Kelompok 9:
Rahmania Nadya Salsabila NIM || 2202106012
Firnanti NIM || 2202106021
Dwita Anggraini NIM || 2102106003
Kelompok 9
DAFTAR ISI
HALAMAN JUDUL
KATA PENGANTAR
DAFTAR ISI
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Tujuan Penulisan
BAB II KAJIAN TEORI
A. Pengertian Pemodelan Persamaan Struktural (SEM)
B. SEM dan Analisis Jalur
C. Model Pengukuran
D. Analisis Jalur
E. Analisis Model Persamaan Struktural
F. Langkah-Langkah dalam SEM
G. Cara Membaca Model Pengukuran dan Model Struktural
BAB III KASUS
A. Kasus
B. Metode Penelitian
BAB IV PEMBAHASAN
A. Hasil dan Pembahasan
BAB V KESIMPULAN
A. Kesimpulan
B. Saran
DAFTAR PUSTAKA
BAB I
PENDAHULUAN
A. Latar Belakang
Structural Equation Modeling (SEM) merupakan salah satu teknik analisis statistik yang
digunakan untuk membangun dan menguji model statistik dalam bentuk model model sebab
akibat (Prastuti, 2011: 14). Analisis SEM menggabungkan analisis regresi, faktor, dan jalur
sehingga secara simultan menghitung hubungan yang terjadi antara variabel laten, mengukur
nilai loading dari indikator-indikator variabel laten, dan menghitung model jalur dari variabel
variabel laten tersebut. Pada dasarnya, SEM adalah salah satu teknik multivariat yang akan
menunjukkan bagaimana cara merepresentasikan suatu seri atau deret hubungan kausal (causal
relationship) dalam suatu diagram jalur (path diagram).
Terdapat beberapa program yang ditawarkan untuk SEM, seperti LISREL, AMOS, EQS,
ROMANO, SEPATH, LISCOMP. LISREL merupakan program yang paling banyak digunakan
dalam penelitian dibandingkan program yang lain. LISREL merupakan satu satunya program
SEM yang tercanggih dan dapat mengestimasi persoalan SEM yang hampir tidak mungkin
dilakukan oleh program SEM lainnya (Latan, 2013: 6). Saat ini telah banyak mahasiswa maupun
peneliti yang menggunakan program LISREL untuk menganalisis penelitian yang menggunakan
model persamaan struktural.
B. Rumusan Masalah
1. Apa Pengertian dari Pemodelan Persamaan Struktural?
2. Apa yang membedakan SEM dan Analisis Jalur?
3. Bagaimana Model Pengukuran SEM?
4. Bagaimana Analisis Model Persamaan Struktural?
5. Bagaimana Langkah-Langkah dalam SEM?
6. Bagaimana Cara Membaca Model Pengukuran dan Model Struktural?
C. Tujuan Penulisan
1. Mendefinisikan Pengertian dari Pemodelan Persamaan Struktural.
2. Untuk mengetahui perbedaan SEM dan Analisis Jalur.
3. Mengetahui Model Pengukuran SEM.
4. Mengetahui Analisis Model Persamaan Struktural.
5. Menganalisis Langkah-Langkah dalam SEM.
6. Mengidentifikasi Cara Membaca Model Pengukuran dan Model Struktural.
BAB II
KAJIAN TEORI
A. Pengertian Pemodelan Persamaan Struktural
Pemodelan Persamaan Struktural (Structural Equation Modeling) yang biasa disingkat
dengan SEM memiliki beberapa sebutan lain, seperti: analisis struktur kovarian (covariance
structure analysis), analisis variable laten (latent variable analysis), analisis faktor konfirmatori
(confirmatory factor analysis), dan analisis Linier Structural Relations (LISREL) (Hair, dkk.
1998: 584). Berdasarkan sebutan-sebutan tersebut, Pemodelan Persamaan Struktural (SEM)
dapat dideskripsikan sebagai suatu analisis yang menggabungkan pendekatan analisis factor
(factor analysis), model structural (structural model), dan analisis jalur (path analysis). Dengan
demikian, di dalam analisis Pemodelan Persamaan Struktutal (SEM) dapat dilakukan tiga macam
kegiatan secara serentak, yaitu pengecekan validitas dan reliabilitas instrument (berkaitan dengan
analisis factor konfirmatori), pengajuan model hubungan antar variabel (berkaitan dengan
analisis jalur), dan kegiatan untuk mendapatkan suatu model yang cocok untuk prediksi
(berkaitan dengan analisis regresi atau analisis model structural).
Untuk lebih dapat memahami keterkaitan ketiga kegiatan di dalam analisis SEM, dapat
dilihat ilustrasi yang tampak pada gambar berikut.
Keterangan:
1. Parameter ẟ (delta) merupakan parameter yang menggambarkan adanya kesalahan
pengukuran (measurement error) pada variabel terukur/manifes (observed variable),
parameter ini berkaitan dengan kehandalan instrument.
2. Parameter λ (lambda) merupakan parameter yang menggambarkan koefisien structural
yang menghubungkan secara linier variabel manifest dengan variabel laten (latent
variable), parameter ini berkaitan dengan validitas konstruk variabel laten.
3. Parameter ζ (zeta) merupakan parameter yang menggambarkan adanya kesalahan
pengukuran pada variabel laten.
4. Gambar berbentuk oval menunjukkan variabel laten. Symbol X untuk variabel eksogen
dan symbol Y untuk variabel endogen.
5. Gambar persegi/kotak berisi indicator yang didefinisikan sebagai variabel
terukur/manifest.
Gambar 10.2 menunjukkan model pengukuran variabel. Analisis model pengukuran disini
berkaitan dengan analisis fackor konfirmatori. Analisis faktor konfiratori pada dasarnya identik
dengan kegiatan pengecekan validitas konstruk dan reliabilitas indikator. Model pengukuran
digunakan untuk mengetahui kesahihan variabel terukur/manifes (observed variable), apakah
benar-benar dapat digunakan sebagai indicator dari variabel tidak terukur (latent variable).
Gambar 10.2 Model Struktural Hubungan antar Variabel (Structural Model atau Path
Analysis)
Keterangan:
1. Gambar segi empat menunjukkan variabel manifes (observed variable).
2. Gambar oval menunjukkan variabel laten (construct variable).
3. Parameter Delta (ẟ) menunjukkan galat pengukuran variabel manifes untuk variabel
eksogen.
4. Parameter Epsilon (ε) menunjukkan galat pengukuran variabel manifes untuk variabel
endogen.
5. Parameter Lambda (λ) menunjukkan pengaruh/hubungan antara variabel manifes
terhadap variabel laten, baik untuk variabel eksogen maupun endogen, sering disebut
sebagai muatan faktor (factor loading).
6. Parameter Gamma (ϒ) menunjukkan koefisien hubungan antara variabel eksogen dan
variabel endogen.
7. Parameter Betta (β) menunjukkan koefisien hubungan antar variabel endogen.
Simbol-Simbol yang digunakan dalam SEM:
Analisis SEM pada dasarnya untuk memperoleh suatu model structural. Model yang
diperoleh dapat digunakan untuk prediksi atau pembuktian model. Di samping itu, SEM juga
dapat digunakan untuk melihat besar kecilnya pengaruh, baik langsung, tak langsung maupun
pengaruh total variabel bebas (variabel eksogen) terhadap variabel terikat (endogen).
Antara SEM dan analisis jalur terdapat persamaan dan perbedaan. Beberapa persamaan dan
perbedaan tersebut dapat dilihat pada deskripsi berikut.
1. Persamaan SEM dan Analisis Jalur
a. Keduanya berkaitan dengan analisis konstruksi model.
b. Koefisien parameter model didasarkan atas analisis data sampel
c. Pengujian kecocokan model dilakukan dengan cara membandingkan matriks varian-
kovarian hasil dugaan dengan matriks data empiric (observasi).
2. Perbedaan SEM dan Analisis Jalur
a. Pada SEM dapat dilakukan dua analisis sekaligus yaitu: analisis pengujian hubungan
kausal antar variabel laten (model structural) dan analisis pengujian validitas dan
reliabilitas yang didasarkan atas variabel manifes (model pengukuran).
b. SEM dapat diterapkan untuk model rekursif ataupun resiprokal, sedangkan Analisis
Jalur hanya dapat diterapkan pada model kausal satu arah dan rekursif.
c. SEM tidak terganggu dengan adanya korelasi antar kesalahan (error), sedangkan pada
Analisis Jalur, antara error harus bebas (tidak saling tergantung).
d. Hasil SEM mencakup faktor diterminan, model structural, dan model pengukuran.
Analisis Jalur hanya mencakup faktor diterminan.
C. Model Pengukuran
Seperti telah dikemukakan bahwa salah satu kegiatan dalam SEM adalah analisis pengujian
validitas konstruk dan reliabilitas indikator. Kegiatan ini dapat dilakukan pada analisis model
pengukuran. Pendekatan yang digunakan dalam analisis model pengukuran ini adalah Analisis
Faktor Konfirmatori.
Untuk melihat besar kecilnya koefisien validitas dapat dilihat besar kecilnya harga muatan
faktor (λ). Semakin besar harga λ maka dikatakan indicator semakin valid. Ukuran untuk
mengetahui berapa besarnya nilai λ dikatakan valid dapat menggunakan pengujian nilai t (t-
value). Untuk keperluan pengujian nilai t ini, dapat menggunakan Software LISREL yang
memang menyediakan fasilitas untuk pengujian tersebut. Namun demikian, penentuan valid
tidaknya indicator dapat juga menggunakan besarnya koefisien korelasi antara skor
indicator/konstruk dengan skor totalnya. Skor ini menggambarkan besarnya muatan faktor.
Menurut Carmines dan Zeller (1979:55) konstruk yang baik adalah bila memiliki muatan faktor
minimal 0,30. Dengan demikian, bila nilai λ ≥ 0,30 maka dikatakan indikator valid.
Untuk melihat besarnya koefisien reliabilitas indicator dapat melihat nilai (1 - ẟ) untuk
variabel eksogen dan nilai (1 – ε) untuk variabel endogen. Semakin besar nilai (1 - ẟ) atau (1 – ε)
maka semakin reliable indicator tersebut. Analisis pengujian reliabilitas ini dapat juga dilakukan
dengan pengujian nilai t (t-value) seperti halnya pengujian validitas. Nilai t untuk masing-masing
parameter (λ dan 1 - ẟ atau 1 – ε) merupakan hasil transformasi dari parameter tersebut.
Hubungan antar variabel dikatakan signifikan apabila tampilan dalam output program LISREL
menunjukkan garis warna hitam dan tidak signifikan apabila hubungan antar variabel
menunjukkan warna merah.
Sebagai contoh dapat dilihat Gambar 10.4 berikut yang menunjukkan konstrak dari variabel
orientasi pilihan bidang keahlian (η). Variabel ini dihipotesiskan terbentuk dari indicator-
indikator keahlian manual (Ym), keahlian penalaran (Yp), dan persepsi terhadap studi lanjut
(Ys). Ketiga indicator ini berposisi sebagai variabel manifes (observed variable).
Gambar 10.3 Analisis faktor konfirmatori konstrak Ubahan Orientasi Pilihan Bidang
Keahlian
Secara matematika model structural analisis faktor konfirmatori kostruk orientasi pilihan
bidang keahlian seperti berikut ini:
D. Analisis Jalur
Pada gambar 10.2 di muka merupakan salah satu contoh model analisis jalur/model
structural. Contoh tersebut dimaksudkan untuk menganalisis faktor-faktor yang mempengaruhi
Orientasi Pilihan Bidang Keahlian (η4). Faktor-faktor tersebut adalah: Kualitas Orang Tua (ξ 1),
Kualitas Sekolah (ξ3), Kemampuan Umum (r1), Melek Teknologi (r2), dan Pemahaman Diri (r3).
Secara matematika persamaan model structural hubungan antar variabel tersebut dapat
ditampilkan pada table dibawah ini:
Tabel 10.1
Model Persamaan Struktural Hubungan Antar Variabel
Eksogen Endogen Kesala-
Eksogen ξ1 ξ2 η1 η2 η3 η4 han
η1 γ11 ξ1 γ12 ξ2 + + ξ1
η2 γ21 ξ1 + + ξ2
η3 γ31 ξ1 γ32 ξ2 + + ξ3
η4 γ41 ξ1 γ42 ξ2 + β41η1 β42η1 β43η1 + ξ4
Secara matematika model structural pada Gambar 10.3 di muka dapat ditapilkan seperti
pada table di bawah ini:
Tabel 10.2
Model Persamaan Struktural Faktor-Faktor yang Mempengaruhi Orientasi Pilihan Bidang
Keahlian
F. Langkah-Langkah dalam SEM
Hair, dkk. (1998: 592-639) mendeskripsikan langkah-langkah dalam SEM seperti berikut ini:
(1) pengembangan model berbasis teori, (2) mengkonstruksi diagram jalur untuk hubungan
kausal, (3) mengkonversi diagram jalur ke dalam model model structural dan model pengukuran,
(4) memilih matriks input dan estimasi model, (5) menilai identifikasi model structural, (6)
evaluasi kecocokan model berdasarkan kriteria goodness-of-fit dan (7) interpretasi dan
modifikasi model.
Langkah 1. Pengembangan Model berbasis Teori
Ada dua prinsip dasar dalam SEM, yaitu: 1) untuk menganalisis hubngan kausal antara variabel
eksogen dan endogen, dan 2) untuk menguji validitas dan reliabilitas indicator variabel laten.
Kegiatan dalam langkah pertama ini adalah mengembangkan model hipotetik, artinya
mengembangkan suatu model berdasarkan kajian-kajian teoritik. Selanjutnya model ini diuji
berdasarkan atas data empiric melalui SEM.
Dalam mengembangkan pemodelan, peneliti harus memiliki wawasan dan landasan teori
yang luas yang berkaitan dengan permasalahan yang diteliti. Hasil kajian atau eksplorasi
terhadap teori-teori yang relevan akan membentuk model hipotetik untuk kemudian diverifikasi
berdasarkan data empirik dengan menggunakan SEM.
Disamping untuk verifikasi model hipotetik, SEM juga dapat digunakan untuk
membentuk konsep baru. Hal ini bias dilakukan bila landasan teori atau konsep untuk
membentuk model tersebut tidak tersedia. Dengan justifikasi empiris SEM maka model dapat
menjadi konsep baru. Untuk itu, diperlukan kajian sejumlah penelitian sehingga konsep yang
dikembangkan menjadi kokoh dan universal.
Langkah 2. Mengkonstruksi Diagram Jalur untuk Hubungan Kausal
Diagram jalur sangat berguna untuk melihat hubungan kausal antara variabel eksogen dan
variabel endogen. Hubungan kausal antar variabel ini divisualisasikan dalam bentuk gambar
sehingga mudah dan jelas untuk dipahami serta lebih menarik. Jika model yang dibuat belum
cocok (fit) maka dapat dibuat beberapa model untuk diperoleh model yang cocok dengan
menggunakan analisis SEM.
Langkah 3. Mengkonversi Diagram Jalur Ke dalam Model Struktural dan Model
Pengukuran
Contoh konversi diagram jalur dan model pengukuran ke dalam model matematika ditujukkan
pada Tabel 10.3a dan 10.3b
Tabel 10.4
Koefisien Validitas dan Reliabilitas Instrumen Orientasi Pilihan Bidang Keahlian
Hasil ini menunjukkan bahwa faktor keahlian yang berorientasi pada kemampuan
penalaran, keahlian yang berorientasi pada kemampuan manual dan kemampuan mempersepsi
pendidikan lanjut merupakan faktor-faktor yang memberikan kontribusi pada konstruk indikator
orientasi pilihan bidang keahlian siswa SMP.
2. Model Struktural
Gambar 10.6 adalah contoh model struktural yang cocok (fit nıodel) menurut kriteria
Goodness-of-fit. Berdasarkan Gambaı. 10.6 tersebut dapat dikemukakan beberapa informasi
yang berkaitan dengan efek langsung dan efek tak langsung. Efek langsung mencakup
hubungan antara variabel bebas dan variabel terikat. Efek tak langsung mencakup hubungan
antara varaibel eksogen dan variabel terikat (indirect çffects QfKSI on ETA).
Analisis efek langsung antar variabel ini dapat dilihat pada estimasi koefisien struktural
dan nilai-t dari masing-masing parameter. Secara ringkas, hasil analitis perhitungan besarnya
estimasi koefisien structural tersebut dapat dilihat pada tabel 10.5.
Tabel 10.5
Ringkasan Hasil Analisis Efek Langsung Variabel Bebas Terhadap Variabel Terikat
Berdasarkan Tabel 10.5 dapat dijelaskan gambaran efek langsung variabel-variabel bebas
terhadap variabel terikat sebagai berikut.
Terdapat efek langsung dan bermakna Kualitas Orang Tua terhadap Orientasi Pilihan
Bidang Keahlian Siswa SMP dengan harga estimasi Y41 = 0,33 dan nilai-t = 4,69 > 1,96.
Terdapat efek langsung dan bermakna Kualitas Sekolah terhadap Orientasi Pilihan
Bidang Keahlian Siswa SMP dengan harga estimasi Y42 = 0,70 dan nilai-t = 7,25 > 1,96.
Terdapat efek langsung dan bermakna Kemampuan Umum terhadap Orientasi Pilihan
Bidang Keahlian Siswa SMP dengan harga estimasi = 0,20 dan nilai-t = 4,45 > 1,96.
Terdapat efek langsung dan negatif Melek Teknologi terhadap Orientasi Pilihan Bidang
Keahlian siswa. SMP dengan harga estimasi B42=-0.37 dan nilai-t = -4,89 >-1,96.
Terdapat efek langsung dan bermakna pemahaman diri terhadap orientasi pilihan bidang
keahlian siswa SMP dengan harga
estimasi B43=0.21 dan nilai-t = 2.87 > 1.96
b. Efek Tak Langsung Variabel Eksogen terhadap Variabel Terikat (Indirect Effects
of KSI on ETA)
Variabel eksogen meliputi kualitas orang tua dan kualitas sekolah, sedangkan orientasi
pilihan bidang keahlian sebagai variabel terikat. Berdasarkan Gambar 10.6 dapat ditampilkan
model struktural efek tak langsung variabel eksogen terhadap variable. Terikat tersebut seperti
pada Gambar 10.8a dan Gambar 10.8b.
Gambar 10. 8a Model Struktural Efek Tak Langsung Kualitas Orang Tua terhadap
Orientasi Pilihan Bidang Keahlian
Gambar 10.8b Model StruktGral Efek Tak Langsung Kualitas Sekolah terhadap
Orientasi Pilihan Bidang Keahlian
Analisis efek tak langsung antar variabel ini dapat dilihat pada estlmasi koefisien
struktural dan nilai-T dari masing-masing parameter. Sccara ringkas, hasil analisis
perhitungan besarnya estimasi koefisten struktural tersebut dapat dilihat pada Tabel 10.6.
No Variabel Parameter Estimasi Nilai-t
l. 0,05 3,57
Kualltas Orang Tua (q ) dengan
Orientasi Pilihan bidang keahlian
(114) melalui Melek Teknologi,
Kemampuan Umum, dan
Pemahaman Diri.
2. 0,17 2,56
Kualltas Sekolah (42) dengan
Orientasi Pilihan Bidang keahlian
(114) melalui Kemampuan
Umum dan Pemahaman Diri.
BAB III
KASUS
A. Kasus
Pemodelan Persamaan Struktural Pada Adopsi Mobile Banking Studi Kasus: Bsgtouch
Bank Sulutgo
Kemajuan dalam teknologi telekomunikasi dan informasi memiliki dampak besar pada
banyak sektor industri, termasuk sektor perbankan. Mobile banking kemudian menjadi pilihan
nasabah dalam transaksi keuangan. Penelitian ini bertujuan untuk menganalisis penerimaan
nasabah terhadap penggunaan layanan mobile banking dengan menggunakan pendekatan
Technology Acceptance Model (TAM) yang dikembangkan oleh Davis (1989). Penelitian ini
menganalisis 277 responden nasabah pengguna layanan BSGTouch dengan menggunakan
metode kuantitatif dan teknik analisis data SEM PLS menggunakan aplikasi SmartPLS. Hasil
penelitian ini menunjukan bahwa perceived ease of use dan perceived usefulness mempengaruhi
attitude toward using pengguna, attitude toward using kemudian mempengaruhi behavioral
intention, dan behavioral intention mempengaruhi responden actual use nasabah pengguna
mobile banking. Penelitian ini menjelaskan secara lengkap bagaimana setiap variabel dalam
TAM saling berhubungan satu sama lain. Secara umum penggunaan TAM dalam menganalisis
adopsi mobile banking bisa dibuktikan dalam penelitian ini.
Eksistensi dari industri perbankan akan sangat bergantung pada kemampuan adaptasi Internet
dan kemajuan teknologi, salah satu bentuk adaptasi teknologi dalam industri perbankan adalah
mobile banking yang menawarkan berbagai manfaat. Mobile banking yang juga merupakan
layanan Equipment-centric mengacu pada interaksi di mana nasabah terhubung ke bank melalui
perangkat seluler seperti smartphone, atau tablet. Dan menurut Al-Jabri dan Sohail. mobile
banking adalah aplikasi m-commerce yang dibuat oleh industri keuangan atau bank yang
memungkinkan nasabahnya untuk melakukan transaksi keuangan transaksi jarak jauh dengan
mengadopsi perangkat seluler seperti Personal Digital Assistant (PDA). Baik nasabah maupun
bank diuntungkan oleh layanan mobile banking, seperti transfer uang online, pembayaran cek
otomatis, rencana tabungan personal, pembayaran tagihan, informasi yang tepat waktu, dan akses
jarak jauh tak terbatas. Hal yang sama juga diungkapkan Sudarsono et al dalam penelitiannya
yang menemukan bahwa mobile banking digunakan untuk mengurangi kontak,
ketidaknyamanan, biaya transaksi, dan waktu yang dikonsumsi.
B. Metode Penelitian
Metode yang digunakan dalam penelitian ini adalah metode kuantitatif dengan penelitian
survei menggunakan kuesioner dalam bentuk online. Variabel yang digunakan dalam penelitian
ini ada 5 variabel yaitu perceived usefulness, perceived ease of use , attitude toward using,
behavioral intention to use, dan actual use. Perceived usefulness dijabarkan menjadi 6 indikator
[19] yang setelah dianalisis terjadi pengeluaran 1 indikator yaitu (PU2). Berikutnya, terdapat 6
item indikator pada perceived ease of use [19]. Kemudian, indikator dari attitude toward using
ada 5 [33] yang setelah dianalisis terjadi pengeluaran 1 indikator yaitu (ATU5). Setelah itu,
indikator pada behavioral intention to use ada 5 indikator [34]. Terakhir, indikator pada actual
use terdapat 5 item [35] [25].
Kuesioner yang di pakai adalah sistim daftar tilik dengan pilihan jawaban sangat setuju (SS),
setuju (S), netral (N), tidak Setuju (TS) dan sangat tidak setuju (STS) dengan menggunakan skala
Likert 1 sampai 5 yang diuji validitas dan reliabilitasnya. 2.4 Pengumpulan Data dan Sampel
Sampel pada penelitian ini adalah nasabah Bank SulutGo pengguna layanan BSGTouch. Ada
277 responden, mayoritas responden adalah perempuan sebanyak 62% (n=172), paling banyak
berusia antara 26 sampai 35 tahun sebanyak 51% (n=140). Rinciannya pada tabel dibawah ini:
Discriminant Validity
Discriminant validity meliputi Fornell-Larcker Criterion dan cross loading. Fornell-Larcker
Criterion dianggap memenuhi syarat jika indikator mempunyai koefisien korelasi yang lebih
besar dengan masing-masing konstruknya dibandingkan dengan nilai koefisien indikator pada
blok konstruk lainnya. Tabel 3 menunujukkan angka koefiesien korelasi Fornell-Larcker
Criterion dari Attitude Toward Using = 0.832, Actual Use = 0.782, Behavioral Intention to Use =
0.879 , Perceived Ease of Use = 0.892, dan Perceived Usefulness = 0.865 semuanya lebih besar
dari nilai koefisien korelasi pada blok konstruk lainnya. Kemudian tabel 4 menunjukkan nilai
masing-masing cross loading lebih besar dari konstruk dibaris sampingnya.
b. Uji Reliabilitas
Evaluasi terhadap nilai reliabilitas konstruk diukur dengan nilai Cronbach’s Alpha dan
Composite Reliability. Konstruk dinyatakan reliable jika nilai composite reliability maupun
cronbach alpha di atas 0,70.
Tabel 5 Reliablitas Konstruk
Cronbach’s Alpha Composite Reliability Keterangan
ATU 0.851 0.900 Reliabel
AU 0.856 0.887 Reliable
BIU 0.924 0.944 Reliable
PEOU 0.947 0.959 Reliabel
PU 0.916 0.937 Reliable
Berdasarkan tabel 5 nilai Cronbach’s Alpha dan Composite Reliability pada konstruk
menunjukan ≥ 0,7 sehingga dapat disimpulkan indikator konsisten dalam mengatur konstruknya.
2. Structural Model Evaluation (Inner Model)
a. Coeffiicient of Determination (R2 )
Analisis R2 (R squares) dapat dilihat pada tabel 6. Dimana Perceived Usefulness
dapat dijelaskan oleh variabel Perceived Ease of Use sebesar 37.2% yang merupakan
pengaruh lemah. Kemudian variabel Attitude Toward Using dapat dijelaskan oleh
variabel Perceived Ease of Use dan Perceived Usefulness sebesar 66,7% dimana
merupakan pengaruh moderat. Selanjutnya variabel Behavioral Intention to Use dapat
dijelaskan oleh variabel Perceived Ease of Use, Perceived Usefulness, dan Attitude
Toward Using sebesar 56% dimana merupakan pengaruh moderat. Terakhir variabel
Actual Use dapat dijelaskan oleh variabel Perceived Ease of Use, Perceived
Usefulness, Attitude Toward Using, dan Behavioral Intention to Use sebesar 27.6%
dimana merupakan pengaruh lemah.
Tabel 6 Coeffiicient of Determination
R Square
Attitude Toward Using 0.667
Actual Use 0.276
Behavioral Intention to Use 0.560
Perceived Usefulness 0.372
Berdasarkan Tabel 7 efek size besar dengan kriteria F-Square > 0,35 adalah ATU->BIU,
BIU- >AU, PEOU->ATU dimana masuk dalam efek size besar, dan PEOU->PU. Sedangkan PU-
>ATU dan PU->BIU masuk dalam efek size moderat.
c. Model fit (NFI)
Semakin dekat nilai NFI (Normed Fit Index) ke 1, semakin baik kecocokannya. Tabel 8
menunjukan nilai NFI 0.645 mendekati 1, dan rsm Theta 0.214 mendekati 0.
Tabel 8 Model Fit
Model Fit Value
NFI 0.645
Rms Theta 0.214
3. Uji Hipotesis
a. Uji t-statistik
Tabel 10 Hasil Uji Hipotesis
T Statisties P Values
PU -> ATU 3.935 0.000
PEOU -> ATU 9.447 0.000
PEOU -> PU 10.709 0.000
ATU -> BIU 7.155 0.000
BIU -> AU 12.382 0.000
PU -> BIU 4.529 0.000
PU -> ATU -> BIU -> AU 3.882 0.000
PEOU -> ATU -> BIU -> AU 4.506 0.000
PU -> BIU -> AU 4.040 0.000
Pada tabel 11 menunjukkan pengaruh total yang terbesar yaitu PEOU->ATU=0.792 dan yang
terkecil adalah PU->AU=0.071. Pada tabel 4.11 juga memperlihatkan besaran pengaruh
langsung dari PEOU->ATU=0.639 adalah yang terbesar dan PU->ATU= 0.251 adalah yang
terkecil. Nilai pengaruh tidak langsung pada tabel 4.11 menunjukan bah PU ->ATU -> BIU ->
AU=0.071. Secara logis dapat disimpulkan ketika nasabah mendapat kegunaan dari aplikasi
mobile banking, dan kegunaan tersebut dapat diterima positif, akan membuat pengguna ingin
menggunakannya kembali yang akan membuat intensitas penggunaan aplikasi mobile banking
meningkat. Selanjutnya bisa dilihat juga PEOU -> ATU -> BIU -> AU=0.180. Secara logis dapat
disimpulkan ketika nasabah diberikan kemudahan penggunaannya, dan kemudahan tersebut
dapat diterima positif, akan membuat pengguna ingin menggunakannya kembali yang akan
membuat intensitas penggunaan aplikasi mobile banking meningkat. Terakhir bisa dilihat PU ->
BIU -> AU= 0.147. Bisa diartikan ketika nasabah merasakan kegunaan penggunaan aplikasi
mobile banking, akan membuat pengguna ingin menggunakannya kembali yang akan membuat
intensitas penggunaan aplikasi mobile banking meningkat.