 8 7 8 9 9 8 8 7 8 8 8 127
78 10 10 10 9 10 9 9 10 10 10 10 10 10 10 10 10 157
79 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
80 10 9 9 9 10 10 10 9 10 10 10 8 10 10 10 10 154
81 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
82 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
83 8 9 8 8 9 9 9 9 9 8 9 8 8 8 8 8 135
84 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
85 10 10 9 10 10 9 9 8 10 10 10 9 10 8 8 10 150
86 9 9 9 9 9 8 8 8 7 9 9 9 8 8 8 7 134
87 9 9 9 9 9 9 9 8 9 9 9 9 8 8 8 9 140
88 10 10 9 7 10 10 10 10 10 10 10 9 8 8 9 10 150
89 9 9 9 9 9 9 9 10 10 10 10 10 10 10 10 10 153
90 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
91 10 9 10 10 10 10 10 9 10 10 10 10 10 10 10 10 158
92 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
93 8 9 9 9 9 9 8 9 8 8 9 8 9 8 9 8 137
94 9 10 10 9 10 10 9 9 8 9 9 9 9 10 10 10 150


95 8 8 8 8 10 10 10 10 10 10 9 9 9 10 10 10 149
96 8 8 8 8 8 9 8 8 8 8 8 8 8 8 8 7 128
97 9 8 10 9 9 8 9 9 9 8 9 9 9 9 9 8 141
98 10 9 10 9 10 9 10 10 9 10 10 10 10 10 9 10 155
99 9 9 9 9 9 8 9 9 9 9 9 10 10 10 9 10 147
100 10 10 10 10 10 9 8 10 10 10 10 10 10 10 9 9 155
101 9 8 8 9 10 8 8 8 8 10 8 8 10 10 10 10 142
102 10 9 10 9 10 10 10 9 9 9 9 9 9 9 9 10 150
103 10 10 10 9 10 9 10 10 9 10 10 10 10 10 10 10 157
104 9 9 10 9 10 9 10 10 10 10 10 10 10 10 10 10 156
105 10 9 10 9 10 10 10 10 10 9 9 10 10 10 10 10 156
106 9 9 8 10 8 9 10 8 10 9 10 8 8 9 10 9 144
107 9 8 9 9 9 8 8 9 10 9 8 8 10 9 9 7 139
108 10 10 10 10 8 8 7 7 8 8 9 9 7 6 7 9 133
109 7 9 8 6 8 9 8 7 9 9 10 9 7 6 7 8 127
110 6 8 7 6 6 9 10 7 6 8 9 8 10 9 8 9 126
111 7 7 6 7 7 7 10 9 7 7 7 7 6 7 6 8 115
112 8 10 6 7 7 7 8 8 7 9 8 9 9 10 10 10 133
113 7 7 9 7 8 10 10 7 6 6 6 7 7 6 8 10 121
114 6 10 9 8 10 8 6 6 9 8 7 9 9 10 10 8 133
115 6 7 6 9 8 9 10 7 8 8 7 10 8 9 9 10 131
116 7 7 10 10 8 9 10 6 7 7 9 8 8 8 6 8 128
117 8 7 10 8 9 9 9 8 8 10 10 9 9 8 9 9 140
118 8 10 9 9 10 10 10 9 8 9 9 10 10 10 10 10 151
119 9 9 8 9 9 9 9 9 8 10 10 9 9 9 9 8 143
120 9 10 9 9 9 9 9 9 8 10 9 10 9 9 10 9 147
121 9 9 10 8 10 9 9 10 10 10 10 8 8 7 9 9 145
122 9 8 9 8 9 9 9 9 9 8 9 10 10 10 10 9 145
123 6 10 6 8 10 10 10 10 10 8 10 10 10 10 10 10 148
124 9 9 10 8 9 9 9 9 8 9 10 10 9 8 8 8 142
125 10 10 10 10 10 6 7 10 10 10 10 10 10 10 10 10 153
126 7 6 6 8 9 9 8 10 9 8 10 9 10 9 9 8 135
127 9 9 10 8 9 9 10 10 9 9 10 10 9 10 9 9 149
128 8 8 9 9 9 9 9 9 8 9 9 8 7 10 9 9 139
129 10 10 10 10 10 10 10 10 9 10 10 9 9 9 10 10 156
130 9 9 9 10 9 9 10 10 10 10 10 9 10 10 10 9 153
131 9 9 10 10 10 10 8 10 10 10 10 7 10 8 9 10 150
132 9 10 10 9 10 10 10 10 10 10 10 10 10 10 10 10 158
133 10 10 10 9 10 10 9 10 10 9 10 9 10 9 10 10 155
134 10 9 10 9 10 10 10 9 9 10 10 9 10 10 9 9 153
135 10 10 9 10 10 10 10 9 9 10 9 10 10 9 9 9 153
136 9 10 10 10 9 10 9 9 9 9 9 9 10 9 9 9 149
137 10 10 9 7 8 6 6 8 9 9 10 9 9 10 9 10 139
138 10 9 9 9 9 7 6 7 9 8 10 6 9 9 9 9 135
139 10 9 9 9 9 9 9 10 10 9 9 10 9 10 10 9 150
140 9 10 10 8 9 10 9 9 9 9 9 9 9 10 10 9 148
141 9 10 10 10 9 6 6 10 9 9 9 10 9 9 10 9 144


142 9 9 10 9 10 8 8 9 8 9 9 9 9 9 10 9 144
143 8 9 9 10 10 10 10 10 10 9 9 9 10 9 9 9 150
144 10 9 9 9 10 9 10 10 10 10 9 9 10 10 10 9 153
145 10 10 10 9 9 9 10 10 9 10 10 9 9 9 9 9 151
146 9 10 10 9 9 10 9 9 9 9 10 10 10 9 10 10 152
147 9 9 10 10 9 9 9 9 10 10 10 10 10 10 10 9 153
148 9 10 10 9 9 10 10 10 9 9 9 9 10 10 10 10 153
149 10 8 9 9 9 10 10 9 9 10 10 10 10 9 9 9 150
150 10 9 9 10 9 10 10 9 10 10 9 9 10 9 10 9 152
151 10 9 9 8 9 10 10 10 9 10 10 10 9 10 9 9 151
152 9 9 9 9 9 9 8 9 10 9 10 9 10 10 8 9 146
153 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
154 9 8 9 9 10 9 8 10 9 8 8 8 8 8 8 7 136
155 6 7 8 10 10 8 7 7 7 9 8 7 7 9 9 9 128
156 9 7 9 8 10 7 7 7 8 8 8 8 10 6 6 6 124
157 9 8 10 8 8 9 9 8 9 9 9 9 9 9 8 10 141
158 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 144
159 9 10 10 8 10 6 7 7 7 10 10 10 9 10 10 9 142
160 10 10 9 8 10 10 10 10 10 10 10 9 10 10 10 10 156
161 9 9 9 9 9 10 9 9 9 9 9 9 9 9 9 9 145
162 9 9 9 10 9 9 9 9 9 9 9 9 9 9 9 9 145
163 9 9 9 10 9 9 9 9 9 10 9 9 10 10 9 9 148
164 9 9 9 10 9 9 10 9 10 9 10 9 10 10 7 9 148
165 9 10 9 9 9 9 9 9 9 10 9 9 10 10 9 10 149
166 9 10 8 9 9 9 8 9 9 10 10 10 10 10 9 9 148
167 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 160
168 8 9 9 8 10 9 8 10 10 9 8 10 10 9 8 9 144
169 9 9 9 9 9 9 9 10 10 10 9 9 10 10 10 10 151
170 10 10 10 10 10 9 10 9 9 9 9 9 10 10 10 9 153
171 9 10 9 10 9 10 9 10 9 10 8 9 9 9 9 10 149
172 10 9 9 10 9 9 10 10 10 10 10 9 10 9 10 10 154
173 10 10 9 10 10 9 9 9 10 9 10 10 9 9 10 10 153
174 10 10 9 9 10 9 9 10 10 10 10 9 9 9 9 9 151
175 9 9 10 9 9 10 10 10 9 8 10 9 9 10 9 9 149
176 10 9 10 9 9 9 10 9 9 9 10 9 10 10 9 9 150
177 10 9 10 10 9 9 10 10 10 9 9 9 9 9 9 9 150
178 9 9 10 10 10 10 10 9 10 10 9 10 10 9 10 10 155
179 10 9 10 9 10 10 9 10 9 9 10 10 10 9 10 10 154
180 8 9 8 9 9 9 10 10 9 10 9 10 10 10 9 9 148
181 9 10 9 9 10 9 10 9 8 10 10 10 9 10 9 9 150
182 10 9 10 9 9 9 10 10 9 9 9 9 9 10 9 10 150
183 10 9 9 9 10 9 9 8 8 9 8 9 9 8 9 9 142
184 10 10 8 9 9 9 8 9 9 9 9 10 10 9 9 9 146
185 9 10 10 9 10 9 9 10 9 9 10 10 9 9 10 10 152
186 10 9 9 9 10 9 10 8 10 10 10 10 10 10 8 9 151
187 9 10 9 9 9 9 10 10 10 10 10 10 9 9 9 8 150
188 10 9 9 9 9 10 9 9 8 10 10 9 10 9 10 9 149


189 9 9 9 9 8 9 9 9 9 9 9 10 10 9 10 9 146
190 10 9 10 10 10 10 10 10 10 10 10 10 10 10 10 10 159
191 9 9 10 10 10 9 9 9 10 10 9 9 10 10 10 10 153
192 8 10 9 9 9 8 8 9 10 9 9 9 10 10 9 9 145
193 9 9 10 10 9 10 10 9 9 9 8 10 9 9 9 9 148
194 10 9 9 9 10 9 10 10 10 9 9 10 9 10 10 10 153
195 9 9 10 9 10 10 10 10 10 9 10 10 9 10 10 10 155
196 10 9 10 9 9 10 10 9 10 9 9 10 10 10 9 10 153
197 9 9 8 9 9 9 9 10 10 10 8 10 9 10 10 9 148
198 9 9 9 10 10 9 9 8 8 10 10 9 8 10 10 8 146
199 9 9 10 10 9 9 9 10 9 10 8 10 9 9 10 8 148
200 9 8 10 10 9 10 9 10 10 9 10 9 9 10 10 10 152
(Sumber : Data Diolah Oleh Penulis, 2023)
4.3 Uji Statistik
Uji statistik adalah proses pengujian hipotesis pada data untuk menentukan
signifikansi perbedaan atau hubungan antar variabel. Uji ini dapat dilakukan secara
manual atau menggunakan software seperti SPSS. Terdapat tiga jenis uji statistik yang
akan digunakan pada percobaan ini yaitu uji validitas, dan reliabilitas.
4.3.1 Uji Validitas
Uji validitas dilakukan untuk mengevaluasi kevalidan dari data yang dihasilkan.
Salah satu metode yang umum digunakan dalam uji validitas adalah dengan menghitung
nilai r, yang mengindikasikan hubungan atau korelasi antara dua variabel atau lebih.
Jika hasil perhitungan menunjukkan nilai r yang tinggi, maka dapat disimpulkan bahwa
variabel tersebut valid atau memiliki hubungan yang signifikan dalam penelitian
tersebut begitupun sebaliknya.
a. Kriteria Pengujian
r hitung > r tabel (valid)
r hitung ≤ r tabel (tidak valid)
b. Tingkat Signifikansi
α = 0,05
c. Degree of Freedom
Df =n–k

= 200 – 2
= 198
d. Penentuan r Tabel
r tabel = (df , α)
= (198 , 0,05)
= 0,1388
e. Pengujian Statistika
Untuk mengevaluasi kevalidan hasil pengamatan data, dilakukan uji validitas
dengan salah satu metodenya yaitu penghitungan nilai r secara manual. Berikut
merupakan perhitungan manual uji validitas.
n(Σxy)−ΣxΣy
rhitung =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(263104)−(1799)(29104)
rhitung ESQ1 =
√[200(16385)−(1799)2 ][200(4254194)−(29104)2 ]
rhitung ESQ1 = 0,669

n(Σxy)−ΣxΣy
rhitung ESQ2 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(261425)−(1789)(29104)
rhitung ESQ1 =
√[200(16177)−(1789)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ3 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(266238)−(1821)(29104)
rhitung ESQ1 =
√[200(16767)−(1821)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ4 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(259933)−(1779)(29104)
rhitung ESQ1 =
√[200(16015)−(1779)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ5 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(270295)−(1850)(29104)
rhitung ESQ1 =
√[200(17248)−(1850)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ6 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]

200(259762)−(1777)(29104)
rhitung ESQ1 =
√[200(16007)−(1777)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ7 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(258951)−(1771)(29104)
rhitung ESQ1 =
√[200(15929)−(1771)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ8 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(264345)−(1807)(29104)
rhitung ESQ1 =
√[200(16531)−(1807)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ9 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(266549)−(1823)(29104)
rhitung ESQ1 =
√[200(16787)−(1823)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung ESQ10 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(270134)−(1849)(29104)
rhitung ESQ1 =
√[200(17223)−(1849)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CS1 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(270188)−(1849)(29104)
rhitung ESQ1 =
√[200(17231)−(1849)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CS2 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(267751)−(1832)(29104)
rhitung ESQ1 =
√[200(16928)−(1832)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CS3 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(269646)−(1845)(29104)
rhitung ESQ1 =
√[200(17173)−(1845)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CL1 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(271116)−(1855)(29104)
rhitung ESQ1 =
√[200(17373)−(1855)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CL2 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(267982)−(1833)(29104)
rhitung ESQ1 =
√[200(16969)−(1833)2 ][200(4254194)−(29104)2 ]

n(Σxy)−ΣxΣy
rhitung CL3 =
√[n(Σx2 )−(Σx2 )][n(Σy2 )−(Σy2 )]
200(266775)−(1825)(29104)
rhitung ESQ1 =
√[200(16817)−(1825)2 ][200(4254194)−(29104)2 ]

Jadi berdasarkan hasil perhitungan statistika manual, berikut merupakan hasil
perhitungan rhitung secara manual.
Tabel 8 Hasil Uji Validitas Menggunakan Rumus
No Variabel rhitung rtabel Keterangan
1 ESQ1 0,669 0,1388 Valid
2 ESQ2 0,599 0,1388 Valid
3 ESQ3 0,662 0,1388 Valid
4 ESQ4 0,553 0,1388 Valid
5 ESQ5 0,675 0,1388 Valid
6 ESQ6 0,576 0,1388 Valid
7 ESQ7 0,571 0,1388 Valid
8 ESQ8 0,705 0,1388 Valid
9 ESQ9 0,704 0,1388 Valid
10 ESQ10 0,682 0,1388 Valid
11 CS1 0,696 0,1388 Valid
12 CS2 0,694 0,1388 Valid
13 CS3 0,682 0,1388 Valid
14 CL1 0,659 0,1388 Valid
15 CL2 0,693 0,1388 Valid
16 CL3 0,681 0,1388 Valid
Dari hasil perhitungan uji validitas yang dilakukan, jika kita membandingkan nilai
rhitung dan rtabel maka diketahui bahwa rhitung > rtabel sehingga dinyatakan bahwa variabel
yang digunakan dalam pengujian adalah valid.

4.3.2 Uji Reliabilitas
Reliabilitas didasarkan pada beberapa pengukuran atau hasil pengukuran yang

konsisten atau alat ukur yang digunakan. Setiap variabel dalam suatu kuesioner
dilakukan uji reliabilitas, yang dapat dilakukan secara manual maupun dengan
menggunakan software SPSS.
a. Kriteria Pengujian
Tabel berikut menunjukkan nilai Cronbach's Alpha yang digunakan untuk
mengukur tingkat keandalan dari kuesioner yang telah dikumpulkan.
Tabel 9 Kriteria Pengujian Reliabilitas Cronbach's Alpha
Cronbach's Alpha Internal Consistency
0,00 – 0,20 Kurang Andal
> 0,20 – 0,40 Agak Andal
> 0,40 – 0,60 Cukup Andal
> 0,60 – 0,80 Andal
> 0,80 – 1,00 Sangat Andal
(Sumber : Putra dan Alfian, 2017)
b. Pengujian Statistika
Dalam rangka menentukan seberapa andal atau reliabilitas dari data yang telah
dikumpulkan, uji reliabilitas dilakukan secara terpisah untuk setiap variabel laten
dengan metode yang sama. Hal ini bertujuan untuk mengetahui sejauh mana suatu
variabel dapat diandalkan dalam konteks penelitian yang sedang dilakukan. Berikut
merupakan variabel variabel yang akan diuji.
1) Variabel E-SQ
a) Menentukan Nilai Varians Setiap Butir Pertanyaan
(Σx1 )2 (Σx2 )2 (Σx3 )2
σ12 = Σx1 2 − σ22 = Σx2 2 − σ23 = Σx3 2 −
n n n
n n n
(1799)2 (1789)2 (1821)2
σ12 = 16385 − σ22 = 16177 − σ23 = 16767 −
200 200 200
200 200 200
σ12 = 1,014 σ22 = 0,872 σ23 = 0,934
(Σx4 )2 (Σx5 )2 (Σx6 )2
σ24 = Σx4 2 − σ25 = Σx5 2 − σ26 = Σx6 2 −
n n n
n n n
(1779)2 (1850)2 (1777)2
σ24 = 16015 − 200 σ25 = 17248 − 200 σ26 = 16007 − 200
200 200 200
σ24 = 0,954 σ25 = 0,678 σ26 = 1,092

(Σx7 )2 (Σx8 )2 (Σx9 )2

σ27 = Σx7 2 − σ28 = Σx8 2 − σ29 = Σx9 2 −
n n n
n n n
(1771)2 (1807)2 (1823)2
σ27 = 15929 − 200 σ28 = 16531 − 200 σ29 = 16787 − 200
200 200 200
σ27 = 1,234 σ28 = 1,024 σ29 = 0,852
(Σx10 )2
2
σ10 = Σx10 2 −
n
n
(1849)2
2
σ10 = 17223 −
200
200
2
σ10 = 0,645
b) Menentukan Nilai Varians Total
(ΣX)2
ΣX 2 −
σ2𝑡 = n
n
(18065)2
1639985 −
σ2𝑡 = 200
200
σ2𝑡 = 41,319
c) Menentukan Reliabilitas Variabel E-SQ
10 Σσ2𝑏
r11 = ( ) (1 − 2 )
10 − 1 σ𝑡
10 9,299
r11 = ( ) (1 − )
10 − 1 41,319
r11 = 0,861
2) Variabel CS
(Σx1 )2 (Σx2 )2 (Σx3 )2
σ12 = Σx1 2 − σ22 = Σx2 2 − σ23 = Σx3 2 −
n n n
n n n
(1849)2 (1832)2 (1845)2
σ12 = 17231 − 200 σ22 = 16928 − 200 σ23 = 17173 − 200
200 200 200
σ12 = 0,685 σ22 = 0,734 σ23 = 0,764
(ΣX)2
ΣX 2 −
σ2𝑡 = n
n
(5526)2
153572 − 200
σ2𝑡 =
200
σ2𝑡 = 4,443
c) Menentukan Reliabilitas Variabel CS
3 Σσ2𝑏
r3 = ( ) (1 − 2 )
3−1 σ𝑡
3 2,184
r3 = ( ) (1 − )
3−1 4,443
r3 = 0,763
3) Variabel CL
(Σx1 )2 (Σx2 )2 (Σx3 )2
σ12 = Σx1 2 − σ22 = Σx2 2 − σ23 = Σx3 2 −
n n n
n n n
(1855)2 (1833)2 (1825)2
σ12 = 17373 − σ22 = 16969 − σ23 = 16817 −
200 200 200
200 200 200
σ12 = 0,839 σ22 = 0,848 σ23 = 0,819
(ΣX)2
ΣX 2 −n
σ2𝑡 =
n
(5513)2
153095 − 200
σ2𝑡 =
200
σ2𝑡 = 5,646
c) Menentukan Reliabilitas Variabel CL
3 Σσ2𝑏
r3 = ( ) (1 − 2 )
3−1 σ𝑡
3 2,507
r3 = ( ) (1 − )
3−1 5,646
r3 = 0,834
Berdasarkan hasil uji reliabilitas, variabel E-SQ, CS, dan CL menunjukkan tingkat
keandalan yang sangat andal, andal dan sangat andal, masing-masing dapat dilihat pada
tabel Cronbach's Alpha. Oleh karena itu, reliabilitas setiap variabel laten adalah sebagai
berikut :

Tabel 10 Hasil Uji Reliabilitas

No Variabel Laten Cronbach's Alpha Keterangan
1. E-Service Quality 0,861 Sangat Andal
2. Costumer Satisfaction 0,763 Andal
3. Costumer Loyality 0,834 Sangat Andal
4.4 Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan sebelum melakukan analisis regresi berganda

agar penaksiran parameter dan koefisien regresi tidak terjadi bias. Beberapa pengujian
yang harus dilakukan dalam uji asumsi klasik meliputi uji normalitas, uji
multikolinearitas, uji linearitas, dan uji heteroskedastisitas. Dalam penelitian ini, hasil
dari pengujian asumsi klasik dapat dijelaskan sebagai berikut.
4.4.1 Uji Normalitas
Dalam penelitian ini, normalitas data diuji dengan menggunakan uji Kolmogorov-
Smirnov (Kolmogorov-Smirnov Test) dan dianalisis dengan melihat signifikansi dari
residual yang terbentuk dan melalui pendekatan grafik normal probability plot. Untuk
mendeteksi normalitas, titik data pada sumbu diagonal grafik diperhatikan. Berikut
adalah hasil uji normalitas data dari residual yang dihasilkan :
Gambar 19 Uji Normalitas


Setelah melakukan uji normalitas dengan menggunakan software SPSS, apabila

data hasil kuesioner menunjukkan nilai sig ≥ 0,05, maka data tersebut terdistribusi
normal begitupun sebaliknya. Sehingga nilai sig yang dipoleh pada software SPSS
sebesar 0,212 yang menunjukkan bahwa data tersebut terdistribusi normal.
4.4.2 Uji Multikolinearitas
Uji ini bertujuan untuk mengevaluasi apakah ada korelasi linear antara dua atau
lebih variabel bebas. Jika terjadi korelasi, maka akan sulit untuk membedakan pengaruh
masing-masing variabel bebas terhadap variabel terikat. Untuk mendeteksi
kemungkinan adanya multikolinearitas dalam model penelitian, nilai toleransi
(tolerance value) atau nilai Variance Inflation Factor (VIF) dapat diperiksa. Batas
toleransi harus lebih besar dari 0,10 dan batas VIF harus kurang dari 10,00 untuk
menyimpulkan bahwa tidak ada multikolinearitas antara variabel bebas. Berikut
merupakan hasil dari pengujian multikolonieritas pada penelitian ini ditunjukkan seperti
pada tabel dibawah berikut ini.
Gambar 20 Uji Multikolinieritas

Berdasarkan pada gambar diatas, jika tolerance value diatas 0,10 atau VIF
dibawah 10,00, maka tidak terjadi multikolinearitas.
Tabel 11 Uji Multikolinearitas
Variabel Tolerance VIF Kriteria
E-Service Quality 0,530 1,885 Tidak Terjadi Multikolinearitas
Costumer Loyality 0,530 1,885 Tidak Terjadi Multikolinearitas

4.4.3 Uji Linearitas
Uji Linearitas digunakan untuk mengevaluasi bentuk hubungan antara variabel

bebas dan variabel terikat dalam penelitian ini. Tujuannya adalah untuk menentukan
apakah hubungan tersebut bersifat linear atau tidak.
Gambar 21 Uji Linearitas

Berdasarkan hasil uji linearitas yang dilakukan menggunakan software SPSS,

dapat disimpulkan bahwa data hasil kuesioner menunjukkan adanya hubungan linear
antara variabel bebas dan terikat. Variabel tersebut menunjukkan nilai signifikansi pada
deviation from linearity > dari 0,05, dengan nilai signifikansi uji sebesar 0,017.
Tabel 12 Uji Linearitas
Variabel Deviation From Linearity Kriteria
CL * ESQ 0,017 Terjadi Hubungan Linear
4.4.4 Uji Heterokedastisitas
Uji heteroskedastisitas digunakan untuk mengevaluasi apakah terjadi perbedaan

dalam variansi residual di antara pengamatan dalam model regresi. Model regresi yang
ideal adalah model yang tidak mengalami heteroskedastisitas, yaitu perbedaan dalam
variansi residual di antara pengamatan yang minimal. Jika variansi residual antar
pengamatan sama, maka disebut homoskedastis, namun jika variansinya berbeda-beda,
maka disebut heteroskedastis (Ghozali, 2013).
Untuk menguji heteroskedastisitas, digunakan uji Glejser yang mengambil dasar
keputusan dari nilai signifikansi. Jika nilai signifikansi ≥ 0,05, maka dapat disimpulkan
tidak terjadi heteroskedastisitas, namun jika nilai signifikansi < 0,05, maka dapat
disimpulkan terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dalam penelitian
ini adalah sebagai berikut.

Gambar 22 Uji Heteroskedastisitas

Berdasarkan pada gambar diatas, jika nilai sig > 0,05, maka tidak terjadi
heteroskedastisitas. Sebaliknya, jika nilai sig < 0,05, maka terjadi heteroskedastisitas.
Tabel 13 Uji Heteroskedastisitas
Variabel SIG Kriteria
E-Service Quality <0,001 Terjadi Heteroskedastisitas
Costumer Loyality 0,526 Tidak Terjadi Heteroskedastisitas
4.5 SEM
Menurut Latan, SEM (Structural Equation Modeling) adalah teknik analisis

multivariat generasi kedua yang menggabungkan analisis faktor dan jalur sehingga
memungkinkan peneliti menguji dan mengestimasi secara simultan hubungan antara
multiple exogeneous dan endogeneous dengan banyak indikator. Berikut merupakan
langkah-langkah dalam membuat model.
4.5.1 Spesifikasi Model
a. Spesifikasi Model Pengukuran

Tabel 14 Spesifikasi Model
Variabel Simbol
Costumer Loyality η1
Laten Endogen
Costumer Satisfaction η2
Laten Eksogen E-Service Quality 𝜉1
E-SQ1, E-SQ2, E-SQ3, E-
Indikator untuk variabel laten eksogen E-
SQ4, E-SQ5, E-SQ6, E-SQ7,
Service Quality
E-SQ8, E-SQ9, E-SQ10
Manifest Indikator untuk variabel laten endogen
CS1, CS2, CS3
Costumer Satisfaction
Indikator untuk variabel laten endogen
CL1, CL2, CL3
Costumer Loyality
δ1 , δ2 , δ3 , δ4 , δ5 ,
Pengukuran error pada variabel manifest X
δ6 , δ7 , δ8 , δ9 , δ10

Lanjutan Tabel 14 Spesifikasi Model

Variabel Simbol
Pengukuran error pada variabel manifest Y ε1 , ε2 , ε3 , ε4 , ε5 , ε6
Koefisien matriks regresi variabel manifest X dengan variabel λx1 , λx2 , λx3 , λx4 , λx5 ,
laten eksogen (E-SQ) λx6 , λx7 , λx8 , λx9 , λx10
Koefisien matriks regresi variabel manifest Y dengan variabel λ𝑦11 , λ𝑦12 , λ𝑦13
laten endogen (CS dan CL) λx21 , λx22 , λx23
Koefisien matriks regresi variabel laten eksogen (E-SQ) dan
γCS dan γCL
variabel laten endogen (CS dan CL)
Koefisien matriks regresi variabel laten endogen (CS) dan
βLK
variabel laten endogen (CL)
Model pengukuran yang telah diberikan dapat diekspresikan dalam bentuk

persamaan sebagai berikut:
E-SQ1 = λx1 * E-Service Quality + δ1
CS1 = λy11 * Costumer Satisfaction + ε1
CL1 = λy21 * Costumer Loyality + ε4
b. Spesifikasi Model Struktural
1) Costumer Loyality (CL) dipengaruhi oleh E-Service Quality (E-SQ) dan
Costumer Satisfaction (CS).
2) γE−SQ dan γCS merupakan koefisien matriks regresi variabel laten eksogenus
dengan variabel laten endogenus.

3) ζCL merupakan vektor persamaan error/galat (random disturbance) hubungan

struktural antara variabel laten endogenus dengan variabel eksogenus.
4) Berdasarkan spesifikasi model di atas, maka dapat dibentuk persamaan
sebagai berikut :
CS = (γCS ∗ E − SQ) + ζCS
CL = (γCL ∗ E − SQ) + (βCS ∗ CS) + ζCL
CL = (γCL ∗ E − SQ) + (βCS ∗ γCS ∗ E − SQ) + ζCL
Gambar 23 Spesifikasi Model Persamaan Struktural

4.5.2 Identifikasi Model
Pada tahapan ini, dilakukan identifikasi model untuk menentukan apakah model
tersebut bisa dilakukan analisis lebih lanjut atau tidak. Hasil identifikasi model akan
menunjukkan apakah model tersebut termasuk under-identified, just-identified, atau
over-identified.
Df = Σ data yang diketahui - Σ parameter estimasi

n(n+1)
= Σ( ) − 35
2
16(16+1)
= Σ( ) − 35
2
= 136 – 35
= 101
Dari hasil perhitungan yang telah dilakukan, ditemukan bahwa nilai df pada model
ini > 0, sehingga dapat disimpulkan bahwa model tersebut termasuk ke dalam kategori
Over-Identified.
4.5.3 Model Estimasi
Setelah melakukan calculate estimate menggunakan software AMOS, maka

diperoleh hasil estimasi pada model struktural sebagai berikut.
Gambar 24 Model Persamaan Struktural dengan Nilai

Estimasi

a. Normalitas
Dalam penelitian ini, normalitas data diuji dengan menggunakan software AMOS
dan dianalisis dengan melihat assessment of nomality. Berikut merupakan normalitas
pada data hasil kuesioner yang diolah menggunakan software AMOS.
Tabel 15 Uji Normalitas
Variable min max skew c.r. kurtosis c.r.
CL1 6,000 10,000 -1,389 -8,020 1,888 5,449
CL2 6,000 10,000 -1,101 -6,355 0,983 2,838
CL3 6,000 10,000 -0,936 -5,404 0,523 1,509
CS3 6,000 10,000 -1,081 -6,241 0,749 2,162
CS2 6,000 10,000 -0,980 -5,657 0,933 2,693
CS1 6,000 10,000 -1,011 -5,837 0,786 2,269
ECQ1 6,000 10,000 -1,193 -6,887 1,281 3,699
ECQ2 6,000 10,000 -0,922 -5,325 0,596 1,720
ECQ3 6,000 10,000 -1,374 -7,934 2,118 6,113
ECQ4 6,000 10,000 -0,787 -4,544 0,224 0,646
ECQ5 6,000 10,000 -1,244 -7,183 1,914 5,527
ECQ6 6,000 10,000 -1,058 -6,108 0,761 2,197
ECQ7 6,000 10,000 -0,806 -4,655 -0,177 -0,512
ECQ8 6,000 10,000 -1,026 -5,922 0,460 1,327
ECQ9 6,000 10,000 -1,031 -5,952 0,680 1,963
ECQ10 6,000 10,000 -0,934 -5,392 0,710 2,049
Multivariate 105,300 31,024
Berdasarkan hasil pengujian normalitas menggunakan software AMOS, dapat

disarikan bahwa data yang diambil dari kuesioner tidak menunjukkan distribusi
multivariat yang normal. Temuan ini didasarkan pada nilai c.r. yang tercatat sebesar
31,024, melebihi angka ambang 2,58.
b. Uji CFA / Validitas
Uji CFA (Confirmatory Factor Analysis) adalah salah satu metode statistik yang
digunakan untuk menguji validitas konstruk pada sebuah instrumen pengukuran. Uji
CFA dapat dilakukan dengan menggunakan berbagai software statistik, salah satunya
adalah AMOS. Dalam uji CFA menggunakan AMOS, pengguna dapat memasukkan
model konstruk yang telah dirumuskan sebelumnya dan mengevaluasi sejauh mana
model tersebut sesuai dengan data yang diperoleh dari sampel yang diuji. Berikut
merupakan validitas dari uji CFA data hasil kuesioner yang diolah menggunakan
Regression Weights pada software AMOS.

Tabel 16 Uji Validitas

Estimate S.E. C.R. P Label
ESQ10 <--- ESQ 1,000
ESQ9 <--- ESQ 1,268 0,149 8,499 *** par_1
ESQ8 <--- ESQ 1,365 0,164 8,331 *** par_2
ESQ7 <--- ESQ 1,056 0,171 6,173 *** par_3
ESQ6 <--- ESQ 1,045 0,163 6,425 *** par_4
ESQ5 <--- ESQ 1,059 0,130 8,146 *** par_5
ESQ4 <--- ESQ 1,002 0,152 6,584 *** par_6
ESQ3 <--- ESQ 1,209 0,154 7,833 *** par_7
ESQ2 <--- ESQ 1,032 0,143 7,205 *** par_8
ESQ1 <--- ESQ 1,324 0,160 8,295 *** par_9
CS1 <--- CS 1,000
CS2 <--- CS 1,098 0,120 9,186 *** par_10
CS3 <--- CS 1,111 0,123 9,046 *** par_11
CL3 <--- CL 1,000
CL2 <--- CL 1,104 0,097 11,362 *** par_12
CL1 <--- CL 1,058 0,099 10,688 *** par_13
Berdasarkan hasil pengujian CFA menggunakan software AMOS, uji validitas

dengan uji CFA atau uji validitas konstruk (indikator) mengatakan jika Critical Ratio
(C.R.) > 1,96 dengan Probability (P) < 0,05 (tanda *** adalah tanda signifikan < 0,001),
maka uji CFA menunjukan data yang sesuai. Sehingga dapat disimpulkan bahwa pada
tabel diatas menunjukan bahwa data dan uji konstruk memenuhi uji CFA atau
validitasnya.
c. Uji Reliabilitas Model
Reliabilitas model mengacu pada kemampuan model untuk memberikan hasil
yang konsisten. Dalam konteks analisis statistik dan model prediksi, reliabilitas model
didefinisikan sebagai tingkat keakuratan dan konsistensi prediksi model dalam
menghasilkan output yang sama atau serupa ketika diberikan input yang sama atau
serupa. Berikut merupakan reliabilitas data hasil kuesioner yang diolah menggunakan
Standardizerd Regression Weights dan Variances pada software AMOS.
Tabel 17 Uji Reliabilitas
Variabel Indikator Correlation e
ESQ10 0,650 0,373
ESQ9 0,716 0,415
ESQ8 0,704 0,517
ESQ ESQ7 0,496 0,931
ESQ6 0,522 0,795
ESQ5 0,671 0,373
ESQ4 0,535 0,681

Lanjutan Tabel 17 Uji Reliabilitas

Variabel Indikator Correlation e
ESQ3 0,653 0,536
ESQ ESQ2 0,576 0,582
ESQ1 0,685 0,538
CS1 0,694 0,355
CS CS2 0,736 0,336
CS3 0,730 0,357
CL3 0,759 0,347
CL CL2 0,824 0,272
CL1 0,794 0,310
1) Costumer Satisfaction
Untuk mengevaluasi reliabilitas pada Costumer Satisfaction, perlu dilakukan
pengukuran Construct Reliability (C.R.). Dalam hal ini, nilai C.R. yang sama
dengan atau lebih besar dari 0,70 menunjukkan reliabilitas yang baik untuk
suatu variabel atau konstruk. Berikut ini adalah tabel hasil pengujian
reliabilitas menggunakan Microsoft Excel.
Tabel 18 Construct Reliability pada Costumer Satisfaction
Variabel Indikator Corelation e C.R.
CS1 0,694 0,355
CS CS2 0,736 0,336 0,817
CS3 0,730 0,357
Berdasarkan tabel diatas diperoleh C.R. sebesar 0,817. Sehingga dapat

disimpulkan bahwa uji construct reliability pada costumer satisfaction sudah
memenuhi dan dapat digunakan untuk uji selanjutnya.
2) Costumer Loyality
Untuk mengevaluasi reliabilitas pada Costumer Loyality, perlu dilakukan
Tabel 19 Construct Reliability pada Costumer Loyality
CL3 0,759 0,347
CL CL2 0,824 0,272 0,859
CL1 0,794 0,310


disimpulkan bahwa uji construct reliability pada costumer loyality sudah
3) E-Service Quality
Untuk mengevaluasi reliabilitas pada Costumer Loyality, perlu dilakukan
Tabel 20 Construct Reliability pada Costumer Loyality
ESQ10 0,650 0,373
ESQ9 0,716 0,415
ESQ8 0,704 0,517
ESQ7 0,496 0,931
ESQ6 0,522 0,795
ESQ 0,870
ESQ5 0,671 0,373
ESQ4 0,535 0,681
ESQ3 0,653 0,536
ESQ2 0,576 0,582
ESQ1 0,685 0,538

disimpulkan bahwa uji construct reliability pada e-service quality sudah
4.5.4 Uji Kecocokan Model
Tahapan berikutnya adalah melakukan uji kecocokan model untuk menguji

hubungan kausal antar variabel laten. Hasil pengujian Structural Equation Modelling
(SEM) dapat dilihat pada hasil tabel berikut.
Tabel 21 Tabel GOF Hasil Pengujian Model Struktural
GOF Cutt of Value Hasil Analisis Evaluasi Model
Chi-square < 65,171 357,058 Tidak Fit
Probability ≥ 0,05 0,000 Tidak Fit
AGFI ≥ 0,90 0,772 Tidak Fit
TLI ≥ 0,95 0,797 Tidak Fit
GFI ≥ 0,90 0,830 Tidak Fit
CFI ≥ 0,09 0,829 Tidak Fit
RMSEA ≤ 0,08 0,113 Tidak Fit

Berdasarkan tabel yang diberikan, dapat disimpulkan bahwa evaluasi model

persamaan struktural menunjukkan hasil yang tidak cocok. Oleh karena itu, perlu
dilakukan re-spesifikasi pada model tersebut.
4.5.5 Re-Spesifikasi Model
Dalam penelitian ini, dilakukan analisis data dengan menggunakan teknik

Structural Equation Modeling (SEM) untuk menguji hubungan kausal antar variabel
laten. Langkah awal dalam analisis data ini adalah identifikasi model untuk menentukan
apakah analisis dapat dilakukan lebih lanjut atau tidak. Setelah itu, dilakukan
perhitungan dan evaluasi model untuk memastikan kecocokannya dengan data. Jika
model tidak cocok, maka perlu dilakukan re-spesifikasi model berdasarkan hasil
evaluasi, seperti dengan menggunakan modification indices.
Gambar 25 Model Persamaan Struktural Dengan Nilai

Estimasi Setelah Re-Spesifikasi

Berikut adalah ringkasan uji kecocokan model Structural Equation Modelling

(SEM) yang telah dilakukan, seperti yang tertera dalam tabel di bawah ini.
Tabel 22 Tabel GOF Hasil Pengujian Model Struktural
GOF Cutt of Value Hasil Analisis Evaluasi Model
Chi-square < 65,171 63,195 Fit
Probability ≥ 0,05 0,833 Fit
AGFI ≥ 0,90 0,933 Fit
TLI ≥ 0,95 1,013 Fit
GFI ≥ 0,90 0,963 Fit
CFI ≥ 0,09 0,963 Fit
RMSEA ≤ 0,08 0,000 Fit
Berdasarkan tabel evaluasi model persamaan struktural, dapat disimpulkan bahwa

mayoritas dari hasilnya sudah cocok dan sesuai.
4.5.6 Analisis Hubungan Variabel
Dari ilustrasi di atas, kita dapat melakukan analisis path dengan menggunakan
loading factor yang telah diestimasi.
a. Uji Hipotesis
Tabel 23 Uji Hipotesis
Estimate S.E. C.R. P Label
CS <--- ESQ 1,015 0,117 8,687 *** par_14
CL <--- ESQ 0,127 0,172 0,739 0,460 par_15
CL <--- CS 0,140 0,166 4,564 *** par_16
ESQ10 <--- ESQ 1,000
ESQ9 <--- ESQ 1,267 0,164 7,734 *** par_1
ESQ8 <--- ESQ 1,370 0,184 7,435 *** par_2
ESQ7 <--- ESQ 0,992 0,172 5,754 *** par_3
ESQ6 <--- ESQ 0,954 0,164 5,821 *** par_4
ESQ5 <--- ESQ 1,081 0,137 7,864 *** par_5
ESQ4 <--- ESQ 0,986 0,166 5,932 *** par_6
ESQ3 <--- ESQ 1,325 0,184 7,210 *** par_7
ESQ2 <--- ESQ 1,009 0,144 7,004 *** par_8
ESQ1 <--- ESQ 1,283 0,165 7,770 *** par_9
CS1 <--- CS 1,000
CS2 <--- CS 0,939 0,106 8,847 *** par_10
CS3 <--- CS 0,932 0,110 8,503 *** par_11
CL3 <--- CL 1,000
CL2 <--- CL 1,125 0,098 11,520 *** par_12
CL1 <--- CL 1,034 0,097 10,678 *** par_13
Berikut adalah persamaan yang dihasilkan berdasarkan Regression Weights dalam

tabel :

0,760 * E-Service Quality + 0,127 * Costumer

Costumer Loyality =
Satisfaction + 1,015
1) Pengujian Hipotesis Korelasi E-Service Quality Terhadap Costumer Loyality
H1 Diterima
E-Service Quality berpengaruh positif terhadap Costumer Loyality secara
signifikan.
2) Pengujian Hipotesis Korelasi Costumer Satisfaction Terhadap Costumer
Loyality
H1 Diterima
Costumer Satisfaction berpengaruh positif terhadap Costumer Loyality secara
signifikan.
3) Pengujian Hipotesis Korelasi E-Service Quality Terhadap Costumer
Satisfaction
H1 Diterima
E-Service Quality berpengaruh positif terhadap E-Service Quality secara
signifikan.
b. Perhitungan Hubungan Langsung, Tidak Langsung dan Total
1) Pengaruh Langsung
Tabel 24 Pengaruh Langsung
ESQ CS CL
CS 1,015 0,000 0,000
CL 0,127 0,760 0,000
CL1 0,000 0,000 1,034
CL2 0,000 0,000 1,125
CL3 0,000 0,000 1,000
CS3 0,000 0,932 0,000
CS2 0,000 0,939 0,000
CS1 0,000 1,000 0,000
ESQ1 1,283 0,000 0,000
ESQ2 1,009 0,000 0,000
ESQ3 1,325 0,000 0,000
ESQ4 0,986 0,000 0,000
ESQ5 1,081 0,000 0,000
ESQ6 0,954 0,000 0,000
ESQ7 0,992 0,000 0,000
ESQ8 1,370 0,000 0,000
ESQ9 1,267 0,000 0,000
ESQ10 1,000 0,000 0,000

Berdasarkan data pada tabel diatas maka pengaruh E-Service Quality dan
Costumer Loyality terjadi secara langsung. Lalu Costumer Satisfaction juga
mempengaruhi Costumer Loyality secara langsung. Selain itu, maka semua
variabel konstruk ESQ, CS dan CL masing-masing berpengaruh secara
langsung.
2) Pengaruh Tidak Langsung
Tabel 25 Pengaruh Tidak Langsung
ESQ CS CL
CS 0,000 0,000 0,000
CL 0,771 0,000 0,000
CL1 0,929 0,785 0,000
CL2 1,011 0,855 0,000
CL3 0,899 0,760 0,000
CS3 0,946 0,000 0,000
CS2 0,953 0,000 0,000
CS1 1,015 0,000 0,000
ESQ1 0,000 0,000 0,000
ESQ2 0,000 0,000 0,000
ESQ3 0,000 0,000 0,000
ESQ4 0,000 0,000 0,000
ESQ5 0,000 0,000 0,000
ESQ6 0,000 0,000 0,000
ESQ7 0,000 0,000 0,000
ESQ8 0,000 0,000 0,000
ESQ9 0,000 0,000 0,000
ESQ10 0,000 0,000 0,000
Berdasarkan data pada tabel diatas maka pengaruh tidak langsung yang
terdapat, yaitu E-Service Quality juga secara tidak langsung mempengaruhi
Costumer Loyality melalui Costumer Satisfaction. Lalu E-Service Quality
juga berpengaruh secara tidak langsung terhadap semua variabel konstruk
ESQ dan CS. Costumer Satisfaction berpengaruh secara tidak langsung
terhadap semua variabel konstruk CL.

3) Pengaruh Total
Tabel 26 Pengaruh Total
ESQ CS CL
CS 1,015 0,000 0,000
CL 0,899 0,760 0,000
CL1 0,929 0,785 1,034
CL2 1,011 0,855 1,125
CL3 0,899 0,760 1,000
CS3 0,946 0,932 0,000
CS2 0,953 0,939 0,000
CS1 1,015 1,000 0,000
ESQ1 1,283 0,000 0,000
ESQ2 1,009 0,000 0,000
ESQ3 1,325 0,000 0,000
ESQ4 0,986 0,000 0,000
ESQ5 1,081 0,000 0,000
ESQ6 0,954 0,000 0,000
ESQ7 0,992 0,000 0,000
ESQ8 1,370 0,000 0,000
ESQ9 1,267 0,000 0,000
ESQ10 1,000 0,000 0,000
Berdasarkan data pada tabel diatas maka pengaruh total yang terdapat, yaitu
E-Service Quality mempengaruhi Costumer Loyality dan Costumer
Satisfaction. Lalu E-Service Quality juga berpengaruh secara tidak langsung
terhadap semua variabel konstruk ESQ, CS, dan CL. Costumer Satisfaction
berpengaruh terhadap semua variabel konstruk CL.

BAB V
PEMBAHASAN
5.1 Pembahasan
Penelitian pada Modul Structural Equation Modeling berfokus pada nasabah

Bank BCA sebagai subjek penelitian. Bank BCA adalah bank komersial terbesar di
Indonesia berdasarkan nilai pasar dan aset dan didirikan pada tanggal 10 Agustus 1955
berdasarkan Nota Pendirian nomor 38 dengan akta Notaris Raden Mas Soeprapto. Bank
ini memiliki 11 kantor pusat, 69 cabang, dan 11 teller online di berbagai wilayah
Indonesia. Alat dan bahan yang digunakan dalam penelitian ini meliputi kuesioner,
laptop, software SPSS dan AMOS. Ada tiga variabel dalam penelitian ini, yaitu e-
service quality, costumer satisfaction, dan costumer loyality. Setiap variabel memiliki
indikator pengukurannya masing-masing. Variabel e-service quality meliputi 10
indikator pengukuran yang dibagi menjadi 6 dimensi kualitas yaitu reliability,
responsiveness, user friendliness, site organization, personal needs dan efficiency. Ada
tiga hipotesis penelitian ini yaitu : H1 menyatakan bahwa e-service quality berpengaruh
positif terhadap costumer loyality, H2 menyatakan costumer satisfaction berpengaruh
positif terhadap costumer loyality, dan H3 menyatakan e-service quality berpengaruh
positif terhadap costumer satisfaction.
Setelah 200 data terkumpul, dilakukan pengolahan data statistik menggunakan
software dengan data kuesioner yang dibagikan kepada responden. Terdapat tiga
pengujian yang dilakukan yaitu uji normalitas, uji validitas dan uji reliabilitas. Uji
normalitas memastikan bahwa data yang diperoleh berdistribusi normal. Dari hasil uji
normalitas yang dilakukan dengan software SPSS disimpulkan bahwa asymp. sig (2-
tailed) 0,212 menunjukkan bahwa data berdistribusi normal karena nilainya lebih besar
dari 0,05. Uji validitas digunakan untuk mengetahui seberapa baik instrumen penelitian
dapat melaksanakan tugasnya. Data dianggap valid jika nilai rhitung lebih besar dari nilai
rtabel, dimana rtabel sebesar 0,1388. Hasil perhitungan statistik menunjukkan bahwa nilai
rhitung indikator E-SQ1 sampai CL3 adalah 0,669, 0,599, 0,662, 0,553, 0,675, 0,576,
0,571, 0,705, 0,704, 0,682, 0,696, 0,694, 0,682, 0,659, 0,693, dan 0,681. Dari hasil

tersebut dapat disimpulkan bahwa informasi yang diperoleh adalah data yang valid. Uji
reliabilitas menentukan reliabilitas instrumen penelitian. Hasil perhitungan statistik
menunjukkan bahwa nilai reliabilitas E-SQ sangat andal, nilai reliabilitas CS andal, dan
nilai CL sangat andal. Langkah perhitungan yang dilakukan meliputi penentuan nilai
varians setiap butir, penentuan nilai varians total dan penentuan reliabilitas variabel E-
SQ, CS dan CL
Setelah melakukan uji normalitas, uji validitas, dan uji reliabilitas menggunakan
software SPSS atau manual, proses berikutnya adalah membuat structural equation
modelling (SEM) dengan software AMOS. Penyusunan SEM terdiri dari beberapa
tahap, dimulai dengan spesifikasi model pengukuran. Pada tahap ini ditentukan
spesifikasi model pengukuran dari variabel-variabel penelitian yang dilanjutkan dengan
spesfikasi model struktural. Tahap selanjutnya ialah mengidentifikasi model dimana
apakah model tersebut under indentified, just identified atau over identified. Analisis
dapat dilanjutkan jika data berada pada model identifikasi just identified atau over
identified. Sehingga dari hasil perhitungan diperoleh hasil df sebesar 101 > 0 (over
identified) yang artinya perhitungan dapat dilanjutkan. Tahapan ketiga adalah estimasi
model, dimana setiap variabel dihubungkan dengan regresi untuk membentuk kostruk.
Pada tahap ini, dilakukan uji normalitas, uji CFA / validitas, dan uji reliabilitas model.
Uji normalitas dilakukan untuk mengetahui apakah data yang diperoleh terdistribusi
multivariat yang normal. Data dikatakan terdistribusi normal ketika nilai pengujian yang
diperoleh lebih besar dari 2,58. Sehingga hasil pengujian yang didapatkan nilai
multivariatnya sebesar 31,024 dimana nilai ini lebih besar dari 2,58. Nilai tersebu
diketahui bahwa data tidak terdistribusi multivariat yang normal. Uji selanjutnya yaitu
Uji CFA / validitas yang dimana digunakan untuk menguji validitas konstruk pada
sebuah instrumen pengukuran pada regression weights. Data dikatakan valid jika
Critical Ratio (C.R.) > 1,96 dengan Probability (P) < 0,05 maka uji CFA menunjukan
data yang sesuai. Sehingga dapat disimpulkan bahwa pada tabel diatas menunjukan
bahwa data dan uji konstruk memenuhi uji CFA atau validitasnya. Dan yang terakhir
adalah uji reliabilitas model dimana uji tersebut digunakan untuk menguji tingkat
keakuratan dan konsistensi prediksi model. Untuk menguji reliabilitas modul, peneliti
menggunakan tabel standardizerd regression weights dan variances pada. Untuk

mengevaluasi reliabilitas pada costumer satisfaction, costumer loyality dan e-service

quality perlu dilakukan pengukuran Construct Reliability. Dalam hal ini, nilai C.R. yang
sama dengan atau lebih besar dari 0,70 menunjukkan reliabilitas yang baik untuk suatu
variabel atau konstruk. Sehingga didapat hasilnya berurut yaitu 0,817, 0,859 dan 0,870.
Tahapan keempat adalah uji kecocokan model untuk mengetahui apakah parameter
estimasi sudah fit atau belum. Jika parameter estimasi belum fit, maka dilakukan
respesifikasi model dengan menggunakan modification indices sebagai saran perbaikan
model pada view text. Setelah respesifikasi, parameter estimasi telah fit dan model sudah
sesuai.
Setelah berhasil membangun model untuk structural equation modelling (SEM),
kita dapat mengetahui hubungan antara setiap variabel. Berdasarkan hasil regresi,
ditemukan bahwa e-service quality berpengaruh positif terhadap customer satisfaction
dan customer loyality, sedangkan customer satisfaction juga berpengaruh positif
terhadap customer loyality. Semua pengaruh ini signifikan dengan nilai estimasi 1.
Tabel pengaruh langsung menunjukkan bahwa e-service quality berpengaruh langsung
pada customer satisfaction dan customer loyality, sementara customer satisfaction
berpengaruh langsung pada customer loyality, semuanya signifikan dengan nilai
estimasi 1. Tabel pengaruh tidak langsung menunjukkan bahwa e-service quality juga
berpengaruh tidak langsung pada customer loyality melalui customer satisfaction
dengan nilai estimasi 1. Pada tabel pengaruh total, ditemukan bahwa e-service quality
berpengaruh pada customer loyality dan customer satisfaction dengan nilai estimasi 1,
sehingga pengaruhnya signifikan. Setelah mengetahui hubungan antar variabel, kita
dapat mengetahui apakah hipotesis H1, H2, dan H3 dapat diterima atau tidak. Hipotesis
H1 diterima karena e-service quality berpengaruh positif pada customer loyality.
Hipotesis H2 juga diterima karena customer satisfaction berpengaruh positif pada
customer loyality. Terakhir, hipotesis H3 juga diterima karena e-service quality
berpengaruh positif pada e-service quality.

5.2 Review Jurnal
Review jurnal merupakan kegiatan yang melibatkan satu atau beberapa individu
untuk mengevaluasi jurnal ilmiah secara kritis guna mengenali kekuatan dan kelemahan
yang ada dalam jurnal tersebut. Berikut merupakan jurnal nasional dan internasional
yang akan di review.
5.2.1 Jurnal Nasional
Judul : Pendekatan Structural Equation Modelling (SEM)

dalam Operasi Logistik : Studi Kasus Operasi Amfibi
TNI Angkatan Laut
Tahun : 2022
Volume : Volume 15, No. 2
DOI / ISSN : https://doi.org/10.21107/rekayasa.v15i2.16420
Penulis : Yahya Prasetyo, Marthin Luther, Etwin Ramadhan,
dan Jumino.
Reviewer : Muhammad Isnanda Ibnurizq
Latar Belakang : Operasi amfibi merupakan salah satu operasi militer
yang kompleks dan memerlukan persiapan yang
matang. Satuan Bantuan Administrasi (Satbanmin)
Yon Angmor memiliki peran penting dalam
mendukung operasi amfibi, terutama dalam hal
bantuan administrasi seperti perencanaan, pengadaan,
dan distribusi logistik serta personel.
Tujuan : Penelitian ini dilakukan untuk menganalisis kinerja
Satbanmin Yon Angmor dalam mendukung operasi
amfibi di Kodam V/Brawijaya. Tujuannya adalah
untuk mengetahui sejauh mana kinerja Satbanmin
Yon Angmor dalam mendukung operasi amfibi dan
faktor-faktor apa saja yang mempengaruhi kinerja
tersebut. Metode penelitian yang digunakan adalah

survei dengan menggunakan kuesioner sebagai

instrumen pengumpulan data. Hasil penelitian
diharapkan dapat memberikan rekomendasi bagi
pihak-pihak terkait untuk meningkatkan kinerja
Satbanmin Yon Angmor dalam mendukung operasi
amfibi di masa depan.
Metode Penelitian : Metode penelitian yang digunakan dalam penelitian
ini adalah Structural Equation Modeling (SEM).
SEM merupakan suatu metode analisis statistik
multivariat yang digunakan untuk mengolah data
implementasi dari kesiapan operasional,
implementasi kesiapan organisasi, dan implementasi
pelaksanaan dukungan logistik terhadap
penyelenggaraan Operasi Amfibi.
Hasil Pembahasan : Berdasarkan hasil analisis nilai variabel organisasi
terhadap bantuan administrasi, diperoleh bahwa
kondisi organisasi perlu melaksanakan validasi
organisasi dan perhitungan manajemen risiko dalam
mendukung bantuan administrasi pada pelaksanaan
operasi amfibi. Namun, sebagian besar responden
berpendapat bahwa kesigapan prajurit Yon Angmor
tetap terjaga dan terlatih dalam mendukung
penyelenggaraan operasi amfibi, proses pergeseran
banmin dan logistik ke tempat embarkasi, pergeseran
banmin dan logistik menuju daerah operasi dalam
operasi lanjutan sudah sesuai Standart Operational
Procedure Yon Angmor. Berdasarkan model
pengukuran yang diperoleh, implementasi Bantuan
Administrasi dalam mendukung Operasi Amfibi
sudah optimal. Hubungan secara keseluruhan dari
variabel endogen terhadap variabel eksogen

menunjukkan bahwa Bantuan Administrasi dalam

mendukung Operasi Amfibi yang dilaksanakan oleh
Yon Angmor dapat dilaksanakan secara optimal baik
di bidang materiil maupun personel. Hasil pengujian
menggunakan software SEM AMOS 23
menunjukkan bahwa Satbanmin Yon Angmor
memiliki kinerja yang baik dalam mendukung operasi
amfibi di Kodam V/Brawijaya.
Kesimpulan : Berdasarkan hasil pembahasan, dapat disimpulkan
bahwa Satuan Bantuan Administrasi (Satbanmin)
Yon Angmor memiliki kinerja yang baik dalam
mendukung operasi amfibi di Kodam V/Brawijaya.
Sebagian besar responden berpendapat bahwa
kesigapan prajurit Yon Angmor tetap terjaga dan
terlatih dalam mendukung penyelenggaraan operasi
amfibi, proses pergeseran banmin dan logistik ke
tempat embarkasi, pergeseran banmin dan logistik
menuju daerah operasi dalam operasi lanjutan sudah
sesuai Standart Operational Procedure Yon Angmor.
Namun, kondisi organisasi perlu melaksanakan
validasi organisasi dan perhitungan manajemen risiko
dalam mendukung bantuan administrasi pada
pelaksanaan operasi amfibi. Hasil pengujian
menggunakan software SEM AMOS 23
menunjukkan bahwa implementasi Bantuan
Administrasi dalam mendukung Operasi Amfibi
sudah optimal baik di bidang materiil maupun
personel.

5.2.2 Jurnal Internasional
Judul : K´Alm´An’s Filtering Technique In Structural

Equation Modelling
Tahun : 2021
Volume : Volume 66, No. 1
DOI / ISSN : 10.24193/subbmath.2021.1.15.
Penulis : Marianna Bolla dan Fatma Abdelkhalek.
Reviewer : Muhammad Isnanda Ibnurizq
Latar Belakang : Latar belakang dari jurnal ini adalah untuk
mengembangkan pendekatan baru dalam pemodelan
persamaan struktural yang dapat memperkirakan nilai
kasus variabel laten dan matriks parameter dengan
lebih akurat dan efisien. Para penulis menggunakan
teknik penyaringan K ́alm ́an, yang biasanya
digunakan dalam bidang teknik kontrol, untuk
memprediksi nilai kasus variabel laten. Mereka juga
menggabungkan dua algoritma lainnya untuk
memperkirakan matriks parameter dari sampel
pelatihan. Hasilnya adalah kecerdasan buatan yang
dapat digunakan untuk memprediksi nilai kasus
variabel laten pada sampel uji tanpa harus mere-
estimasi matriks parameter.
Tujuan : Tujuan dari jurnal ini untuk mengembangkan
pendekatan baru dalam pemodelan persamaan
struktural yang dapat memperkirakan nilai kasus
variabel laten dan matriks parameter dengan lebih
akurat dan efisien. Dengan menggunakan teknik
penyaringan K ́alm ́an dan menggabungkan dua
algoritma lainnya, para penulis berhasil
mengembangkan kecerdasan buatan yang dapat

digunakan untuk memprediksi nilai kasus variabel

laten pada sampel uji tanpa harus mere-estimasi
matriks parameter. Pendekatan ini memiliki potensi
untuk merevolusi bidang pemodelan persamaan
struktural dan dapat diterapkan pada berbagai bidang,
termasuk ilmu sosial.
Metode Penelitian : Metode penelitian yang digunakan adalah dengan
mengembangkan sebuah kecerdasan buatan yang
menggabungkan tiga teknik: teknik penyaringan
K ́alm ́an, algoritma Partial Least Squares (PLS) dari
H. Wold, dan dekomposisi Cholesky blok dari H.
Kiiveri et al. Para penulis menggunakan data sosial
nyata untuk menguji kecerdasan buatan mereka dan
membandingkannya dengan metode pemodelan
persamaan struktural tradisional. Mereka juga
melakukan analisis sensitivitas untuk mengevaluasi
kinerja kecerdasan buatan dalam berbagai kondisi.
Hasilnya menunjukkan bahwa pendekatan baru ini
dapat memperkirakan nilai kasus variabel laten
dengan lebih akurat dan efisien daripada metode
tradisional.
Hasil Pembahasan : Hasil pembahasan dari jurnal ini menunjukkan bahwa
struktural yang dikembangkan oleh para penulis
tradisional. Dengan menggunakan teknik


termasuk ilmu sosial. Pembahasan dalam jurnal ini
mencakup analisis sensitivitas untuk mengevaluasi
kinerja kecerdasan buatan dalam berbagai kondisi,
serta perbandingan dengan metode pemodelan
persamaan struktural tradisional. Para penulis juga
membahas potensi aplikasi pendekatan baru ini pada
berbagai bidang, termasuk ilmu sosial. Mereka juga
membahas keterbatasan dari pendekatan ini dan
memberikan saran untuk penelitian masa depan yang
dapat mengatasi keterbatasan tersebut.
Kesimpulan : Berdasarkan jurnal ini, dapat disimpulkan bahwa
struktural yang dikembangkan oleh para penulis
tradisional. Dengan menggunakan teknik
termasuk ilmu sosial. Namun, pendekatan baru ini
juga memiliki keterbatasan dan masih memerlukan
pengembangan lebih lanjut. Para penulis

menyarankan untuk melakukan penelitian masa

depan yang dapat mengatasi keterbatasan tersebut.
Secara keseluruhan, jurnal ini memberikan kontribusi
penting bagi pengembangan metode pemodelan
persamaan struktural dan memberikan pandangan
baru tentang bagaimana teknologi kecerdasan buatan
dapat diterapkan pada bidang ilmu sosial.

BAB VI
PENUTUP
6.1 Kesimpulan
a. Variabel yang digunakan pada Structural Equation Modelling (SEM) adalah

variabel laten dan variabel manifest. variabel laten merupakan variabel yang tidak
dapat diukur secara langsung melalui variabel yang dapat diamati atau dapat
disebut dengan variabel indikator (variabel manifest). secara umum, variabel laten
terbagi menjadi dua yaitu variabel laten endogen dan variabel laten eksogen.
variabel laten endogen merupakan variabel terikat yang dipengaruhi oleh variabel
bebas. variabel laten eksogen merupakan variabel bebas yang mempengaruhi
variabel terikat. sedangkan variabel indikator atau variabel manifest merupakan
variabel, yang dapat diukur secara langsung.
b. Pada Structural Equation Modelling (SEM) terdapat beberapa aturan dasar yang
digunakan dalam merancang sebuah model. saat menggambar diagram SEM
terdapat beberapa aturan yaitu, simbol kotak untuk variabel manifest, simbol bulat
atau oval untuk variabel laten, simbol satu anak panah untuk pengaruh dari satu
variabel ke variabel lain, simbol dua anak panah untuk korelasi antara pasangan
variabel. sedangkan pada penggunaan simbol, terdapat juga beberapa aturan dasar
di antaranya yaitu Y sebagai variabel manifest untuk variabel laten endogen, X
sebagai variabel manifest untuk variabel laten eksogen, η (eta) sebagai variabel
laten endogen, ξ (ksi) sebagai variabel laten eksogen, ε (epsilon) sebagai kesalahan
pengukuran (error) yang berhubungan dengan Y, δ (delta) sebagai kesalahan
pengukuran (error) yang berhubungan dengan X, ζ (zeta) sebagai kesalahan
pengukuran, γ (gamma) sebagai matriks koefisien jalur untuk hubungan variabel
laten endogen dan variabel laten eksogen, β (beta) sebagai matriks koefisien jalur
untuk hubungan antar variabel laten endogen.
c. Dalam merancang sebuah model pada Structural Equation Modelling (SEM)
terdapat beberapa tahapan yang dimulai dari (1) menentukan spesifikasi model
secara pengukuran dan struktural; (2) mengidentifikasi model (3) membuat model

estimasi, sehingga diperoleh hasil estimasi normalitas, validitas, reliabilitas; (4)

melakukan uji kecocokan model; (5) melakukan respesifikasi model; (6)
menganalisis hubungan variabel
d. Model persamaan struktural dapat dirancang dengan menggunakan bantuan
software. software yang digunakan untuk merancang dan menganalisis model
pada Structural Equation Modelling (SEM) yaitu AMOS serta ditunjang dengan
Ms Excel dan SPSS.
6.2 Saran
a. Saran Untuk Laboratorium

1) Sebaiknya ruangan laboratorium PTI 1 diperbesar agar muat untuk seluruh
praktikan dan asisten laboratorium serta ditambahkan kursi dan mejanya
supaya semua praktikan tidak ada yang duduk dan mengerjakan respon tulis
di lantai.
2) Sebaiknya papan tulis bisa diganti dengan LCD, supaya asisten laboratorium
tidak perlu lagi menulis di papan tulis dan bisa ditampilkan di Ms Word ketika
pengarahan pengolahan data.
3) Sebaiknya pelatihan software AMOS pada modul ini bisa dibuat seperti
tutorialnya di youtube agar praktikan bisa belajar dari video tersebut.
b. Saran Untuk Asisten
1) Asisten 1 (Stephanie Aurelya Putri M)
a) Sebagai asisten, sangat teliti ketika mengoreksi perhitungan
praktikannya dan harapannya semoga bisa ditingkatkan dan
dipertahankan ketelitiannya agar praktikan lebih berhati-hati ketika
mengerjakan hitungan manual.
b) Sebagai asisten, sangat sabar ketika praktikan melakukan kesalahan dan
masih tetap baik kepada praktikannya, harapannya semoga asisten
memaafkan praktikannya ketika melakukan kesalahan.
c) Sebagai asisten, sudah membimbing praktikannya dengan baik, dan
harapannya semoga bisa ditingkatkan lagi seperti pemberian pelatihan
software.

d) Sebagai asisten, sangat tegas ketika memberi rules ke praktikan,

harapannya semoga asisten bisa mempertahankan ketegasannya agar
praktikan lebih berhati-hati ketika melakukan sesuatu seperti membuat
janji asistensi ke asisten.
e) Sebagai asisten, sangat fast respond ketika praktikan bertanya di grup
dan harapannya semoga bisa diperhankan agar praktikan tidak
kehilangan arah dalam mengerjakan modul.
2) Asisten 2 (Muhammad Fadil)
a) Sebagai asisten, sangat terstruktur ketika memberikan arahan yang jelas
dan harapannya semoga bisa dijadikan sebagai habit agar bisa berguna
di kehidupan sehari-hari.
b) Sebagai asisten, sangat disiplin waktu ketika praktikan menanyakan
jadwal asistensi, harapannya semoga bisa dipertahankan agar praktikan
lebih berhati-hati dalam menentukan jadwal asistensi.
c) Sebagai asisten, sangat ramah ketika bertemu dengan praktikan,
harapannya semoga bisa dipertahankan agar praktikan tidak segan ketika
bertemu atau bertanya kepada praktikan.
d) Sebagai asisten, sangat bijak ketika memberikan arahan kepada
praktikan, harapannya semoga bisa dipertahankan agar bisa memberikan
arahan yang benar kepada praktikan.
e) Sebagai asisten, semoga selalu diberikan kesehatan agar bisa terus
beraktivitas secara produktif.

DAFTAR PUSTAKA
Budiarti, (2009), Pengaruh Kualitas Layanan dan Penanganan Keluhan Terhadap

Kepuasan dan Loyalitas Nasabah Bank Umum Syariah di Surabaya, EKUITAS,
Volume 15 Nomor 2 : 210-231,
Fauzan, K, (2020), The Influence of the Work Environment and Communication on
Employee Performance, Admisi dan Bisnis, Volume 21 Nomor 3,
Ghozali, I, (2014), Structural Equation Modeling Metode Alternatif Dengan Partial
Least Squares, Semarang: Universitas Diponegoro,
Ghozali, I,, (2008), Model Persamaan Struktural : Konsep dan Aplikasi dengan
Program AMOS 16,0, Semarang: Badan Penerbit UNDIP,
Hamid, dkk, (2019), Structural Equation Modelling (SEM) Berbasis Varian, Jakarta: PT
Inkubator Penulis Indonesia,
Haryono & Wardoyo, (2012), Structural Equation Modelling untuk Penelitian
Manajemen Menggunakan AMOS, Jawa Barat: PT, Intermedia Personalla
Haryono, S,, & Wardoyo, P, (2014), Structural Equation Modeling, PT, Intermedia
Personalia Utama,
Hendryadi, & Suryani, (2014), Structural Equation Modelling dengan LISREL 8,80,
Bantul: Kaukaba,
Hershberger, S, L,, Marcoulides, G, A,, & Parramore, M, M, (2009), Structural Equation
Modeling: an introduction, In Structural Equation Modeling,
Jasaputra, D, K, & Santosa, S, (2008), Metodologi Penelitian Biomedis edisi 2,
Bandung: Danamartha Sejahtera Utama,
Kasanah, A, (2015), Penggunaan Metode Structural Equation Modeling untuk Analisis
Faktor yang Mempengaruhi Kualitas Pelayanan Perpustakaan dengan Program
LISREL 8,80, Skripsi : Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Semarang,
Nawangsari, A, Y, (2011), Structural Equation Modeling Pada Perhitungan Indeks
Kepuasan Pelanggan Dengan Menggunakan Software Amos, Yogyakarta:
Universitas Negeri Yogyakarta,
Sarwono, J, (2011), Mengenal Path Analysis: Sejarah, Pengertian Dan Aplikasi, Jurnal

Ilmiah Manajemen Bisnis, 285-296,

Sukanti, I, d, (2012), Pengaruh Sertifikasi Guru dan Motivasi Kerja Guru Terhadap
Kinerja Guru SMA NEGERI 1 SENTOLO Kabupaten Kulon Progo Tahun 2012,
Jurnal Pendidikan Akuntansi Indonesia, Volume X No,1,
Surwono, J,, & Ukarida, (2010), Pengertian Dasar Structural Equation Modeling (Sem),
Yudi, P, (2016), Pengenalan SEM menggunakan LISREL, Semarang, Universitas Negeri
Semarang,

LAMPIRAN







Modul 3

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 3

Diunggah oleh

Hak Cipta:

Format Tersedia

SAMPUL MODUL III

LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

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

STRUCTURAL EQUATION MODELLING

3.7 Hipotesis Praktikum (Jurnal Internasional) .................................................. 42

STRUCTURAL EQUATION MODELLING

Tabel 1 Perbandingan Antara Exploratory Research dan Confimatory Research ..... 6

STRUCTURAL EQUATION MODELLING

Gambar 1 Analisis Faktor ............................................................................................ 8

STRUCTURAL EQUATION MODELLING

Rumus 1 Uji Validitas ................................................................................................ 32

STRUCTURAL EQUATION MODELLING

1.1 Latar Belakang

STRUCTURAL EQUATION MODELLING

1.2 Rumusan Masalah

a. Bagaimana merancang model persamaan struktural?

1.3 Tujuan Praktikum

a. Untuk mengetahui variabel-variabel yang digunakan dalam model persamaan

1.4 Batasan Masalah

STRUCTURAL EQUATION MODELLING

Menurut Haryono dan Wardoyo (2012), analisis statistika bisa dikelompokkan

2.1.1 Analisis Univariate

STRUCTURAL EQUATION MODELLING

2.1.2 Analisis Bivariate

2.1.3 Analisis Multivariate

STRUCTURAL EQUATION MODELLING

3) Menurut Zikmund (dalam Simamora, 2005), analisis multivariate adalah

2.2 Pendekatan Penelitian

2.2.1 Penelitian Eksplorasi (Exploratory Research)

STRUCTURAL EQUATION MODELLING

2.2.2 Penelitian Penjelasan (Confimatory Research)

Penelitian eksplanatif atau yang juga dikenal sebagai penelitian eksplanatori

2.2.3 Tabel Perbedaan

Berikut merupakan tabel perbandingan antara Exploratory Research dan

Tujuan Memberikan wawasan dan Menguji hipotesis dan memeriksa

*Informasi yang dibutuhkan *Informasi yang dibutuhkan

ditetapkan secara longgar ditetapkan secara tegas

STRUCTURAL EQUATION MODELLING

2.3 Analisis Faktor, Jalur dan Regresi

2.3.1 Analisis Faktor

STRUCTURAL EQUATION MODELLING

Gambar 1 Analisis Faktor

2.3.2 Analisis Jalur

Gambar 2 Analisis Jalur

Gambar 3 Analisis Jalur

2.3.3 Analisis Regresi

STRUCTURAL EQUATION MODELLING

Gambar 4 Analisis Regresi

2.4 SEM (Structural Equation Modelling)

Beberapa pakar telah menyampaikan definisi Structural Equation Modelling

STRUCTURAL EQUATION MODELLING

2.4.2. Jenis-Jenis SEM

a. Partial Least Square (PLS)-SEM

STRUCTURAL EQUATION MODELLING

Gambar 5 Partial Least Square

STRUCTURAL EQUATION MODELLING

Lemah secara dasar statistika atau

Ukuran Dapat dijalankan di sampel kecil

Asumsi Harus memenuhi asumsi distribusi

2.4.3. Perbedaan SEM dan Teknik Multivariate Lainnya

2.4.4. Keunggulan SEM

SEM atau Structural Equation Modeling memiliki beberapa keunggulan sebagai

a. Memungkinkan adanya asumsi-asumsi yang lebih fleksibel.

Informasi yang dibutuhkan Informasi yang dibutuhkan