OLEH:
NAMA : MUHAMMAD ISNANDA IBNURIQ
STAMBUK : D071211079
KELOMPOK : KELOMPOK III
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR RUMUS
BAB I
PENDAHULUAN
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).
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.
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
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).
a. Definisi
Beberapa pakar telah menyampaikan definisi analisis bivariate. Untuk
memperjelas pengertian analisis bivariate, berikut adalah pendapat dari tiga ahli
mengenai definisi tersebut.
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).
a. Definisi
Beberapa pakar telah menyampaikan definisi analisis multivariate. Untuk
memperjelas pengertian analisis multivariate, berikut adalah pendapat dari tiga ahli
mengenai definisi tersebut.
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.
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.
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).
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.
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.
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
STRUCTURAL EQUATION MODELLING
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 8
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU
DEPARTEMEN TEKNIK INDUSTRI
UNIVERSITAS HASANUDDIN
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.
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.
2.4.1. Definisi
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)
Ada beberapa jenis SEM yang sering digunakan dalam penelitian, antara lain :
2) Contoh
Berikut merupakan contoh dari Partial Least Square (PLS)-SEM
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
(Sumber : Haryono dan Wardoyo, 2012)
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
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.
STRUCTURAL EQUATION MODELLING
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 13
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU
DEPARTEMEN TEKNIK INDUSTRI
UNIVERSITAS HASANUDDIN
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.
(Haryono dan Wardoyo, 2012)
Model SEM atau Structural Equation Modeling terdiri dari beberapa komponen
utama. Berikut adalah penjelasan singkat mengenai komponen-komponen tersebut :
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 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
STRUCTURAL EQUATION MODELLING
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 15
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU
DEPARTEMEN TEKNIK INDUSTRI
UNIVERSITAS HASANUDDIN
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.
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.
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
STRUCTURAL EQUATION MODELLING
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 16
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU
DEPARTEMEN TEKNIK INDUSTRI
UNIVERSITAS HASANUDDIN
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.
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.
Aturan asumsi klasik adalah sekelompok asumsi yang harus dipenuhi dalam
analisis statistik klasik, termasuk analisis regresi dan analisis varian. Beberapa asumsi
klasik antara lain :
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.
2.6.3. 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
Dalam merancang model penelitian, ada beberapa aturan yang perlu diperhatikan
agar model tersebut dapat memberikan hasil yang valid dan dapat
dipertanggungjawabkan yaitu sebagai berikut.
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
STRUCTURAL EQUATION MODELLING
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 21
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU
DEPARTEMEN TEKNIK INDUSTRI
UNIVERSITAS HASANUDDIN
n. : Hubungan korelasi.
Menurut Sarwono (2011), pengaruh total adalah hasil penjumlahan dari pengaruh
langsung dan pengaruh tidak langsung dari variabel laten eksogen pada variabel laten
endogen.
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)
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 :
terhadap data yang tidak normal, hanya saja untuk menggunakan teknik estimasi ADF
diperlukan jumlah sampel yang besar.
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.
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.
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
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
2.10.5. NCP
2.10.6. ECVI
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
Probability ≥0,05
RMSEA ≤0,08
AGFI ≥0,90
TLI ≥0,95
CFI ≥0,95
GFI >0,9
NFI >0,9
IFI >0,9
CN Berdasarkan sampel
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.
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.
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.
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)
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
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
Pada pengambilan data kali ini, kita menggunakan kuesioner dengan skala likert.
Alat dan bahan yang digunakan dalam praktikum ini antara lain:
a. Kuesioner
b. Laptop
c. Software SPSS
d. Software AMOS
Mulai
Studi Literatur
Penentuan Fokus
Penelitian
Identifikasi dan
Perumusan Masalah
Penetapan Tujuan
Penelitian
Pengumpulan Data
Menyusun
Spesifikasi Model Analisis Faktor
Kuesioner
Penarikan
Tidak Uji Fit
Uji Validitas Kesimpulan dan
Kecocokan
& Reabilitas Model Saran
Ya Tidak Fit
Selesai
Respesifikasi Model
E-Costumer
Quality
Costumer
Loyality
Costumer
Satisfaction
BAB IV
PENGOLAHAN DATA
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.
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.
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 ]
200(261425)−(1789)(29104)
rhitung ESQ1 =
√[200(16177)−(1789)2 ][200(4254194)−(29104)2 ]
200(266238)−(1821)(29104)
rhitung ESQ1 =
√[200(16767)−(1821)2 ][200(4254194)−(29104)2 ]
200(259933)−(1779)(29104)
rhitung ESQ1 =
√[200(16015)−(1779)2 ][200(4254194)−(29104)2 ]
200(270295)−(1850)(29104)
rhitung ESQ1 =
√[200(17248)−(1850)2 ][200(4254194)−(29104)2 ]
200(259762)−(1777)(29104)
rhitung ESQ1 =
√[200(16007)−(1777)2 ][200(4254194)−(29104)2 ]
200(258951)−(1771)(29104)
rhitung ESQ1 =
√[200(15929)−(1771)2 ][200(4254194)−(29104)2 ]
200(264345)−(1807)(29104)
rhitung ESQ1 =
√[200(16531)−(1807)2 ][200(4254194)−(29104)2 ]
200(266549)−(1823)(29104)
rhitung ESQ1 =
√[200(16787)−(1823)2 ][200(4254194)−(29104)2 ]
200(270134)−(1849)(29104)
rhitung ESQ1 =
√[200(17223)−(1849)2 ][200(4254194)−(29104)2 ]
200(270188)−(1849)(29104)
rhitung ESQ1 =
√[200(17231)−(1849)2 ][200(4254194)−(29104)2 ]
200(267751)−(1832)(29104)
rhitung ESQ1 =
√[200(16928)−(1832)2 ][200(4254194)−(29104)2 ]
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 ]
200(267982)−(1833)(29104)
rhitung ESQ1 =
√[200(16969)−(1833)2 ][200(4254194)−(29104)2 ]
200(266775)−(1825)(29104)
rhitung ESQ1 =
√[200(16817)−(1825)2 ][200(4254194)−(29104)2 ]
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.
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
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
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
(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
b) Menentukan Nilai Varians Total
(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 :
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 :
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.
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
(Sumber : Data Diolah Oleh Penulis, 2023)
4.5 SEM
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.
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
(Sumber : Data Diolah Oleh Penulis, 2023)
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
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
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.
BAB VI
PENUTUP
6.1 Kesimpulan
6.2 Saran
DAFTAR PUSTAKA
LAMPIRAN