Category: Metode Penelitian

Penelitian ini dilakukan dengan menggunakan bantuan software SmartPLS. Partial
Least Square dapat digunakan untuk memprediksi ada atau tidaknya hubungan yang
terjadi antara variabel laten satu dengan variabel laten lainnya dengan situasi
kompleksitas yang tinggi dan dukungan teori yang rendah. (Ghozali, 2006). Penelitian
ini menggunakan metode Partial Least Square dengan alasan karena penelitian ini
18
menggunakan hasil dari jawaban kuesioner sebagai sumber data. Teknik analisis yang
digunakan ini berguna untuk mengetahui pengaruh retail service quality dengan
kepuasan dan loyalitas pelanggan. Berikut adalah pemaparan prosedur yang dipakai
dalam metode PLS secara umum. (Ghozali, 2006)

Pengolahan dalam penelitian ini menggunakan model Structural Equation
Model (SEM) dengan smartPLS.  Hubungan kausalitas model SEM ini untuk lebih
jelasnya dapat dilihat melalui diagram path. Ada beberapa hal yang membedakan
analisis PLS dengan model analisis SEM yang lain:
a. Data tidak harus berdistribusi normal.
b. Dapat digunakan sampel kecil. Minimal sampel>30 dapat digunakan.
c. PLS selain dapat digunakan untuk mengkonfirmasikan teori, dapat juga
digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten.
d. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator
reflektif dan formatif.
e. PLS mampu mengestimasi model yang besar dan kompleks dengan ratusan
variabel laten dan ribuan indicator. (Sanjiwani & Jayanegara, 2015).

a. Indikator Variabel Physical Aspects (Aspek Fisik)
b. Indikator Variabel Reliability (Kehandalan)
c. Indikator Variabel Personal Interaction (Interaksi Pribadi)
d. Indikator Variabel Problem Solving (Pemecahan Masalah)
e. Indikator Variabel Policy (Kebijakan)
SmartPLS bertujuan untuk memprediksi suatu model dan mengkonfirmasi teori
yang telah ada, tetapi bisa juga digunakan untuk menjelaskan ada tidaknya hubungan
antar peubah atau variabel laten. Model analisis jalur semua variabel laten dalam
smartPLS terdiri dari tiga set hubungan:
a. Inner model yang menspesifikasi hubungan antar variabl laten (structural
model). Inner model menggambarkan hubungan antar variabel laten
berdasarkan substantive theory.
b. Outer model yang menspesifikasi hubungan antara variabel laten dengan
indikator atau variabel manifestnya (measurment model). Outer model juga
mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel
latennya.
c. Weight relation di mana nilai kasus dari variabel laten dapat diestimasi. Tanpa
kehilangan generalisasi, dapat diasumsikan bahwa variabel laten dan indikator
atau manifest variabel diskala zero means dan unit variance sehingga parameter
lokasi dapat dihilangkan dalam model.

Menurut Ghozali (2006), Partial Least Square (PLS) merupakan orientasi model
persamaan struktural yang digunakan untuk menguji teori atau untuk mengembangkan
teori (tujuan prediksi). (Ghozali, 2006). PLS ini adalah pendekatan alternatif yang
bergeser dari pendekatan Structur Equation Modelling (SEM) berbasis kovarian
(mengukur besarnya hubungan antara dua variabel) menjadi berbasis varian (ukuran
korelasi antara dua variabel acak yang sama). PLS ini sering diterapkan karena tiga
alasan yaitu diatribusi data, ukuran sampel, dan penggunaan indikator formatif.
Dinyatakan oleh Wold dalam Ghozali (2006), metode ini merupakan metode yang
sangat kuat, karena tidak didasarkan oleh banyak asumsi, data tidak harus terdistribusi
dengan normal multivariate (indikator dengan skala kategori sampai rasio dapat
digunakan pada model yang sama) dan untuk bahan sampel tidak harus besar dengan
minimal sampel 30-50 sudah dapat diaplikasikan dan sudah layak untuk dijadikan
sampel penelitian. (Ghozali, 2006). Sedangkan, menurut Wold dalam Hoyle (1999), PLS
merupakan metode analisis yang “powerfull” karena dapat diterapkan pada semua skala
data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. (Ghozali,
2006). Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat
juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten.
Selain dapat digunakan untuk mengeksplorasi hubungan antar variabel dengan landasan
teori lemah atau belum ada, PLS juga dapat digunakan untuk pengujian hipotesis. PLS
merupakan pendekatan yang lebih tepat untuk tujuan prediksi. Konstrak terbagi menjadi
dua, yaitu konstrak eksogen dan konstrak endogen. Konstrak eksogen merupakan
konstrak penyebab, konstrak yang tidak dipengaruhi oleh konstrak lainnya. Konstrak
eksogen memberikan efek kepada konstrak lainnya, sedanhkan konstrak endogen
merupakan konstrak yang dijelaskan oleh konstrak eksogen. Konstrak endogen adalah
efek dari konsrrak eksogen. (Yamin dan Kurniawan, 2010

Secara umum metode explanatory research adalah pendekatan metode yang
menggunakan PLS. Hal ini disebabkan pada metode ini terdapat pengujian Hipotesa.
Menguji hipotesis dapat dilihat dari nilai t-statistik dan nilai probabilitas. Untuk
pengujian hipotesis menggunakan nilai statistik maka untuk alpha 5% nilai t-statistik
yang digunakan adalah 1,96. Sehingga kriteria penerimaan/penolakan Hipotesa adalah
Ha diterima dan H0 di tolak ketika t-statistik > 1,96. Untuk menolak/menerima
Hipotesis menggunakan probabilitas maka Ha di terima jika nilai p < 0,05.

Analisa pada PLS dilakukan dengan tiga tahap:
1. Analisa outer model
2. Analisa inner model
3. Pengujian Hipotesa.
Analisa outer model dilakukan untuk memastikan bahwa measurement yang digunakan
layak untuk dijadikan pengukuran (valid dan reliabel). Analisa outer model dapat
dilihat dari beberapa indikator:
1. Convergent validity
2. Discriminant validity
3. Unidimensionality
Sedangkan analisa inner model/analisa struktural model dilakukan untuk memastikan
bahwa model struktural yang dibangun robust dan akurat. Evaluasi inner model dapat
dilihat dari beberapa indikator yang meliputi:
1. Koefisien determinasi (R2)
2. Predictive Relevance (

3. Goodness of Fit Index (GoF)
Untuk pengujian Hipotesa dilakukan dengan melihat nilai probabilitas nya dan tstatistik nya. Untuk nilai probabilitas, nilai p-value dengan alpha 5% adalah kurang dari
0,05. Nilai t-tabel untuk alpha 5% adalah 1,96. Sehingga kriteria penerimaan Hipotesa
adalah ketika t-statistik > t-tabel.

Program WarpPLS merupakan salah satu alat yang dikembangkan dalam
melakukan analisis SEM-PLS. WarpPLS dikembangkan Professor Ned Kock dari Texas
A & M International University pada tahun 2010 bersama ScriptWarp Systems di
Loredo, Texas, Amerika Serikat (Latan & Ghozali, 2012). Saat ini WarpPLS memiliki 5
versi dengan WarpPLS versi 5 sebagai program terbaru yang dapat diunduh secara
gratis di situs web Warp PLS di internet.
Beberapa keunggulan program WarpPLS, antara lain:
1. Memiliki kemampuan mengidentifikasi hubungan nonlinier dan linier antar
variabel laten sekaligus serta mampu mengoreksi nilai keofisien jalur.
2. Dapat memberikan ilustrasi hubungan nonlinier berupa scatterplots.
3. Dapat mengestimasi p value untuk koefisien jalur secara otomatis, tanpa
memperhitungkan nilai t.
4. Dapat memberikan beberapa indikator fit model secara otomatis yang berguna
untuk memilih model terbaik.
5. Dapat memberikan nilai effect size yaitu f-squared effect size secara langsung.
6. Dapat memberikan hasil full collinearity test dengan menampilkan nilai
Variance Inflatin Factor (VIF) yang berguna untuk memeriksa ada tidaknya
multikolineritas vertikal dan lateral.
7. Dapat memberikan estimated collinearity sebelum analisis SEM dilakukan yang
bergunan untuk meminimalkan masalah multikolinearitas antar variabel laten.
8. Dapat memberikan hasil nilai pengaruh tidak langsung (indirect effect),
pengaruh total (total effect) beserta p value, standard error dan effect size. Nilainilai tersebut berguna untuk mempermudah pengujian variabel pemediasi
(intervening).
9. Dapat menunjukkan nilai relevansi prediktif berupa nilai Q-squared. Q-squared
bergunan untuk menilai relevansi prediktif blok variabel laten prediktor terhadap
variabel laten kriterion.

Tahapan analisis SEM-PLS perlu melalui lima proses tahapan yang saling
berkaitan. Setiap tahapan berpengaruh terhadap proses selanjutnya. Berikut tahapan dalam analisis SEM-PLS:
1. Konseptualisasi Model
Tahap awal yang perlu dilakukan adalah mendefinisikan secara konseptual
konstruk-kontruk yang akan diteliti beserta dimensionalitas dan arah hubungan.
Selain itu perlu menentukan penggunaan antara indikator formatif atau reflektif.
2. Algoritma Metode Analisis
Pogram WarpPLS setidaknya menyediakan empat pilihan algoritma analisis.
Warp 3 PLS Regression umum dipakai karena menyediakan hasil terlengkap
dengan model s-curve dan u-curve. Warp 2 PLS Regression menghasilkan dua
u-curve. Algoritma PLS Regression dan Robust Path Analysis merupakan
metode standar yang tidak menghasilkan s-curve dan u-curve.
3. Metode Resampling
Metode resampling atau penyampelan kembali adalah sebuah pendekatan dalam
menguji model teoritis dengan cara mengolah beberapa subsampel dari sampel
orisinil kemudian mengestimasi model untuk setiap subsampel. Hasil estimasi
dari setiap subsample lalu digabungkan (menggunakan rata-rata) hingga dapat
diperoleh nilai signifikansi statistik (nilai t dan p). Metode resampling
merupakan pendekatan nonparametrik yang tepat untuk analisis SEM-PLS guna
memperoleh nilai signifikansi statistik tanpa harus memenuhi asumsi-asumsi
yang ketat (Sholihin & Ratmono, 2013).
Program WarpPLS menyediakan empat pilihan metode resampling, yaitu
Bootstrapping, Jackknifing, Blinfolding dan Stable. Stable adalah default tanpa
menggunakan resampling. Bootstrapping menggunakan algoritma yang
menciptakan jumlah subsampel (resample) dengan mengambil sampel kemudian
menggantinya (resampling with replacement). Jackknifing bekerja dengan cara
menciptakan jumlah resample yang sama dengan ukuran orisinil dan di setiap
resample terdapat satu baris yang dibuang. Sehingga ukuran sampel setiap
resample sama dengan sampel awal dikurangi satu. Blinfolding bekerja dnegan
cara menciptakan jumlah resample dimana resample mempunyai jumlah tertentu
dengan rata-rata kolom terkait.
Jackknifing merupakan pilihan yang baik untuk mengatasi masalah adanya
outlier dan tetap mengahsilkan koefisien dan nilai p yang reliabel pada peneltian
dengan sampel kurang dari 100. Bootstrapping merupakan pilihan yang baik
dengan sampel di atas 100. Sedangkan blindfolding mempunyai karakter
diantara jackknifing dan bootstrapping. Jumlah resample yang disarankan adalah
100 atau lebih untuk menghasilkan nilai p yang reliabel.
4. Menggambar Diagram Jalur pada Program
5. Evaluasi Model
Evaluasi model merupakan proses menguji ketepatan indikator-indikator pada
masing-masing konstruk (outer model atau analisis model pengukuran) dan
menguji hubungan antar veriabel laten (inner model atau analisis model
struktural).
Analisis model pengukuran menguji multikolinearitas, reliabilitas, validitas
konvergen dan validitas diskriminan.
Uji multikolinearitas adalah uji ada tidaknya kolineraitas vertical dan lateral, uji
multikolinearitas perlu dilakukan guna menghindari misleading result atau
distorsi data. Multikolinearitas adalah kondisi terdapatnya hubungan linier atau
korelasi yang tinggi antara masing-masing variabel independen dalam model
regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang
digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah
multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya
melibatkan satu variabel independen. Pada analisisi SEM-PLS, nilai Average
Variance Inflation Factor (AVIF) dan Average full collinearity VIF (AFVIF)
kurang dari 3,3 menujuukan model bebas dari masalah multikolinearitas vertikal
dan lateral (Kock, 2015). Kolinearitas vertikal adalah kolinearitas antar variabel
laten prediktor, sedangkan kolinearitas lateral adalah kolinearitas antara variabel
laten prediktor dan kriterion.
Suatu data dapat dikatakan baik dan tepat dalam mengukur suatu ukuran atau
variabel apabila data memiliki kesahihan ukuran (validity of measure) dan
keandalan ukuran (reliability of measure). Uji reliabilitas merupakan derajar
sejauhmana ukuran menciptakan resopons yang sama sepanjang waktu dan
lintas situasi. Satu pengukuran adalah reliabel jika pengukuran tidak berubah
bila konsep yang diukur kembali konstan (Silalahi, 2009). Pada analisis SEMPLS reliabilitas data diuji menggunakan nilai Cronbach’s Alpha (dengan sayarat
> 0,7) dan Composite Reliability (dengan syarat > 0,7) (Kock, 2015). Model
dengan variabel laten formatif tidak memerlukan uji reliabilitas konstruk,
cronbach’s alpha dan nilai AVE (Latan & Ghozali, 2012).
Validitas atau kesahihan berkaitan dengan ketepatan alat pengukur suatu data.
Validitas adalah sejauh mana perbedaan skor dalam suatu instrumen atautau
kuisioner mencerminkan kebenaran perbedaan antara individu sampel (Silalahi,
30
2009). Validitas dibagi menjadi dua, yaitu validitas internal dan eksternal. Uji
validitas yang dilakukan dalam SEM adalah validitas internal. Validitas internal
menunjukkan kemampuan dari instrument penelitian untuk mengukur apa yang
seharusnya diukur dari suatu konsep (Latan & Ghozali, 2012). Validitas
diskriminan diuji melalui nilai cross loading (dengan syarat >0,7) dan
perbandingan nilai akar kuadrat Average Variance Extracted (AVE) dengan
nilai korelasi antar konstruk laten (dengan syarat akar kuadrat AVE > korelasi
antar knstruk laten).
Sedangkan validitas konvergen diuji melalui nilai loading factor (dengan syarat
> 0,7) dan nilai AVE (dengan syarat > 0,5).
Anlisis model struktural merupakan evalusi hubungan antar variabel laten dalam
model persamaan. Analisis model pengukuran dilakukan dengan menguji nilai
Relevansi prediktif, Effect sizes atau ukuran efek, dan Koefisien jalur beserta p
value.
Relevansi prediktif menunjukkan hubungan antara variabel criterion dan
prediktif. Relevansi prediktif ditunjukkan oleh koefisien Q-squared atau yang
juga dikenal sebagai Stone-Geisser Q-squared. Relevansi prediktif yang relevan
memiliki estimasi koefisien Q-squared lebih besar dari nol ( > 0).
Hasil estimasi effect size menunjukkan kekuatan hubungan atau kontribusi antar
variabel eksogen terhadap variabel endogen (Abdillah & Hartono, 2015).
Sedangkan koefisien jalur menunjukkan sifat hubungan. Nilai koefisien jalur
positif menadakan semakin tinggi nilai variabel prediktif diikuti peningkatan
nilai variabel kriterionnya. Dan sebaliknya. Hubungan yang signifikan
ditunjukkan dengan p value kurang dari 0,05. Jika koefisien jalur lebih besar
dari 0,5, hubungan dianggap tidak signifikan

Teori yang menjelaskan hubungan setiap variabel laten yang saling terkait
disebut dengan teori struktural. Penentuan urutan dari variabel latennya
berdasarkan pengetahuan dan pengalaman peneliti. Apabila variabel laten
hanya berfungsi selaku variabel independen maka, variabel itu disebut selaku
variabel laten eksogen, dan sebaliknya apabila variabel laten hanya berfungsi
selaku variabel dependen, maka variabel itu disebut selaku variabel laten
endogen

Teori pengukuran merupakan teori yang menjelaskan bagaimana konstruk
diukur. Terdapat dua cara dalam pengukuran konstruk yaitu, formatif dan
reflektif.
a. Pengukuran formatif
Suatu indikator yang membentuk, menciptakan, atau mempengaruhi suatu
konstruk merupakan pengukuran formatif. Setiap indikator tidak
mempengaruhi satu sama lain maka, apabila suatu indikator dieliminasi
tidak akan mengubah peranan indikator lainnya. Perubahan konsepsi dari
konstruk dapat mengalami perubahan akibat dari mengeliminasi satu
indikator. Pengukuran formatif ditampilkan dengan anak panah yang
menunjuk dari indikator ke konstruk seperti halnya pada Gambar 2.2.
b. Pengukuran reflektif
Indikator merupakan dampak dari suatu konstruk merupakan pengukuran
reflektif. Indikator yang sama dan berkaitan dengan konstruk harus
memiliki variansi bersama atau kovarians maka, perubahan satu indikator
mempengaruhi peranan indikator lainnya. Ketika satu indikator dieliminasi
maka, konsepsi dari konstruk tidak akan berubah. Pengukuran reflektif
ditampilkan dengan arah panah menunjuk ke indikator dari konstruk

Dalam suatu diagram jalur PLS-SEM terdiri atas dua elemen, yaitu:
1. Model struktural atau inner model
Elemen ini ditampilkan dalam bentuk oval yang mewakili konstruk dan
dihubungkan antar konstruk dengan panah . Model struktural ditampilkan
dalam Gambar 2.2.
2. Model pengukuran atau outer model
Elemen ini ditampilkan dalam bentuk persegi panjang yang mewakili variabel
indikator dan dihubungkan antar konstruk dengan panah. Contoh dari model
pengukuran ditunjukkan pada Gambar 2.2. Model pengukuran terbagi menjadi
dua berdasarkan sifat variabel latennya yaitu, model pengukuran dengan
variabel eksogen dan model pengukuran dengan variabel endogen.
Selain kedua elemen yang disebut di atas, berikut istilah yang perlu dipahami dalam
suatu diagram jalur PLS-SEM:
1. Konstruk atau Variabel laten
Variabel dengan pengukuran tidak langsung dan abstrak disebut konstruk.
Digambarkan dengan bentuk oval seperti Y1-4 pada Gambar 2.2.
2. Indikator atau variabel manifes
Manifestasi yang telah disepakati dan dapat diukur secara langsung disebut
sebagai indikator berisi data yang akan diolah. Pada Gambar 2.2. indikator
ditunjukkan sebagai X1-10.
3. Panah berkepala tunggal
Suatu hubungan terarah ditampilkan dalam bentuk panah berkepala tunggal.
Hubungan tersebut dianggap bersifat prediktif. Apabila hubungan tersebut
didukung dengan dasar teoritis yang kuat maka, diartikan sebagai hubungan
kausal.
4. Measurement and Structural Error
Dalam suatu pengukuran PLS-SEM dapat terjadi kesalahan pengukuran
sehingga, model pengukuran memasukkan kesalahan pengukuran atau
measurement error untuk mewakili variansi yang dijelaskan dalam suatu
model jalur yang diperkirakan. Pada Gambar 2.2. kesalahan pengukuran
ditunjukkan sebagai e7
, e8
, dan e9
. Selain kesalahan pengukuran, terdapat juga
kesalahan struktural yang dikaitkan dengan variabel laten endogen yaitu, Z3
dan Z4 pada Gambar 2.2. Kesalahan strutural atau structural error dapat terjadi
karena prediksi konstruk dependen secara tidak sempurna. Konstruk dependen
lainnya hanya dijelaskan oleh konstruk independen dalam suatu model
struktural yang tidak memiliki kesalahan. Suatu hubungan antara konstruk dan
indikator yang tidak memiliki kesalahan karena dianggap konstruk dan
indikator setara disebut dengan konstruk item tunggal

Dalam memahami data dan hubungan antar data, pada awalnya penelitian
menggunakan analisis bivariat dan analisis univariat. Analisis univariat adalah
suatu analisis yang melibatkan satu variabel, sedangkan analisis bivariat melibatkan
dua variabel yang diduga berkorelasi dalam analisisnya. Seiring berkembangnya
waktu, penelitian dilakukan dengan analisis multivariat yang melibatkan lebih dari
dua variabel sebagai penerapan metode statistik (Hair, et al., 2017).
Pendekatan berbasis regresi sering digunakan dalam penelitian dengan analisis
mulitivariat. Hal tersebut sering disebut sebagai teknik generasi pertama. Seiring
berkembangnya waktu, digunakan teknik generasi kedua yang disebut dengan
pemodelan persamaan struktural atau biasa dikenal dengan Structural Equation
Modeling (SEM). Penelitian yang dilakukan dapat melibatkan variabel yang tidak
dapat diamati dan diukur secara tidak langsung dengan SEM. Terdapat dua jenis
analisis SEM yaitu, Partial Least Square SEM (PLS-SEM) dan Covariance-Based
SEM (CB-SEM) (Hair, et al., 2017).

Model struktural ini menunjukkan bagaimana konstruk berhubungan satu sama lain berdasarkan teori-teori yang sudah dikembangkan sebelumnya atau berdasarkan pada teori yang cukup mapan.
Model struktual akan menggambarkan hubungan-hubungan yang ada diantara konstruk atau variabel laten. Dalam SEM-PLS kehandalan dari sifat hubungan yang dianalisis dapat
mengestimasi hubungan yang non-linier dibandingkan dengan metode lain yang hanya sebatas hubungan linier. Pengujian model struktural atau hipotesis dengan menggunakan metode SEM-PLS dilakukan dengan bantuan alat analisis Warp PLS 6.0.
Untuk mengestimasi lebih lanjut model struktural, peneliti mengacu pada beberapa penilaian-penilaian, yakni: koefisien jalur (β) dan p-value, nilai koefisien determinasi (Adjusted R-Squared), relevansi prediktif (Q-Squared), Effect size untuk masing-masing jalur, eksplorasi mekanisme mediasi dengan menggunakan (Baron & Kenny, 1986) serta Variance Extracted For (VAF) dari (Hair dkk, 2013), dan . Adapun estimasi penilaian yang diacu, sebagai berikut:
1. Koefisien jalur (β) dan p-value
Pengujian hipotesis dilakukan dengan melihat nilai koefisien jalur (β) dan nilai signifikansi (p-value). Jika nilai koefisien jalur bernilai positif hal ini menandakan variabel eksogen berhubungan positif terhadap variabel endogennya, sedangkan jika nilai koefisien jalur bersifat negatif maka variabel eksogen berhubungan negatif dengan variabel endogennya. Untuk mengetahui apakah sautu hubungan itu signifikan maka melihat dari nilai P-value yang menunjukkan apakah hipotesis terdukung atau tidak. Hipotesis terdukung apabila nilai P-value <0.1 (signifikan pada tingkat 10%), P-value <0.05 (signifikan pada tingkat 5%), P-value <0.01 (signifikan pada tingkat 1%) (Hair dkk, 2014).
2. Nilai koefisien determinasi (Adjusted r-squared)
Nilai koefisien determinasi menggambarkan seberapa besar keseluruhan variabel laten eksogen dapat memengaruhi variabel laten endogen. Kock (2018) menjelaskan jika koefisien determinasi bernilai 0,75; 0,50 dan 0,25 maka variabel laten endogen dalam model struktural dapat diinterpretasikan secara berturut-turut sebagai kuat, moderat dan lemah.
3. Relevansi prediktif (Q-Squared)
Relevansi prediktif digunakan untuk penilaian validitas prediktif atau relevansi dari sekumpulan variabel laten prediktor pada variabel kriterion (Sholihin & Ratmono, 2013). Model dengan validitas prediktif harus mempunyai nilai Q-Squared lebih besar dari nol, hal ini mengindikasikan bahwa variabel laten
eksogen mempunyai relevansi prediktif pada variabel laten endogen yang dipengaruhi kriterion (Sholihin & Ratmono, 2013).
4. Effect Size untuk koefisien jalur
Effect size dihitung sebagai nilai absolut kontribusi individual setiap variabel laten prediktor pada nilai R-squared variabel laten kriterion. Kock (2018); Hair dkk, (2014) mengelompokkan Effect size kedalam tiga kategori yaitu lemah dengan spesifikasi nilai (0,2) selanjutnya medium dengan nilai (0,15) dan kategori kuat dengaan nilai (0,35). Nilai Effect size di bawah 0,02 dapat diartikan bahwa pengaruh variabel laten prediktor sangat lemah dari pandangan praktis (Practical point of view) meskipun variabel tersebut mempunyai nilai p yang signifikan (Sholihin & Ratmono 2013).

Dalam sebuah model pengukuran yang lengkap terdiri atas hubungan pengukuran antara indikator dan konstruk, hubungan korelasional diantara konstruk dan istilah Error untuk tiap indikator. Model pengukuran merupakan pengukuran dengan model reflektif, karena yang diukur adalah indikator-indikator penelitian. Indikator-indikator setiap variabel merefleksikan variabel laten yang diukur. Model pengukuran dalam SEM-PLS berkenaan dengan pemerikasaan seberapa valid dan reliabel instrumen penelitian, dalam hal ini SEM-PLS menggunakan pendekatan dengan istilah Outer Model untuk pengukuran variabelnya. SEM-PLS tidak digunakan untuk menghasilkan suatu model, namun untuk mengonfirmasi suatu model atau teori. Hubungan sebab-akibat diantara variabel tidak ditentukan oleh SEM, namun di bangun oleh teori (Hair, dkk 2014). Pengujian model pengukuran (Outer Model), diantaranya sebagai berikut:
1) Uji Validitas
Validitas konstruk mengukur sampai seberapa jauh ukran indikator mampu merefleksikan konstruk laten teoritisnya (Cooper & Schindler, 2014). Uji validitas dapat dilakukan dengan mengacu pada konsep-konsep pengukuran yang digunakan dalam penelitian lain atau penelitian sebelumnya. Pengujian seperti validitas ini memberikan bukti bahwa butir-
butir pengukuran yang digunakan memenuhi kriteria validitas konstruk dalam artian dapat mengukur apa yang seharusnya diukur.
Uji validitas ini bagaimana pun juga, sangat penting dilakukan untuk memastikan apakah pernyataan yang digunakan didalam kuesioner benar-benar mampu mengukur objek yang diteliti, setelah indikator yang digunakan dinyatakan valid, maka kuesioner layak untuk disebarkan ke responden. Adapun uji validitas yang dilakukan dalam penelitian ini terdiri dari dua pengujian yakni validitas wajah dan validitas konstruk, Selanjutnya Hair dkk, (2014) membagi validitas konstruk menjadi dua kelompok yaitu validitas konvergen dan diskriminan.
Validitas konvergen merupakan tipe dari validitas alat ukur yang menggunakan banyak indikator yang didasarkan pada logika bahwa indikator-indikator yang ada di dalam satu konstruk yang sama akan memiliki pergerakan yang mirip dan mengelompok (Neuman, 2016).
Konvergen konstruk dikatakan valid apabila nilai standard dari Loading sekurang-kurangnya antara 0.4 dan lebih baik jika ≥ 0,7. Indikator dengan nilai Loading antara ≥ 0,4 – ≤ 0,7 harus tetap dipertimbangkan untuk diperhatikan, akan tetapi indikator tersebut diperbolehkan dihapus jika penghapusan indikator dapat meningkatkan nilai perhitungan dari Average Variance Extracted (AVE) dan Composite reliability (CR). Syarat terpenuhinya validitas konvergen selanjutnya adalah
nilai p signifikan pada setiap indikatornya harus ≤ 0,05. Validitas konvergen juga dapat dinyatakan terpenuhi apabila nilai loading ke konstruk lain (Cross-loadings) bernilai lebih rendah dari pada ke konstruknya sendiri (Hair dkk, 2014).
Validitas diskriminan, uji ini didasarkan pada pemikiran logika bahwa indikator dari suatu konstruk berbeda (Driverge) dengan konstruk lain. Pengujian dapat dilakukan dengan melihat nilai Cross loading dari masing-masing konstruk. Nilai Cross loading menunjukkan besarnya korelasi antara setiap konstruk dengan indikatornya dan indikator dari konstruk blok lainnya. Sebuah konstruk mempunyai validitas diskriminan apabila indikator konstruk tersebut mempunyai nilai Loading paling tinggi pada kelompok konstruknya sendiri (Hair, dkk 2014). Evaluasi selanjutnya, yaitu dengan membandingkan nilai akar AVE dengan korelasi antar konstruk, pengujian ini juga sering disebut Fornell-Lacker Criterion. Konstruk akan dikatakan memenuhi validitas diskriminan ketika nilai dari akar kuadrat AVE konstruk lebih besar dari nilai korelasi terbesar antar konstruk tersebut dengan konstruk lainnya.
2) Uji reliabilitas
Reliabilitas suatu pengukuran mencerminkan apakah suatu pengukuran dapat terbebas dari kesalahn, sehingga memberikan hasil pengukuran yang konsisten pada kondisi yang berbeda-beda dari masing-masing butir dalam instrumen. Reliabilitas juga dapat diartikan sebagai keandalan atau konsistensi yang menunjukkan bahwa pengukuran
atribut yang sama diulang akan memberikan hasil kondisi yang identik atau sangat mirip (Neuman, 2016). Reliabilitas juga menekankan pada tingkat akurasi dan presisi dari prosedur pengukuran (Cooper & Schindler, 2014). Dalam hal ini, reliabilitas instrumen diukur dengan Composite Reliability dan Cronbach Alpha, yang mencerminkan konsistensi internal alat ukur (Hair, dkk 2014; Hair, dkk 2013) aturan yang umum dipakai adalah bahwa Composite Reliability ≥ 0.7 dan dengan Cronbach’s alpha ≥ 0.70. Meskipun demikian, sejumlah penulis lain mengatakan bahwa angka Cronbach’s alpha ≥ 0.60 masih dapat diterima (Hair, dkk 2014). Menurut Chin (2010); Kock (2018) menyatakan bahwa Cronbach’s alpha cenderung meng-underestimate dalam pengukuran reliabilitas dan dianggap terlalu sensitif terhadap jumlah indikator yang digunakan, sedangkan Composite reliability dapat dikatakan sebagai Closer approximation dengan asumsi estimasi parameter lebih akurat.

Untuk menguji apakah data sudah sesuai dengan model dapat dilihat dari hasil Output General Result pada alat analisis WarpPLS 6.0. model jika sesuai atau didukung dengan data (Fit), dapat disimpulkan bahwa model dapat merepresentasikan dengan baik fenomena yang terjadi atau basis konsep toeri yang telah dibangun. Berikut ini evaluasi dari hasil pengujian yang dapat mengkonfirmasi hal tersebut (Kock, 2018):
1) Melihat output nilai untuk ketiga indikator fit yaitu Average Path Coefficient (APC), Average R-squared (ARS) dan Average adjusted R-squared (AARS). Model dikatakan terpenuhi jika nilai P untuk APC, ARS dan AARS ≤ 0,05.
2) Melihat output nilai Average variance inflation factor (AVIF) dan Average full collinearity VIF (AFVIF) sebagai indikator multikolinearitas harus < 5 dan idealnya ≤ 3,3 masih bisa diterima dengan artian bahwa tidak terdapat kolinieritas vertikal maupun lateral.
3) Melihat nilai Tenenhaus GoF (GoF) memiliki nilai lemah yakni ≥ 0,1 selanjutnya medium memiliki nilai ≥ 0,25 dan kuat memiliki nilai ≥ 0,36.
Interprestasi dan kualitas dari model fit ini tergantung dari tujuan analisis SEM, jika tujuannya hanya menguji hipotesis hubungan antarvariabel laten (Strictly confirmatory) maka indikator model fit menjadi kurang penting. Namun jika tujuannya menentukan model terbaik dari beberapa model yang berbeda (Competing models) maka indeks fit menjadi sangat penting (Kock, 2018). Bagaimana pun juga, jika ingin
membandingkan model terbaik (Competing models), maka urutan indikatornya mulai dari yang terpenting ialah: (1) ARS, (2) AVIF, (3) APC (Kock, 2011).

Outliers adalah hasil-hasil observasi yang menunjukkan nilai-nilai esktrim dalam distribusinya. Outlier terjadi karena adanya kombinasi unik dan nilai-nilai yang dihasilkan dari observasi tersebut sangat berbeda dari observasi-observasi lainnya (Hair dkk, 2014). Menurut Hair dkk, (2014) untuk sampel besar (≥80 observasi), pedoman evaluasi Outliers adalah bahwa nilai ambang batas dari Z-score berada pada rentang ± 3 – 4 dan jika sampel ≤ 80 observasi pedoman evaluasi Outliers adalah nilai ambang batas dari Z-score berada pada rentang ± 2,5 atau lebih besar. Akan tetapi Kock (2018) dalam alat analisisnya (WARP PLS 6.0) menggunakan ambang batas Z-score pada rentang ± 4 atau lebih dianggap sebagai Outliers. Bagaimana pun juga apabila terdapat Outliers baik univariat maupun multivariat, maka observasi-observasi yang bersangkutan harus dikeluarkan dari analisis selanjutnya. Setelah melakukan evaluasi Outliers maka asumsi selanjutnya adalah identifikasi data yang missing value. Menurut (Hair dkk, 2014) pada SEM-PLS aturan baku yang diberikan untuk batas toleransi data Missing Value adalah maksimum 5% dari jumlah per indikator.

Pada perkembangannya SEM dibagi dalam 2 (dua) jenis, yaitu: Covariance –based SEM (CB-SEM) dan Variance-based SEM atau Partial Least Squares (SEM-PLS). Menurut Hair, Hult, Ringle, dan Sarstedt (2014), terdapat beberapa alasan dalam penelitian yang menggunakan jenis SEM-PLS sebagai metode pemilihan analisis data yang tepat, yaitu:
1. Metode SEM-PLS akan sangat membantu bagi penelitian yang sifatnya ingin mencari hubungan eksploratoris dalam situasi yang belum berkembang (Less developed)dan perluasan teori yang sudah ada.
2. SEM-PLS mempunyai prasyarat jumlah sampel yang lebih longgar dari SEM-CB yaitu hanya 10 kali dari jumlah jalur
dalam model penelitian. Selain itu SEM-PLS dapat mencapai stastistical power yang cukup tinggi dengan jumlah sampel yang relatif kecil (35-50 objek). Walaupun dengan data yang besar CB-SEM dan SEM-PLS hasilnya relatif sama.

Adapun karakteristik dari SEM sebagai berikut (Hair dkk, 2014) :
a. Dapat mengestimasi hubungan timbal balik antar variabel atau manifest.
b. Kemampuannya untuk menjelaskan hubungan dari variabel yang abstrak (laten).
c. Dapat mengestimasi nilai error dari masing-masing manifest dan variabel latennya.
d. Model dalam SEM adalah representasi dari basis konsep teori.

Metode SEM ini merupakan salah satu jenis analisis multivariat dalam ilmu sosial
yang mencakup Multiple Regression dan analisis jalur dengan Path Analysis (factor loading) yang menjelaskan hubungan variabel laten dan manifestnya dalam sebuah model yang rumit, yang dapat diestimasi/diuji secara bersamaan (simlutan) (Kock, 2018;Hair,Black, & Anderson, 2014)

Okumus dan Genc (2013) menemukan bahwa faktor religiusitas merupakan faktor utama yang menjadi pertimbangan nasabah ketika memilih bank syariah di Turki. Faktor kedua yang menjadi pertimbangan adalah bank tersebut interest-free atau bebas dari bunga. Bahkan keuntungan menajdi pertimbangan paling akhir ketika memilih bank syariah. Berbagai penelitian lainnya juga menyimpulkan bahwa agama merupakan motivasi utama dan faktor signifikan bagi nasabah muslim telah dilakukan oleh okumus (2005), Hassan (2007), dan Muhlis (2011).

Pengaruh sosial yang dicetuskan oleh Kelman‟s (1958) yang disebut pendekatan psikologi (Psychological Attachment/PA) yang berisi proses pengaruh sosial terhadap minat perilaku dan sikap. Kelman (1958) membedakan 3 proses pengaruh sosial yang mempengaruhi individu yaitu: internalisasi (internalization), identifikasi (identification), dan kepatuhan (Compliance). Pengaruh sosial mempunyai suatu peran penting dalam menentukan perilaku pengguna terhadap penerimaan dan penggunaan TI baru (Malhotra & Galletta, 1999). PA secara langsung tidak mempunyai pengaruh terhadap minat perilaku. Namun secara tidak langsung pengaruh sosial berpengaruh terhadap minat perilaku dan sikap, dalam kaitannya dengan internalisasi dan identifikasi.

Sikap (attitude) merupakan cerminan dari perasaan suka atau tidak suka untuk menggunakan suatu sistem informasi teknologi (Taylor & Todd, 1995). Sikap juga merupakan perasaan positif atau negatif dari seseorang jika harus melakukan perilaku yang akan ditentukan (Davis, 1989). Sikap (attitude) didefinisikan juga sebagai perasaan emosional, evaluasi, dan kecenderungan tindakan
yang menguntungkan ataupun tidak menguntungkan dari seseorang terhadap suatu objek/layanan (Rangkuti, 2013).
Baraghani (2008) menunjukkan adanya hubungan signifikan antara sikap (attitude) dan Minat perilaku (Behavior intention). Andrew Gunawan (2014) juga menunjukkan bahwa sikap berpengaruh positif secara langsung dengan minat untuk menggunakan mobile banking

Persepsi kemudahan penggunaan (Perceived Ease of Use) merupakan suatu tingkat kepercayaan seseorang bahwa TI dapat dengan mudah dipahami. Dimana konsep ini mencakup kejelasan tujuan penggunaan TI dan kemudahan penggunaan sistem untuk tujuan sesuai dengan keinginan pengguna (Davis, 1989). Beberapa indikator persepsi kemudahan penggunaan, antara lain ialah: mudah untuk dipelajari (ease to learn), mudah untuk digunakana (easy to use), jelas dan mudah dipahami (clear and understandable) dan menambah keterampilan para pengguna (become skillful).
Berdasarkan uraian di atas, penerimaan suatu TI dipengaruhi oleh persepsi kemudahan penggunaan TI tersebut. Hal ini disebabkan karena pengguna atau nasabah akan bersikap terbuka
terhadap sesuatu yang sesuai dengan apa yang dapat dipahami dengan mudah. Di sampimg itu, TI yang dikatakan mudah digunakan oleh pengguna, maka TI tersebut juga akan dianggap bermanfaat bagi penggunanya, sehingga tingkat kemudahan penggunaan dapat mempengaruhi persepsi manfaat.
Dan persepsi kemudahan penggunaan (perceived ease of use) memiliki hubungan signifikan terhadap sikap (attitude) (Davis, 1989). Told dan Taylor (1995) juga menemukan bahwa ada hubungan positif antara persepsi kemudahan penggunaan (perceived ease of use) terhadap sikap (attitude).

Persepsi manfaat (perceived usefulness) didefinisikan sebagai suatu tingkat kepercayaan seseorang bahwa penggunaan suatu teknologi informasi (TI) tertentu akan meningkatkan prestasi kerja orang tesebut. Dengan kata lain, sebagai sejauh mana seseorang percaya bahwa penggunaan suatu teknologi adalah penting karena akan meningkatkan kinerjanya dan produktivitasnya dalam bekerja. Bila suau teknologi dianggap memiliki manfaat maka suatu teknologi akan digunakan dan sebaliknya bila diangggap tidak memberikan manfaat maka akan ditinggalkan (Davis, 1989).
Todd dan Taylor (1995) menemukan bahwa ada hubungan signifikan antara persepsi manfaat (perceived usefulness) dengan sikap (attitude) untuk menggunakan suatu sistem informasi
teknologi. Sikap (attitude) memainkan peranan penting dalam pengadopsian teknologi komputer (Davis, dkk 1989). Nugraha (2009) menunjukkan bahwa persepsi manfaat (perceived usefulness) memiliki pengaruh yang positif terhadap sikap (attitude).

Berdasarkan Peraturan Otoritas Jasa Keuangan No.19/POJK/03/2014 (2014) disampaikan bahwa Mobile banking adalah layanan perbankan yang dapat diakses langsung melalui
ponsel seperti SMS banking, namun memiliki tingkat kecanggihan yang lebih tinggi. Beberapa Bank bekerja sama dengan operator seluler, sehingga dalam SIM Card (kartu chips seluler) Global for Mobile communication (GSM) sudah dipasangkan program khusus untuk bisa melakukan transaksi perbankan. Dengan adanya mobile banking ini maka proses transaksi konsumen akan lebih mudah dibandingkan dengan SMS Banking karena konsumen tidak perlu menghafal format pesan SMS yang akan dikirimkan ke Bank dan nomor tujuannya. Adapun beberapa jenis transaksi mobile banking, antara lain:
a. Transfer dana
b. Informasi saldo
c. Mutasi rekening
d. Informasi nilai tukar
e. Pembayaran (kartu kredit, PLN, telepon, handphone, listrik, dan asuransi);
f. Pembelian (pulsa isi ulang).
Mobile banking merupakan salah satu hasil pengembangan teknologi mobile yang digunakan dalam domain komersial (Amanullah, 2004). Mobile banking ini mengombinasikan teknologi informasi dan aplikasi bisnis secara bersama. Dengan mobile banking, nasabah dapat menggunakannya untuk mendapatkan layanan perbankan 24 jam sehari tanpa harus mendatangi kantor cabang bank untuk transksi personal.
Mobile banking juga sebagai salah satu sebuah fasilitas dari bank dalam era digitalisasi dan komunikasi. Layanan yang terdapat
pada mobile banking umumnya meliputi pembayarannya. transfer, history, dan lain sebagainya. Dengan adanya layanan mobile banking nasabah dapat lebih mudah menjalankan aktivitas perbankannya tanpa batasan ruang dan waktu (Kurniawati, wahyu, & Alfi, 2017).
Mobile banking adalah sebuah layanan yang disediakan oleh bank untuk melakukan berbagai transaksi perbankan melalui berbagai fitur yang ada pada ponsel pintar (smartphone). Mobile banking juga merupakan pengembangan dari fitur M-banking yang mungkin juga sudah tidak asing. Perbedaannya adalah aplikasi M-banking menempel pada simcard, sedangkan aplikasi mobile banking justru ter-install pada ponsel. Perubahan yang lebih menarik dan user friendly (Fransiska, 2018).
Adapun fiture mobile banking dapat diakses melalui tiga cara yaitu, sebagai berikut:
1. Menggunakan aplikasi dengan cara mengunduh aplikasi layanan mobile banking di app-store yang tersedia pada smartphone.
2. Mengakses melalui menu provider. Namun tidak semua provider memiliki layanan mobile banking ini, hanya ada beberapa provider yang menyediakan layanan mobile banking. Salah satu contohnya adalah mobile banking BCA yang dapat diakses melalui provider Indosat, XL, dan Telkomsel.
3. Beberapa mobile banking terhubung dengan internet banking, sehingga untuk dapat melakukan aktivitasi harus terlebih dahulu mengaktivasi akun di internet banking.
Transaksi mobile banking dapat dilakukan dimana saja dan kapan saja. Keuntungan yang diperoleh nasabah selain menghemat waktu, nasabah juga dapat mengontrol rekening mereka dan melakukan transaksi perbankan hanya dengan menggunakan ponsel. Jasa mobile banking memiliki produk seperti sms-banking, mobile phone dan sebagainya.

Teknologi informasi (TI) didefinisikan sebagai suatu teknologi yang menghasilkan, memanipulasi, menyimpan, mengomunikasikan atau menyampaikan informasi (M.Suyanto, 2005). TI selain sebagai teknologi informasi komputer (hardware dan software) untuk pemrosesan dan penyimpan informasi, juga berguna sebagai teknologi komunikasi untuk penyebaran informasi. Teknologi komputer digunakan untuk menerima input, menjalankan proses, menyimpan dan mengakses data, menghasilkan dan menginginkan output serta membantu pengendalian sistem secara keseluruhan. TI juga digunakan untuk menghasilkan output yang berguna bagi pemakai, dapat dikomunikasikan dengan pemakai lain ke dalam maupun ke luar organisasi melalui jaringan. Local Area Network (LAN), Wide Area Network (WAN) maupun internet, sebagai teknologi komputer dan komunikasi (Abdul, 2004).

TAM merupakan model yang diperkenalkan oleh Fred Davis pada tahun 1986 dengan disertasinya yang berjudul “A Technology Acceptance Model for Empirically Testing New End-User Information System: Theory and Results” di Sloan School of Management, Massachusetts Institute of Technology. Disertasi ini
selanjutnya dipublikasikan dalam karya ilmiah yang berjudul “Perceived Usefulness, Percieved Ease of Use, and User Acceptance of Information Technology” pada tahun 1989 (Davis, dkk 1989).
Dalam memformulasikan TAM, Davis menggunakan TRA sebagai grand theory-nya, namun tidak mengakomodasi semua komponen TRA. Davis hanya memanfaatkan komponen „attitude‟ saja, sedangkan normative belief dan subjective norms tidak digunakannya (Davis, dkk 1989) Model davis diadopsi dari model TRA ini berasumsi bahwa sesorang mengadopsi suatu teknologi pada umumnya ditentukan oleh proses kognitif dan bertujuan untuk memaksimalkan kegunaan teknologi itu sendiri. Dengan kata lain, kunci utama penerimaan teknologi informasi oleh penggunanya adalah evaluasi kegunaan
teknologi tersebut. Selanjutnya Davis merusmuskan dua variabel utama dalam TAM, yaitu persepsi manfaat (peceived usefulness) dan persepsi kemudahan pengguna (percieved ease of use). Kedua variabel ini dapat menjelaskan aspek perilaku (behavior aspect) pengguna (Davis, dkk 1989). Dengan demikian, model TAM dapat menjelaskan bahwa persepsi pengguna akan menentukkan sikapnya dalam kemanfaatan penguna TI. Model ini secara lebih jelas menggambarkan bahwa penerimaan dan pengguna TI dipengaruhi oleh persepsi manfaat dan persepsi kemudahan pengguna. Di samping itu, Davis juga memberikan kerangka dasar untuk menelusur pengaruh faktor eksternal terhadap kedua variabel tersebut.
Perceived usefulness didefinisikan sebagai “the degree to which a person believe that using a particular system would enhance his or her job performance” (Davis, 1989). Definisi ini menggambarkan bahwa persepsi manfaat adalah suatu tingkat kepercayaan seseorang bahwa penggunaan suatu teknologi tertentu akan meningkatkan prestasi kerja orang tersebut. Konsep ini menggambarkan manfaat sistem bagi pemakainya yang berkaitan dengan produktivitas, kinerja tugas, efektivitas, pentingnya suatu tugas dan usefulness (Rini, 2007).
Indikator kemanfaatan tersebut, diantaranya adalah pekerjaan lebih mudah (makes job easier), bermanfaat (useful), meningkatkan produktivitas (increase productivity), mendorong efektivitas (enchance effectiveness) meningkatkan kinerja pekerjaan (improve job performance) (Davis, 1989).
Dengan definisi dan indikator-indikator di atas dapat diartikan bahwa kemanfaatan dari penggunaan TI dapat meningkatkan kinerja dan prestasi orang yang menggunakannya. Kemanfaatan dalam TI merupakan manfaat yang diperoleh atau diharapkan oleh para penguna dalam melaksanakan tugas dan pekerjaannya. Karenanya, tingkat kemafaatan TI mempengaruhi sikap para pengguna dalam mengadopsi teknolog tersebut.
Sementara itu, persepsi kemudahan pengguna (perceived ease of use) didefinisikan sebagai “the degree to which a person believe that using a particular system would be free of effort” (Davis, 1989). Definisi ini menggambarkan bahwa persepsi kemudahan penggunaan adalah suatu tingkat kepercayaan seseorang bahwa TI dapat dengan mudah dipahami. Konsep ini mencakup kejelasan tujuan penggunaan TI dan kemudahan penggunaan sistem untuk tujuan sesuai dengan keinginan pengguna (Rini, 2007).
Intensitas penggunaan dan interaksi antara pengguna dengan teknologi menunjukkan kemudahan penggunaan (Fahmi, 2004). Suatu teknologi yang sering digunakan menunjukkan bahwa teknologi tersebut lebih dikenal, lebih mudah dioperasikan dan lebih mudah digunakan. Kemudahan penggunaan akan mengurangi usaha (baik waktu dan tenaga) pada pengguna dalam mempelajari seluk beluk bertransaksi melalui teknologi. Kemudahan penggunaan juga memberikan indikasi bahwa para pengguna teknologi bekerja lebih mudah dibandingkan dengan yang bekerja tanpa menggunakan teknologi tersebut. Beberapa indikator persepsi kemudahan pengguna, antara lain meliputi mudah untuk dipelajari
(ease to learn), mudah untuk digunakan (easy to use), jelas dan mudah dipahami (clear and understandable) dan menambah keterampilan para pengguna (become skillful) (Davis, 1989). Dengan demikian, bila jasa yang diberikan teknologi dipersepsikan mudah digunakan oleh para pengguna, maka akan mendorong para pengguna (nasabah) untuk menerima dan atau menggunakan teknologi tersebut.
Sementara itu, variabel lain yang terdapat dalam model TAM adalah attitude toward use, behavioral intention dan actual use. Attitude toward use adalah sikap terhadap penggunaan sistem yang berbentuk penerimaan atau penolakkan sebagai dampak bila seseorang menggunakan suatu TI dalam pekerjaannya (Van der Heijden, dkk 2007).
Behavioral intention adalah kecenderungan perilaku untuk tetap menggunakan suatu TI. Beberapa indikator behavioral intention adalah intend to use in the future, dan use on a regular basis dan recommend others to use (Reid & Levy, 2008). Sedangkan actual use adalah kondisi nyata penggunaan suatu TI. Dimensi yang dikonsepkan dalam actual use adalah system usage (penggunaan sistem), yang meliputi frekuensi dan durasi waktu penggunaan sistem (Malhotra & Galleta, 1999). Actual Use ini dapat juga diukur dengan menggunakan konsep end user computing satisfaction (kepuasaan pengguna akhir). Menurut skala pengukuran dari Doll dan Torkzadeh, yang meliputi accuracy (keakuratan), content (isi), format (format), ease of use (
kemudahan penggunaan) dan timeliness (ketepatan waktu) (Liu & Yi 2008).
Semenjak diusulkannya oleh Davis, model TAM telah berkembang dengan berbagai macam model, seperti Docomposed Theory of Planned Behavior (DTPB) dan Technology Acceptance Model 2 (TAM2). Disamping memperluas perspektifnya dengan paradigma toritis yang berbeda dari psikolohi, sosiologi, marketing, dan lain-lain, model Davis juga telah diaplikasikan dalam berbagai sistem informasi, seperti email, internet, sistem akuntansi, sistem pengambilan keputusan dan sistem keahlian dalam berbagai macam konteks yang berbeda, seperti untuk sekolah, pabrik, rumah sakit, militer dan pemerintahan (Sung-Hee Park, 2007).
Model TAM merupakan salah satu model yang paling populer dan banyak digunakan dalam penelitian TI, serta memiliki beberapa kelebihan dan kekurangan diantaranya; (a) TAM merupakan model perilaku yang bermanfaat untuk menjawab kegagalan penerapan sistem TI karena tidak adanya minat para pengguna untuk menggunakannya, (b) TAM dibangun dengan dasar teori yang kuat, (c) TAM telah diuji dengan banyak penelitian dan sebagian besar hasilnya mendukung dan menyimpulkan bahwa TAM merupakan model yang baik, dan (d) Model TAM merupakan model parsimoni yaitu model sederhana dan valid. Sedangkan kelemahan dari TAM yaitu: (a) TAM hanya memberikan informasi atau hasil yang sangat umum tentang minat dan perilaku pengguna dalam menerima TI, (b) TAM tidak memiliki kontrol perilaku, (c) Penelitian TAM umumnya hanya
menggunakan sebuah sistem TI, (d) model TAM secara umumu kurang dapat menjelaskan sepenuhnya hubungan antar variabel di dalam model, (e) model TAM tidak mempertimbangkan perbedaan kultur. (Adrianto, dkk 2008)

TPB merupakan pengembangan lebih lanjut dari model TRA. Ajzen menambahkan konstruk yang belum ada dalam TRA, yaitu kontrol perilaku yang dipersepsi (perceived behavior control). Dalam upaya memahami keterbatasan yang dimiliki individu dalam rangka melakukan perilaku tertentu sehingga konstruk ini ditambahkan. Teori Asumsi dasar dari TPB adalah banyak perilaku
yang tidak semuanya dibawah kontrol penuh individu, sehingga perlu ditambah konsep perceived behavior control. Teori ini mengasumsikan bahwa perceived behavior control mempunyai implikasi motivasional terhadap minat perilaku, selain itu adanya kemungkinan hubungan langsung antara perceived behavior control dengan perilaku. Konstruk ini merefleksikan persepsi dan konstruk-konstruk internal dan eksternal dari perilaku (Jose Mauro, dkk 2007).

TRA pertama kali dicetuskan oleh Fishbein dan Ajzen pada tahun 1975. Sebenarnya teori ini berasal dari salah satu model perilaku psikologi sosial. Teori ini menjelaskan bahwa perilaku (behavior) seseorang ini dilakukan karena sesorang memiliki minat atau keinginan untuk melakukannya (behavior intention) atau
dengan kata lain minat perilaku akan menentukan perilakunya. (Davis, 1989).
TRA mengusulkan bahwa minat perilaku adalah suatu fungsi dari sikap (attitude) dan norma-norma subjektif (subjective norms). Dalam upaya mengungkapkan pengaruh sikap (attitude) dan norma-norma subjektif (subjective norms) terhadap minat perilaku, Fishbein dan Ajzen melengkapi model TRA ini dengan keyakinan (beliefs). Sikap berasal dari keyakinan terhadap perilaku (behavior beliefs), sedangkan norma subjektif berasal dari keyakinan normatif (normative beliefs) (Davis, dkk 1989).

Adapun karakteristik dari religiusitas ialah sebagai berikut:
a. Niat ibadah
Niat merupakan pendorong utama manusia untuk beramal, sedangkan ibadah ialah tujuan manusia beramal (Baharuddin, 2007). Ibadah didefinisikan sebagai perkataan dan perbuatan yang disenangi dan diridhoi Allah swt, baik yang bersifat lahir maupun batin. Ibadah yang bersifat lahir seperti pengamalan rukun Islam, berbicara benar dan jujur, menunaikan amanah, silaturahmi, dan sebagainya. Ibadah yang bersifat batin, seperti ikhlas, sabar, tawakkal, dan perbuatan-perbuatan batin lainnya yang diridhoi Allah. Perbuatan ataupun perilaku yang sifatnya duniawi belaka, seperti bisnis, olahraga, melakukan pekerjaan rumah tangga, dan sebagainya, dapat berubah menjadi bernilai ibadah dengan syarat didasari oleh niat atau motivasi ibadah (Ahmad, 2004) kesimpulan bahwa perilaku manusia yang didasari dengan niat beribadah kepada Allah swt merupakan salah satu karakteristik penting dari motivasi agama yang dirumuskan dari penjabaran aqidah.
b. Ibadah sebagai Tujuan dalam Berperilaku
Dalam Q.S az-Zāriyāt (51):56 disebutkan bahwa manusia dan jin diciptakan untuk mengemban tugas beribadah. Beribadah merupakan salah satu tugas manusia (Baharuddin, 2007). Dalam melaksanakan ibadah, maka setiap perbuatan manusia dimotivasi dengan tujuan beribadah kepada Allah, baik dalam perbuatan yang bertujuan untuk kepentingan akhirat, seperti sholat, puasa, zakat maupun perbuatan yang bersifat duniawi, seperti melakukan bisnis, olahraga, membeli barang untuk memenuhi kebutuhan, dan sebagainya. Perilaku manusia yang mana dalam ajaran Islam bertujuan untuk beribadah, meskipun perilaku atau perbuatan itu bersifat duniawi, maka akan bernilai ibadah. Dengan adanya uraian diatas, dapat ditarik kesimpulan bahwa ibadah merupakan tujuan manusia dalam berprilaku atau berbuat, baik itu dalam perbuatan yang bertujuan untuk kepentingan akhirat ataupun duniawi. Sehingga, ibadah merupakan salah satu karakteristik penting dari motivasi agama.
c. Melakukan aktivitas sesuai dengan ajaran Islam
Ibadah merupakan tujuan manusia dalam berprilaku, sebagaimana dikemukakan di atas. Manusia membutuhkan suatu pedoman tentang kebenaran dalam hidup yaitu agama. Seorang Muslim yakin bahwa Islam adalah satu-satunya agama benar
dan diridhoi Allah swt. Islam telah mencakup seluruh ajaran kehidupan secara komprehensif (Munrokhim, dkk 2008). Dengan demikian, setiap aktivitas manusia, baik ibadah maupun mu‟amalah dilakukan sesuai dengan ajaran agama Islam. Dengan adanya uraian diatas dapat ditarik kesimpulan bahwa setiap perbuatan manusia, baik ibadah maupun mu‟amalah yang dilakukan berdasarkan prinsip-prinsip dan nilai-nilai Islam merupakan salah satu karakteristik dari motivasi agama yang dirumuskan dari penjabaran konsep syari‟ah (ibadah dan mu‟amalah).
d. Memperoleh Kesejahteraan di Dunia dan Akhirat (Falāh)
Setiap manusia pada dasarnya selalu menginginkan kehidupannya di dunia dalam keadaan bahagia, baik secara mateial maupun spiritual. Kebahagian di dunia dan akhirat (falāh) dapat terwujud apabila terpenuhi kebutuhan-kebutuhan hidup manusia secara seimbang. Islam mendefinisikan kesejahteraan didunia dan akhirat dengan istilah “falāh” yaitu kesejahteraan holistik dan seimbang antara dimensi material-spiritual, individual-sosial dan kesejahteraan di dunia dan akhirat (Munrokhim, dkk: 2008). Oleh karena itu, manusia harus dapat menyeimbangkan terpenuhinya kebutuhan material dan spiritual agar dapat mencapai kesejahteraan di dunia dan akhirat (falāh). Sehingga dari uraian diatas, dapat disimpulkan bahwa perilaku manusia yang didasari dengan tujuan untuk memperoleh kesejahteraan, baik di dunia dan akhirat merupakan
salah satu karakteristik dari motivasi agama yang dirumuskan dari penjabaran konsep mu‟amalah.
e. Mempertimbangkan Aspek Maslahah dalam Mengkonsumsi Barang dan Jasa.
Pada dasarnya perilaku manusia bertujuan untuk memperoleh kesejahteraan di dunia dan akhirat (falāh) sebagaimana dikemukakan diatas. Manusia akan berusaha untuk memenuhi kebutuhan-kebutuhannya, sehingga dengan tercukupinya kebutuhan manusia akan memberikan dampak yang disebut dengan maslahah. Oleh karena itu dalam melakukan suatu aktivitas mu‟amalah, seseorang konsumen muslin cenderung untuk memilih barang dan jasa yang memberkan maslahah maksimum, bukan mendapatkan utility (Munrokhim, dkk: 2008). Perilaku ekonomi konsumen Muslim akan mempertimbangkan aspek maslahah dan menghindari kemudaratan dalam mengkonsumsi suatu barang atau jasa tertentu, di karenakan mereka memprioritaskan pemenuhan kebutuhan yang lebih tinggi tingkat kemaslahatannya. Dengan adanya uraian diatas dapat ditarik kesimpulan bahwa perilaku ekonomi konsumen Muslim yang mempertimbangkan aspek kemaslahatan dan menghindari kemudaratan dalam mengkonsumsi suatu barang atau jasa merupakan salah satu karakteristk dari motivasi agama yang dirumuskan dari penjabaran konsep mu‟amalah.

Thouless (1995) menyebutkan faktor-faktor yang mempengaruhi sikap keagamaan adalah sebagai berikut:
1) Pengaruh pendidikan atau pengajaran dan berbagai tekanan sosial.
Faktor ini mencakup semua pengaruh sosial dalam perkembangan keagamaan itu, termasuk pendidikan dari orang tua, tradisi-tradisi sosial, tekanan dari lingkungan sosial untuk menyesuaikan diri dengan berbagai pendapat dan sikap yang disepakati oleh lingkungan itu.
2) Faktor pengalaman
Berkaitan dengan berbagai jenis pengalaman yang membentuk sikap keagamaan. Terutama pengalaman
mengenai keindahan, konflik moral dan pengalaman emosional keagamaan. Faktor ini umumnya berupa pengalaman spiritual yang secara cepat dapat mempengaruhi perilaku individu.
3) Faktor kehidupan
Kebutuhan-kebutuhan ini secara garis besar dapat menjadi empat, yaitu: (a) kebutuhan akan keamanan atau keselamatan, (b) kebutuhan akan cinta kasih, (c) kebutuhan untuk memperoleh harga diri, dan (d) kebutuhan yang timbul karena adanya ancaman kematian.
4) Faktor intelektual
Berkaitan dengan berbagai proses penalaran verbal atau rasionalisasi.
Berdasarkan penjelasan diatas dapat disimpulkan bahwa, setiap individu memiliki tingkat religiusitas yang berbeda-beda dan tingkat religiusitasnya dapat dipengaruhi dari dua macam faktor, yaitu faktor internal dan faktor eksternal. Pengaruh faktor internal yang dapat mempengaruhi religiusitas seperti adanya pengalaman-pengalaman emosional keagamaan, kebutuhan individu yang mendesak untuk dipenuhi seperti kebutuhan akan rasa aman, harga diri, cinta kasih, dan sebagainya. Sedangkan pengaruh eksternalnya seperti pendidikan formal, pendidikan agama dalam keluarga, tradisi-tradisi sosial yang berlandaskan nilai-nilai keagamaan, dan tekanan-tekanan sosial dalam kehidupan individu.

Dimensi dalam religiusitas menurut Stark dan Glock dalam Ancok (1996), religiusitas mempunyai lima dimensi yang terdiri dari:
(a). Dimensi Ritual (Syari‟ah): Dimensi ini mencakup perilaku pemujaan ketaatan, dan hal-hal yang dilakukan orang untuk menunjukkan komitmen terhadap agama yang dianutnya.
(b).Dimensi ideologis (aqidah): Dimensi ini berisi pengharapan-pengharapan dimana orang religius berpegang teguh pada pandangan teologis tertentu dan mengakui kebenaran doktrin-doktrin tersebut. Setiap agama mempertahankan seperangkat kepercayaan di mana
para penganut diharapkan akan taat. Walaupun demikian, isi dan ruang lingkup keyakinan itu bervariasi tidak hanya diantara agama-agama, tetapi seringkali juga diantara tradisi-tradisi dalam agama yang sama.
(c). Dimensi Intelektual (ilmu): Dimensi ini merupakan dimensi yang menerangkan seberapa jauh seseorang mengetahui tentang ajaran-ajaran agamanya, terutama yang ada di dalam kitab suci manapun yang lainnya. Paling tidak seseorang yang beragama harus mengetahui hal-hal pokok mengenai dasar-dasar keyakinan, ritus-ritus, kitab suci dan tradisi-tradisi. Dimensi ini dalam Islam meliputi pengetahuan tentang isi Al-Qur‟an, pokok-pokok ajaran yang harus diimani dan dilaksanakan, hukum-hukum Islam dan pemahaman terhadap kaidah-kaidah keilmuan dalam Islam.
(d). Dimensi pengalaman atau penghayatan (experiential): Dimensi pengalaman disejajarkan dengan akhlak. Dimensi ini berisikan dan memperhatikan fakta bahwa semua agama mengandung pengharapan-pengharapan tertentu, meski tidak tepat jika dikatakan bahwa seseorang yang beragama dengan baik pada suatu waktu akan mencapai pengetahuan subjektif dan langsung mengenai kenyataan terakhir bahwa ia akan mencapai suatu kontak dengan kekuatan supernatural. Dimensi ini berkaitan dengan pengalaman keagamaan, perasaan-perasaan, persepsi-persepsi dan sensasi-sensasi yang
dialami seseorang atau masyarakat yang melihat komunikasi, walaupun kecil, dalam suatu esensi ketuhanan, yaitu dengan Tuhan, kenyataan terakhir dengan otoritas transidental.
(e). Dimensi konsekuensi (pengamalan): Dimensi konsekuesni yaitu dimensi yang mengidentifikasi akibat-akibat keyakinan keagamaan, praktik, pengamalan, dan pengetahuan seseorang dari hari ke hari. Walaupun agama banyak menggariskan bagaimana pemeluknya seharusnya berpikir dan bertindak dalam kehidupan sehai-hari, tidak sepenuhnya jelas sebatas mana konsekuensi-konsekuensi agama merupakan bagian dari komitmen atau semata-mata berasal dari agama.

Religiusitas dalam Kamus Besar Bahasa Indonesia sebagai intensitas keberagamaan, dimana dalam hal ini pengertian intensitas adalah ukuran atau tingkat. Religiusitas didefinisikan sebagai keyakinan atau kekuatan hubungan seseoraang terhadap agamanya (King, 1996). Secara sederhana dapat dikatakan bahwa religiusitas adalah tingginya keyakinan seseorang. Religiusitas juga merupakan hubungan pribadi dengan pribadi ilahi Yang Maha Kuasa, Maha Pengasih dan Maha Penyayang (Tuhan) (Suhardiyanto, 2001). Suatu aktifitas beragama yang erat berkaitan dengan religiusitas, bukan hanya terjadi ketika melakukan ritual (ibadah) tetapi juga aktivitas lain yang didorong kekuatan batin. Religiusitas merupakan integrasi secara komplek antara pengetahuan agama, perasaan serta tindakan keagamaan dalam diri eseorang. (Jalaludin, 2001).
Religiusitas dapat diwujudkan dalam berbagai kehidupan manusia. Aktivitas beragama bukan hanya terjadi ketika seseorang melakukan ibadah, tapi juga melakukan aktivitas lain yang di doreong oleh kekuatan supranatural. Bukan hanya yang berkaitan dengan aktivitas yang tak tampak dan dapat dilihat mata tapi juga aktivitas yang tak tampak dan terjadi dalam hati seseorang . Karena itu, keberagaman seseorang akan meliputi berbagai macam sisi atau dimensi. Dengan demikian, agama adalah pengertian sistem yang berdimensi banyak. Agama merupakan sistem simbol, sistem keyakinan, sistem nilai, dan sistem perilaku yang terlambangkan, yang semuanya itu berpusat pada persoalan-persoalan yang dihayati sebagai yang paling maknawi (Ancok & Suroso : 2011).

Pengaruh sosial didefinisikan sebagai sejauh mana seseorang individual mempersepsikan kepentingan yang dipercaya oleh orang-orang lain yang akan mempengaruhinya menggunakan sistem yang baru. Pengaruh sosial juga merupakan sekelompok orang yang mampu mempengaruhi perilaku individu dalam melakukan suatu tindakan berdasarkan kebiasaan (Hair & Daniel, 2001).
Adapun pengaruh sosial terdiri dari kelompok referensi, keluarga, peran dan status.
a. Kelompok referensi
Kelompok referensi seseorang terdiri dari seluruh kelompok yang mempunyai pengaruh langsung maupun tidak langsung terhadap sikap atau perilaku konsumen. Kelompok referensi adalah kelompok yang melibatkan satu atau lebih orang yang dijadikan sebagai dasa pembanding atau titik referensi dalam membentuk tanggapan efeksi dan kognisi serta menyatakan
perilaku seseorang. Kelompok referensi dapat berasal dari kelas sosial, sub-budaya, atau bahkan budaya yang sama atau berbeda (Paul & Jerry, 2000).
Kelompok referensi mempengaruhi pembelian seseorang melalui nasihat dan informasi yang diberikan dan sering dijadikan pedoman oleh konsumen dalam tingkah laku. Anggota-anggota kelompok referensi sering menjadi penyebar selera, hobi, oleh karena itu konsumen sering mengamati kelompok tersebut baik fisik ataupun mental. Anggota kelompok referensi diantaranya adalah keluarga, teman, saudara, orang tua, perkumpulan anak muda, dan sebagainya.
b. Keluarga
Keluarga adalah kelompok orang yang terdiri dari dua orang atau lebih yang berhubungan melalui darah, perkawinan, adopsi, dan tinggal bersama. Keluarga juga merupakan organisasi pembelian konsumen yang paling penting dalam masyarakat. Keluarga juga dapat menjadi kelompok acuan yang paling berpengaruh pada diri seorang konsumen (Philip & Kevine, 2009). Setiap anggota keluarga akan saling mempengaruhi dalam memutuskan pembelian dan konsumsi suatu produk. Suatu keluarga di dalam setiap anggotanya memiliki peran dalam pengambilan keputusan. Ada yang menjadi inisiator, pemberi pengaruh, penyaring informasi, dan pengambilan keputusan.
Sehingga, keluarga dapat didefinisikan sebagai suatu unit masyarakat terkecil yang perilakunya sangat mempengaruhi dan menetukan dalam keputusan pembelian.
c. Peran dan status
Seorang konsumen akan menjadi anggota dalam berbagai kumpulan di sepanjang hidupnya. Posisinya dalam setiap kelompok dapat ditentukan dalam bentuk peran dan status. Peran terdiri dari aktivitas yang diharapkan untuk dilakukan seseorang menurut orang-orang sekitarnya (Philip & Kevine, 2009). Setiap peran membawa status yang mencerminkan penghargaan yang diberikan oleh masyarakat. Seorang konsumen akan cenderung memilih produk yang menunjukkan statusnya dalam masyarakat.

Model yang disebut sebagai Technology Acceptance Model (TAM) adalah model
sistem informasi yang menunjukkan bagaimana pengguna menerima dan menggunakan
teknologi, model ini menunjukkan bahwa ketika pengguna disajikan dengan teknologi
baru, sejumlah faktor mempengaruhi keputusan mereka tentang bagaimana dan kapan
mereka akan menggunakannya terutama pada Perceived Usefulness dan Perceived easy
of use serta sikap merka terhadap penggunaan sistem informasi yang baru (Fiyah et al.,
2019).
TAM mendasarkan diri pada Theory of Reasoned Action (TRA) yang
dikemukakan Ajzen dan Fisbein (1980). TRA menjelaskan adanya reaksi dan persepsi
penggunaan Teknologi Informasi (TI) yang pada akhirnya akan mempengaruhi sikapnya
dalam penerimaan terhadap teknologi tersebut, tujuan utama TAM adalah memberikan
penjelasan tentang penentuan penerimaan komputer secara umum, memberikan
penjelasan tentang perilaku atau sikap pengguna dalam suatu populasi (Sayekti &
Putarta, 2016).
Menurut Aziz et al (2013) dalam Hunaifi (2018) Model penerimaan teknologi
(Teknology Acceptance Model) merupakan suatu model penerimaan sistem teknologi
informasi yang akan digunakan oleh pemakai. Model TRA dapat diterapkan karena
keputusan yang dilakukan oleh individu untuk menerima suatu teknologi sistem
informasi merupakan tindakan sadar yang dapat dijelaskan dan diprediksi oleh minat
perilakunya.
TAM menambahkan dua konstruk utama ke dalam mode TRA, dua konstruk
utama ini adalah kegunaan persepsian (perceived usefulnes) dan kemudahan penggunaan
persepsian (perceived ease of use). TAM berargumentasi bahwa penerimaan individu
terhadap teknologi informasi ditentukan oleh dua konstruk tersebut. Kegunaan
persepsian (perceived usefulnes) dan kemudahan penggunaan persepsian (perceived ease
of use) keduanya mempunyai pengaruh ke minat perilaku (behavioral intention).
Pemakai teknologi akan mempunyai minat menggunakan teknologi (minat perilaku) jika
merasa sistem teknologi bermanfaat dan mudah digunakan.

Partial Least Square (PLS) dikembangkan sebagai alternatif CBSEM. Secara
filosofis, perbedaan antara CBSEM dan PLS menurut Wold dalam Ghozali (2012)
adalah orientasi model persamaan struktural yang digunakan untuk menguji teori atau
untuk mengembangkan teori (tujuan prediksi). Pendekatan untuk mengestimasi variabel
laten dianggap sebagai kombinasi linear dari indikator sehingga menghindarkan masalah
indeterminacy dan memberikan definisi yang pasti dari komponen skor Ghozali (2012).
Menurut Jogiyanto dan Abdillah (2010) PLS adalah analisis persamaan struktural
(SEM) berbasis varian yang secara simultan dapat melakukan pengujian model
pengukuran sekaligus pengujian model struktural. Model pengukuran digunakan untuk
uji validitas dan reliabilitas, sedangkan model struktural digunakan untuk uji kausalitas
(Pengujian hipotesis dengan model prediksi). Perbedaan mendasar PLS yang merupakan
SEM berbasis varian dengan LISREL atau AMOS yang berbasis kovarian adalah tujuan
penggunaannya. SEM berbasis konvarian bertujuan untuk mengestimasi model untuk
pengujian atau konfirmasi teori, sedangkan SEM varian bertujuan untuk memprediksi
9
model untuk pengembangan teori, karena itu, PLS merupakan alat prediksi kausalitas
yang digunakan untuk pengembangan teori.
Ada beberapa hal yang membedakan analisis PLS dengan model analisis SEM
yang lain:
1. Data tidak harus berdistribusi normal multivariate
2. Dapat digunakan sampe kecil. Minimal sampel > 30 dapat digunakan.
3. PLS selain dapat digunakan untuk mengkonfirmasikan teori, dapat juga
digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten.
4. PLS dapat menganalisis sekaligus konstruk yang di bentuk dengan indikator
reflektif dan formatif
Ada beberapa program komputer untuk mengestimasi model pada model
persamaan struktural yaitu program Smartpls, LISREL, AMOS, EQS, SAS
PRODUCCALIS, dan STATISTICA SEPATH.

Beberapa hal penting yang melandasi SEM menurut Monecke & Leisch (2012)
menggunakan PLS diantaranya :
SEM menggunakan PLS terdiri tiga komponen, yaitu model struktural, model
pengukuran dan skema pembobotan. Bagian ketiga ini merupakan ciri khusus SEM
dengan PLS dan tidak ada pada SEM yang berbasis kovarian.
1. SEM menggunakan PLS hanya mengijinkan model hubungan antar variabel yang
recursif (sarah) saja. Hal ini sama dengan model analisis jalur (path analysis)
tidak sama dengan SEM yang berbasis kovarian yang mengijinkan juga
terjadinya hubungan non-recursif (timbal-balik).
2. Pada model struktural, yang disebut juga sebagai model bagian dalam, semua
variable laten dihubungkan satu dengan yang lain dengan didasarkan pada teori
subtansi. Variable laten dibagi menjadi dua, yaitu eksogenous dan endogenous.
Variaabel laten eksogenous adalah variable penyebab atau variable tanpa di
dahului oleh variabel lainnya dengan tanda anak panah menuju ke variabel
lainnya (variable laten endorgenous).

a. Langkah 1: Setiap variabel laten disusun didasarkan dengan jumlah berbobot
semua variabel manifestnya masing-masing.
b. Langkah 2: Setiap variabel laten diestimasi dengan menggunakan jumlah
berbobot setiap variabel laten yang berdekatan dengan variabel laten tersebut.
c. Langkah 3: untuk inisialisasi semua bobot adalah 1 ( satu ). Kemudian bobot
tersebut dihitung ulang dengan didasarkan pada nilai-nilai variabel laten yang
diperoleh pada langkah kedua.
11
d. Langkah 4: pengaturan vektor bobot luar dalam suatu matriks bobot luar untuk
membuat estimasi nilai-nilai faktor (variabel laten) dengan didasarkan pada
variabel-variabel maifesi. Vektor adalah seperangkat variabel yang dapat
diwakili dengan menggunakan indeks. Suatu vektor dapat berupa variabel
numerik atau string dan variabel tersebut dapat bersifat tetap atau sementara.
e. Langkah 5: jika perubahan relatif semua bobot dari suatu iterasi ke iterasi
berikutnya menjadi lebih kecil dibandingkan dengan toleransi yang sudah
didefinisikan sebelumnya; maka 5 estimasi nilai-nilai faktor yang dilakukan pada
langkah ke empat sudah dianggap final. Jika belum, maka langkah diulangi lagi
ke langkah dua

Pengertian SmartPLS menurut Latan (2012) “merupakan teknik alternative dari SEM berbasis vaiance seperti AMOS dan LISREL. Software ini dikembangkan oleh Institut Of Hamburg Jerman. Aplikasi ini digunakan untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The Pertial Least Squares (PLS) -method (PLS) yang digunakan untuk menganalisis software ini. Smartpls menggunakan bahasa pemrograman JAVA

Langkah-langkah pemodelan persamaan struktural berbasis PLS dengan software adalah
sebagai berikut :
1. Langkah Pertama: Merancang Model Struktural (inner model)
Perancangan model struktural hubungan antar variabel laten pada PLS didasarkan pada
rumusan masalah atau hipotesis penelitian.
2. Langkah Kedua: Merancang Model Pengukuran (outer model)
Perancangan model pengukuran (outer model) dalam PLS sangat penting karena terkait
dengan apakah indikator bersifat refleksif atau formatif.
3. Langkah Ketiga: Mengkonstruksi diagram Jalur
Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih mudah
dipahami, hasil perancangan inner model dan outer model tersebut, selanjutnya
dinyatakan dalam bentuk diagram jalur. Contoh bentuk diagram jalur untuk PLS dapat
dilihat pada Gambar 3.
4. Langkah Keempat: Konversi diagram Jalur ke dalam Sistem Persamaan
a. Outer model
Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya,
disebut juga dengan outer relation atau measurement model, mendefinisikan
karakteristik konstruk dengan variabel manifesnya. Model indikator refleksif dapat
ditulis persamaannya sebagai berikut:
x = Λxξ + δ
y = Λyη + ε
Di mana x dan y adalah indikator untuk variabel laten eksogen (ξ) dan endogen (η).
Sedangkan Λx dan Λy merupakan matriks loading yang menggambarkan seperti
koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya.
Residual yang diukur dengan δ dan ε dapat diinterpretasikan sebagai kesalahan
pengukuran atau noise.
Model indikator formatif persamaannya dapat ditulis sebagai berikut:
ξ= ΠξXi + δ η= ΠηYi + ε
Dimana ξ,η , X, dan Y sama dengan persamaan sebelumnya. Dengan Πξ dan Πη adalah
seperti koefisen regresi berganda dari variabel laten terhadap indikator, sedangkan δ dan
ε adalah residual dari regresi.
Pada model PLS Gambar 3 terdapat outer model sebagai berikut:
Untuk variabel latent eksogen 1 (reflektif)
x1 = λx1ξ1 + δ1
x2 = λx2ξ1 + δ2
x3 = λx3ξ1 + δ3
Untuk variabel latent eksogen 2 (formatif)
ξ2 = λx4 X4 +λ x5 X5 + λx6 X6 + δ4
Untuk variabel latent endogen 1 (reflektif)
y1 = λy1η1 + ε1
y2 = λy2η1 + ε2
Untuk variabel latent endogen 2 (reflektif)
y3 = λy3η2 + ε3
y4 = λy4η2 + ε4
b) Inner model
Inner model, yaitu spesifikasi hubungan antar variabel laten (structural model), disebut
juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan
teori substansif penelitian. Tanpa kehilangan sifat umumnya, diasumsikan bahwa
variabel laten dan indikator atau variabel manifest diskala zero means dan unit varian
sama dengan satu, sehingga parameter lokasi (parameter konstanta) dapat dihilangkan
dari model.
Model persamaannya dapat ditulis seperti di bawah ini:
η= βη+Γξ +ς
Dimana menggambarkan vektor variabel endogen (dependen), adalah vektor variabel
laten eksogen dan adalah vektor residual (unexplained variance). Oleh karena PLS
didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa
setiap variabel laten dependen , atau sering disebut causal chain system dari variabel
laten dapat dispesifikasikan sebagai berikut: ηj = Σiβjiηi + Σi γjbξb + ςj
Dimana γjb (dalam bentuk matriks dilambangkan dengan Γ) adalah koefisien jalur yang
menghubungkan variabel laten endogen (η) dengan eksogen (ξ). Sedangkan βji (dalam
bentuk matriks dilambangkan dengan β) adalah koefisien jalur yang menghubungkan
variabel laten endogen (η) dengan endogen (η); untuk range indeks i dan b. Parameter
ςj adalah variabel inner residual.
Pada model PLS Gambar 3 inner model dinyatakan dalam sistem persamaan sebagai
berikut:
η1 = γ1ξ1 + γ2ξ2 + ς1
η2 = β1η1 + γ3ξ1 + γ4ξ2 + ς2
c) Weight relation
Weight relation, estimasi nilai kasus variabel latent. Inner dan outer model memberikan
spesifikasi yang diikuti dengan estimasi weight relation dalam algoritma PLS:
ξb = Σkb wkb xkb
ηi = Σki wki yki
Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk estimasi
variabel laten ξb dan ηi. Estimasi variabel laten adalah linear agregat dari indikator
yang nilai weight-nya didapat dengan prosedur estimasi PLS.
5. Langkah Kelima: Estimasi
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil
(least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi
akan berhenti jika telah tercapai kondisi konvergen.
Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu :
1) Weight estimate digunakan untuk menciptakan skor variabel laten
2) Estimasi jalur (path estimate) yang menghubungkan antar variabel laten dan
estimasi loading antara variabel laten dengan indikatornya.
3) Means dan lokasi parameter (nilai konstanta regresi, intersep) untuk indikator
dan variabel laten.
Secara jelas algoritma untuk menentukan pembobot-pembobot, koefisien-koefisien
lintas, dan nilai peubah laten dalam PLS :
Tahap 1. Pendugaan iterative dari pembobot-pembobot awal dan nilai-nilai peubah
laten awal dimulap ada langkah #3, kemudian dilanjutkan dari hangkah #1

sampai dengan langkah #3 diulangi hingga konvergen, dengan batas
kekonvergenan * 5 10)/)(( − − www kikiki ≤
# 1. Pendugaan Model Struktural
Σ= v ξη ijiii dengan v * ˆ ji dengan vji=signcov(ηj,ξi) untuk i=1,2,..,m
Σ+= vv ξηη iliijl dengan v=signcov(η * ˆ l,ηi)
vli= signcov(ηl,ξi) untuk i=1,2,…,m

⎩
⎨
⎧ = Untuk0 ηdan ξ tidakyang berhubungan
Untuk1 ηdan ξ yangberhubungan
η ξ),signcov(
# 2. Pembobot model pengukuran
untuk k=1,2,…,r kjjkjkj += ewy ** ˆ η j dan j=1,2,…,n,
rj = banyaknya peubah manifest pada blok ke-j
# 3. Pendugaan Model Pengukuran
untuk k=1,…,s kikikii ξ
ˆ Σ= ˆ xw i dan i=1,2…,m
si = banyaknya peubah manifest pada blok ke-i
kjkjkjj ηˆ = Σ ˆ yw untuk k=1,…,rj dan j=1,2…,n
rj = banyaknya peubah manifest pada blok ke-j
Tahap 2 : Pendugaan Koefisien jalur
6. Langkah Keenam: Goodness of Fit
a). Outer Model
Convergent validity
Korelasi antara skor indikator refleksif dengan skor variabel latennya. Untuk hal ini
loading 0.5 sampai 0.6 dianggap cukup, pada jumlah indikator per konstruk tidak besar,
berkisar antara 3 sampai 7 indikator.
Discriminant validity
Membandingkan nilai square root of average variance extracted (AVE) setiap konstruk
dengan korelasi antar konstruk lainnya dalam model, jika square root of average
variance extracted (AVE) konstruk lebih besar dari korelasi dengan seluruh konstruk
lainnya maka dikatakan memiliki discriminant validity yang baik. Direkomendasikan
nilai pengukuran harus lebih besar dari 0.50.

AVE
λ ε
λ
Σ+Σ
Σ =
Composite reliability (ρc)
Kelompok Indikator yang mengukur sebuah variabel memiliki reliabilitas komposit
yang baik jika memiliki composite reliability ≥ 0.7, walaupun bukan merupakan standar
absolut.
)var()(
)(
2
2
i ii
i c
λ ε
λ
ρ Σ+Σ
Σ =
b). Inner model
Goodness of Fit Model diukur menggunakan R-square variabel laten dependen dengan
interpretasi yang sama dengan regresi; Q-Square predictive relevance untuk model
struktural, megukur seberapa baik nilai onservasi dihasilkan oleh model dan juga
estimasi parameternya. Nilai Q-square > 0 menunjukkan model memiliki predictive
relevance; sebaliknya jika nilai Q-Square ≤ 0 menunjukkan model kurang memiliki
predictive relevance. Perhitungan Q-Square dilakukan dengan rumus:
Q2
= 1 – ( 1 – R1
2
) ( 1 – R2
2
) … ( 1- Rp
2
)
dimana R1
2
, R2
2
… Rp
2
adalah R-square variabel endogen dalam model persamaan.
Besaran Q2
memiliki nilai dengan rentang 0 < Q2
< 1, dimana semakin mendekati 1
berarti model semakin baik. Besaran Q2
ini setara dengan koefisien determinasi total
pada analisis jalur (path analysis). Rm
2

7. Langkah Ketujuh: Pengujian Hipotesis
Pengujian hipotesis (β, γ, dan λ) dilakukan dengan metode resampling Bootstrap yang
dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau
uji t, dengan hipotesis statistik sebagai berikut:
Hipotesis statistik untuk outer model adalah:
H0 : λi = 0 lawan
H1 : λi ≠ 0
Sedangkan hipotesis statistik untuk inner model: pengaruh variabel laten eksogen
terhadap endogen adalah
H0 : γi = 0 lawan
H1 : γi ≠ 0  Sedangkan hipotesis statistik untuk inner model: pengaruh variabel laten endogen
terhadap endogen adalah
H0 : βi = 0 lawan
H1 : βi ≠ 0
Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas
(distribution free), tidak memerlukan asumsi distribusi normal, serta tidak memerlukan
sampel yang besar (direkomendasikan sampel meinimum 30). Pengujian dilakukan
dengan t-test, bilamana diperoleh p-value ≤ 0,05 (alpha 5 %), maka disimpulkan
signifikan, dan sebaliknya. Bilamana hasil pengujian hipotesis pada outter model
signifikan, hal ini menunjukkan bahwa indikator dipandang dapat digunakan sebagai
instrumen pengukur variabel laten. Sedangkan bilamana hasil pengujian pada inner
model adalah signifikan, maka dapat diartikan bahwa terdapat pengaruh yang bermakna
variabel laten terhadap variabel laten lainnya.

Di mana notasi-notasi yang digunakan adalah: ξ = Ksi, variabel latent eksogen η = Eta, variabel laten endogen λx = Lamnda (kecil), loading faktor variabel latent eksogen λy = Lamnda (kecil), loading faktor variabel latent endogen Λx = Lamnda (besar), matriks loading faktor variabel latent eksogen Λy = Lamnda (besar), matriks loading faktor variabel laten latent endogen β = Beta (kecil), koefisien pengaruh variabel endogen terhadap variabel endogen γ = Gamma (kecil), koefisien pengaruh variabel eksogen terhadap variabel endogen ς = Zeta (kecil), galat model

Konstruk dengan indikator formatif mempunyai karakteristik berupa komposit, seperti yang digunakan dalam literatur ekonomi yaitu index of sustainable economics welfare, the human development index, dan the quality of life index. Asal usul model formatif dapat ditelusuri kembali pada “operational definition”, dan berdasarkan definisi operasional, maka dapat dinyatakan tepat menggunakan model formatif atau reflesif. Jika η menggambarkan suatu variabel laten dan x adalah indikator, maka: η= x Oleh karena itu, pada model formatif variabel komposit seolah-olah dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas seolah-olah dari indikator ke variabel laten. Ciri-ciri model indikator formatif adalah: 1. Arah hubungan kausalitas seolah-olah dari indikator ke konstruk 2. Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji konsistensi internal atau Alpha Cronbach) 3. Menghilangkan satu indikator berakibat merubah makna dari konstruk 4. Kesalahan pengukuran diletakkan pada tingkat konstruk (zeta)

Model indikator refleksif dikembangkan berdasarkan pada classical test theory yang mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi dari true score ditambah error. Ciri-ciri model indikator reflektif adalah: 1. Arah hubungan kausalitas seolah-olah dari konstruk ke indikator 2. Antar indikator diarapkan saling berkorelasi (memiliki internal consitency reliability) 3. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna dan arti konstruk 4. Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator

PLS merupakan metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan structural dengan indiaktor bersifat reflektif ataupun formatif. PLS dibandingkan dengan LISREL mampu menangani dua masalah serius : (a) Solusi yang tidak dapat diterima (inadmissible solution); hal ini terjadi karena PLS berbasis varians dan bukan kovarians, sehingga masalah matriks singularity tidak akan pernah terjadi. Di samping itu, PLS bekerja pada model struktural yang bersifat rekursif, sehingga masalah un-identified, under-identified atau overidentified juga tidak akan terjadi. (b) Faktor yang tidak dapat ditentukan (factor indeterminacy), yaitu adanya lebih dari satu faktor yang terdapat dalam sekumpulan indikator sebuah variabel. Khusus indikator yang bersifat formatif tidak memerlukan adanya comon factor sehingga selalu akan diperoleh variabel laten yang bersifat komposit. Dalam hal ini variabel laten merupakan kombinasi linier dari indikator-indikatornya.

Continuance intention dalam mobile payment merupakan keputusan yang
dilakukan oleh seseorang untuk tetap menggunakan mobile payment tersebut di
masa mendatang (Raja, 2020). Continuance intention dapat dipengaruhi oleh
kepercayaan, dikarenakan kepercayaan merupakan dasar yang dapat mendukung
keputusan seseorang untuk mengadopsi suatu teknologi secara berkelanjutan. Hal
tersebut didukung dengan penelitian yang terkait niat penggunaan mobile payment
yang telah dilakukan oleh Shao, didapatkan hasil bahwa kepercayaan memiliki
pengaruh yang positif terhadap continuance intention (Shao, 2018). Menurut
Amorosoa (2017), keputusan yang dibuat untuk melakukan continuance intention
diambil sesuai dengan persepsi terhadap teknologi tersebut (Amorosoa, 2017).

Perceived risk dalam mobile payment merupakan keyakinan yang dirasakan
oleh seseorang terhadap kemungkinan terjadinya suatu risiko. Perilaku awal dari
penggunaan mobile payment yang ditunjukkan oleh pengguna baru dapat
menyebabkan dampak yang tidak terduga dan tidak menguntungkan. Hal tersebut
dapat terjadi karena kemungkinan terjadinya suatu dampak negatif yang tidak pasti
dapat menimbulkan prasangka buruk dari pengguna. Beberapa contoh prasangka
buruk atas kemungkinan risiko yang pada umumnya dirasakan seperti kerugian
finansial, pelanggaran privasi, perasaan tidak puas terhadap kinerja, atau
kecemasan terhadap keamanan (Yang, 2015). Berdasarkan studi yang pernah
dilakukan sebelumnya, dijelaskan bahwa perceived risk memiliki hubungan yang negatif dengan kepercayaan, namun memiliki pengaruh terhadap continuance
intention (Zulaikhah, 2020)

Security dalam mobile payment merupakan tingkat kepercayaan yang
dimiliki pengguna terhadap keamanan yang dirasakan dalam menggunakan mobile
payment. Security yang dilihat dari segi pengguna adalah pada saat pengguna
merasa bahwa identitas pribadi yang krusial tidak dilihat, disimpan, dan/atau
dimanipulasi oleh pihak yang tidak memiliki wewenang akan hal tersebut (Chawla,
2019). Security menjadi salah satu faktor yang dapat memengaruhi kepercayaan
pengguna dikarenakan fungsinya yang krusial yaitu melindungi pengguna dari
transaksi yang tidak pasti dan terlalu berisiko (Shao, 2018).

Customization dalam mobile payment dapat didefinisikan menjadi 2
kategori, yang pertama adalah kemampuan dari sistem untuk menampilkan menu
yang berisikan fitur-fitur sesuai dengan tingkat keseringan penggunaannya. Untuk
kategori kedua, customization dapat didefinisikan sebagai kemampuan pengguna
untuk dapat mengatur tampilan menu yang berisikan fitur-fitur yang dibutuhkan elain itu, customization juga mencakup metode pembayaran atau top up yang
disediakan serta kemampuan pengguna dalam mengakses pengaturan mobile
payment (Huang, 2014). Sebagai contoh pada aplikasi DANA, pengguna dapat
mengatur fitur yang akan ditampilkan pada menu utama sesuai dengan fitur yang
memang dibutuhkan. Pengguna dapat menentukan fitur mana yang sekiranya paling
sering digunakan. Dengan begitu pengguna dapat mengakses fitur tersebut dengan
cepat tanpa perlu mencari-cari terlebih dahulu dan membutuhkan waktu yang lebih
lama (DANA, 2018). Customization dapat membuat pengaksesan mobile payment
menjadi lebih fleksibel dan efisien. Oleh karena itu, dengan adanya customization
pengguna dapat merasa lebih nyaman dan dapat meningkatkan kepercayaan dalam
menggunakan mobile payment (Huang, 2014)

Mobility dalam mobile payment merupakan kemampuan suatu layanan
untuk dapat digunakan dimana saja dan kapan saja. Mobility merupakan salah satu
faktor berpengaruh pada mobile payment karena, jika pengguna merasa bahwa
suatu mobile payment dapat digunakan dalam seluruh jenis transaksi yang ingin
dilakukan dan dalam waktu kapan pun, maka kepercayaan pengguna akan semakin
meningkat (Shao, 2018)

Structural Equation Modeling (SEM) merupakan salah satu teknik analisis
multivariate yang digunakan untuk membuat dan menguji suatu model statistik
dalam bentuk model sebab akibat. SEM lebih sering digunakan untuk menegaskan
daripada menjelaskan suatu model. Penegasan pada SEM dimaksudkan agar dapat
menentukan valid atau tidaknya suatu model tertentu (Surwano, 2010). SEM
mampu melakukan analisis hingga ke level paling dalam dari variabel atau variabel
yang diteliti. Oleh karena itu, proses analisis dan hasil prediksi dari SEM lebih
unggul dibandingkan dengan analisis jalur dan regresi berganda. Beberapa
perangkat lunak yang mendukung pengolahan data pada metode SEM adalah
AMOS, LISREL, PLS, GSCA, dan TETRAD (Haryono, 2012). Saat ini, metode
SEM menjadi teknik analisis multivariate yang paling sering digunakan karena
kelebihan-kelebihan yang dimiliki. Berikut adalah kelebihan dari penggunaan
SEM, yaitu (Surwano, 2010):
1. Terdapat kemungkinan asumsi menjadi lebih fleksibel.
2. Dengan menggunakan Confirmatory Factor Analysis kesalahan
pengukuran dapat dikurangi karena dalam satu variabel laten terdiri dari
banyak indikator  3. Terdapat kemungkinan dapat dilakukan pengujian model secara
menyeluruh dari setiap koefisien.
4. Penggunaan variabel independen dapat membantu pengujian model.
5. Dapat membuat model menggunakan variabel-variabel intervening.
6. Memiliki tampilan pemodelan grafis yang menjadi daya tarik karena
dapat mempermudah pengguna dalam membaca hasil analisis.
Metode SEM dapat menguji 2 model secara bersamaan yaitu model
pengukuran dan model struktural. Hubungan antara variabel laten dengan indikator
digambarkan dengan model pengukuran. Hubungan antara variabel dependen dan
variabel independen digambarkan dengan model struktural.   SEM dikategorikan menjadi 2 jenis, yakni Covariance Based Structural
Equation Modeling (CB-SEM) dan Variance/Component Based Structural
Equation Modeling (VB-SEM). VB-SEM terbagi menjadi 2 jenis yaitu Partial
Least Square (PLS) dan Generalized Structural Component Analysis (GSCA).

DANA atau Dompet Digital Indonesia merupakan salah satu e-wallet yang
dapat mengubah jenis transaksi non-tunai dan non-kartu menjadi transaksi digital
secara online ataupun offline (DANA, 2018). Aplikasi DANA dapat diunduh bagi
pengguna Android maupun pengguna IOS. Pengguna Android dapat mengunduh
melalui Google Play Store sedangkan pengguna IOS melalui App Store (Sukindar,
2018). DANA menawarkan 3 jaminan utama yaitu memiliki layanan terlengkap,
sistem tercanggih, dan jaminan keamanan. DANA dapat menyediakan berbagai
layanan yang dapat digunakan untuk melakukan berbagai jenis transaksi elektronik.
Beberapa transaksi yang dapat dilakukan di DANA adalah pembayaran tagihan,
melakukan transaksi melalui barcode scan, dan e-commerce. Transaksi tersebut
didukung oleh layanan yang disediakan seperti saldo DANA, transfer ke sesama
atau antar bank, kartu kredit, dan setor tunai ke minimarket. Aplikasi DANA
memiliki partner yang dibagi menjadi 3 kategori yaitu online, offline, dan channel.
Beberapa partner online DANA adalah Bukalapak, Lazada, BPJS Kesehatan, TIX
ID, Tiketux, Parkee, Google Play, Bluebird, Vidio, dan lain-lain. Untuk partner
offline, DANA telah bekerja sama dengan Ramayana, KFC, Baskin Robbins, Moka,
Sour Sally, Bio Medika, Kedai Kopi Kulo, dan lebih dari 1000 merchant lainnya  Untuk channel, DANA telah melakukan kerja sama dengan Alfamidi, Alfamart,
BCA, BNI, BRI, Mandiri, Maybank, Bank btpn, VISA, Mastercard, dan lain-lain.
Salah satu jaminan yang diberikan oleh DANA adalah fitur keamanannya yang
canggih. DANA memiliki beberapa jenis fitur keamanan seperti kode PIN, kode
OTP, kode QR Dinamis, dan fitur pengenalan wajah. Fitur keamanan login yang
dimiliki oleh DANA adalah kode PIN. Namun, pada bulan Oktober 2020 DANA
telah melakukan pengembangan untuk fitur keamanan login dengan menambahkan
fitur pengenalan wajah atau face login. Sebelumnya fitur face login hanya bisa
digunakan oleh pengguna DANA dengan status akun premium hingga akhirnya
untuk saat ini fitur tersebut dapat diakses oleh seluruh pengguna DANA tanpa
terkecuali (DANA, 2018).

Secara global, mobile payment semakin menarik perhatian dari berbagai
kalangan baik konsumen atau para merchant. Ketertarikan tersebut dikarenakan
mobile payment dapat membuat pembayaran barang, layanan, dan tagihan menjadi
lebih mudah dan fleksibel. Mobile payment digunakan sebagai alternatif dari
penggunaan uang tunai, cek, atau kartu kredit. Konsep dari mobile payment adalah
suatu proses yang setidaknya mencakup satu transaksi keuangan dengan aman
menggunakan perangkat seluler (seperti smartphone, PDA, atau perangkat nirkabel
lainnya) dan melaui jaringan seluler atau teknologi nirkabel (seperti NFC,
Bluetooth, RFID, dll) (Oliveira, 2016). Suatu mobile payment harus memenuhi
beberapa kriteria yaitu (Karnouskos, 2004):
1. Simplicity and Usability
Simplicity and Usability menjadi salah satu kriteria yang sangat
dibutuhkan bagi para calon pengguna. Kesederhanaan tampilan dan
kemudahan dalam pengaksesan mobile payment namun tidak
mengurangi fungsi menjadi hal yang diharapkan.
2. Universality
Universality merupakan kemampuan mobile payment agar dapat
diakses oleh siapapun dan kapanpun dalam cakupan domestik, regional,
atau global. 3. Interoperability
Interoperability merupakan kemampuan aplikasi untuk melakukan
interaksi dengan sistem lain.
4. Security, Trust, Privacy
Security, Trust, Privacy merupakan 3 hal krusial yang harus dijaga
oleh penyedia layanan mobile payment. Keamanan yang disediakan oleh
mobile payment harus dapat menjamin data dan privasi pengguna agar
tidak terjadi penyalahgunaan oleh pihak yang tidak memiliki hak. Hal
tersebut menjadi sangat penting karena pada saat pengguna menyimpan
kartu ATM atau kartu kredit ke dalam aplikasi dan keamanan dari
aplikasi tidak memadai, maka dapat menimbulkan kerugian bagi
pengguna. Selain itu, jika terjadi kerugian akan membuat kepercayaan
pengguna juga akan berkurang.
Secara umum, mobile payment dapat dibagi menjadi beberapa jenis, yaitu
(Karnouskos, 2004):
1. E-wallet
E-wallet merupakan aplikasi pembayaran yang diletakkan pada
ponsel. E-wallet dapat bersifat lokal yaitu e-wallet yang telah
disediakan oleh smartphone dan juga yang bersifat remote yaitu ewallet yang disediakan oleh penyedia layanan dan didapatkan dengan
cara mengunduh aplikasinya.
2. Berbasis IrFM
IrFM merupakan salah satu hasil pengembangan dari mobile
payment yang lebih populer di negara Jepang dan Korea seperti yang
dilakukan oleh South Korea Telecom, VIVOTech, Zoop, dll.
3. Berbasis RFID (Smart Phone Covers)
RFID atau yang biasanya dikenal dengan “Contactless Chip Cards”
atau “RF-tag” merupakan pengembangan dari mobile payment yang
berbentuk chip yang di bagian luar ponsel. Namun, seiring dengan
perkembangan teknologi chip RFID telah menjadi bagian internal dari
smartphone. Berdasarkan lokasi penggunaan untuk transaksi, mobile payment dibagi
menjadi 2 yaitu (Karnouskos, 2004):
1. Remote Transaction
Remote Transaction merupakan transaksi yang dapat dilakukan
pada lokasi yang bebas sesuai dengan posisi pengguna. Contohnya
adalah layanan top-up prabayar, uang tunai digital, pembelian mTickets, dll.
2. Proximity/Local Transaction
Proximity/Local Transaction merupakan transaksi yang hanya dapat
dilakukan pada satu lokasi tertentu. Contohnya adalah pembayaran mParkir, pembayaran pada Point of Sale (POS) yang masih konvensional,
penarikan uang di ATM, dll

Analisis data adalah proses penyederhanaan data ke dalam bentuk yang
lebih mudah dibaca dan di implementasikan. Teknik analisis yang dipilih untuk
menganalisis data dan menguji hipotesis dalam penelitian ini adalah The Structural
Equation Model (SEM). Untuk menjawab hipotesis digunakan Partial Least Square
(PLS). Menurut Ghozali (2016) perhitungan dilakukan dengan menggunakan alat
Bantu Smart Partial Least Square (PLS), dikarenakan berbentuk multi jalur dan
model yang digunakan berbentuk Reflektif. Model perhitungan dilakukan dengan
menggunakan alat bantu Smart PLS dikarenakan dalam penelitian ini memiliki
hubungan multi jalur dan berbentuk reflektif. Selain itu dikarenakan sampling
kurang dari 100 responden. Model reflektif adalah model yang menunjukan
hubungan dari variable laten ke indikatornya.
Langkah-langkah pemodelan persamaan struktural berbasis PLS (Ghozali,
2016) adalah sebagai berikut:
a. Konseptualisasi model
Konseptual model Merupakan langkah awal dalam analisis SEM-PLS
(Ghozali, 2016), yang dibagi menjadi dua tahapan, yaitu:
27
1) Merancang model pengukuran (outter model)
Outer model sering juga disebut (outer relation atau measurement
model) mendefinisikan bagaimana setiap blok indikator berhubungan
dengan variabel laten.
2) Merancang model structural (inner model)
Inner model yang kadang disebut juga dengan (inner relation,
structural model dan substantive theory) menggambarkan hubungan
antar variabel laten berdasarkan pada substantive theory.
b. Evaluasi Model
Evaluasi model PLS berdasarkan pada pengukuran prediksi yang
mempunyai sifat non parametrik. Model evaluasi PLS dilakukan dengan
menilai outer model dan inner model. Model pengukuran atau outer model
dilakukan untuk menilai validitas dan reliabilitas model, sedangkan model
struktural atau inner model untuk memprediksi hubungan antar variable
laten.
1) Pengukuran model (outer model)
Outer model sering juga disebut outer relation atau measurement
model, mendefinisikan bagaimana setiap blok indikator berhubungan dengan
variabel laten. Hengky dan Ghozali (2016), evaluasi model pengukuran atau
outer model dilakukan untuk menilai validitas dan reabilitas model. Uji
validitas di bidang SEM melakukan pengujian validitas convergent dan
discriminant  dapat dilihat bahwa outer model untuk
pengujian validitas terbagi menjadi 2 yaitu: Validitas convergent dan
validitas discriminant.
Discriminant validity, prinsip dari validitas discriminant berhubungan
dengan prinsip bahwa pengukur-pengukur konstruk yang berbeda
seharusnya tidak berkorelasi dengan tinggi. Cara untuk mengujivaliditas
discriminant dengan indikator reflektif yaitu melihat nilai cross loading
untuk setiap variabel harus lebih besar dari 0.7 (Fornell, dalam Ghozali,
2016).
Reliabilitas dari outermodel diukur dengan menggunakan composite
realibility. Composite reliability adalah nilai batas yang dapat diterima.
Tingkat reliabilitas komposit (ρc) yang baik adalah ≥ 0.7, walaupun bukan
merupakan standar absolut. Nilai Cronbach’s Alpha adalah lebih besar dari
0.6 (Ghozali, 2016). 2) Model struktural (innermodel)
Innermodel yang kadang disebut juga dengan inner relation, structural
model atau substantive theory, menggambarkan hubungan antar variabel laten
berdasarkan pada substantive theory Inner model dievaluasi dengan menggunakan R-square untuk konstruk
dependen atau variabel laten endogen. Menilai PLS dilihat dari R-square
untuk setiap variabel laten dependen. Perubahan nilai R-square digunakan
untuk menilai pengaruh variabel independen tertentu terhadap variabel laten
dependen secara substantif (Ghozali, 2016).
3) Pengujian Hipotesis
Pengujian hipotesis dilihat dari besarnya nilai t-statistik. Signifikansi
parameter yang diestimasi memberikan informasi yang sangat berguna
mengenai pengaruh antar variabel Uji Hipotesis untuk outer model dengan indikator reflektif dilakukan
dengan melihat nilai T-statistik outer loading dan dibandingkan dengan nilai ttabel = 1.96 pada tingkat signifikansi 5%. Jika T-statistik > t-tabel maka
indikator reflektif valid dan reliable sebagai pengukur konstruk.
Uji Hipotesis untuk inner model dilakukan dengan melihat nilai Tstatistik, jika T-statistik > t-tabel maka dapat disimpulkan variabel eksogen
memiliki pengaruh signifikan terhadap variabel endogen.

Suatu skala pengukuran disebut valid apabila melakukan apa yang
seharusnya dilakukan dan mengukur apa yang seharusnya diukur (Kuncoro, 2013).
Dalam penelitian ini, uji validitas dihitung dengan menghitung korelasi antar skor
tiap butir pernyataan dengan total skor atau disebut uji korelasi Pearson dengan
tingkat toleransi kesalahan sebesar 0,05. Uji signifikansi dilakukan dengan
membandingkan nilai r hitung dengan r table. Jika r hitung lebih besar dari r table
dan nilai positif maka butir atau pertanyaan atau indicator tersebut dinyatakan valid
(Ghozali, 2016).
Reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan
indikator dari variabel. Suatu kuesioner dikatakan Reliabel apabila jawaban dari
seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu
(Ghozali, 2016). Realibilitas diukur dengan menggunakan Cronbach Alpha.
Variabel dikatakan reliable jika setiap pertanyaan memberikan nilai Cronbach
Alpha > 0,60 (Ghozali, 2016).

Definisi p-value adalah tingkat keberartian terkecil sehingga nilai suatu uji statistik yang sedang diamati masih berarti. P-value dapat pula diartikan sebagai besarnya peluang melakukan kesalahan apabila kita memutuskan untuk menolak H0. Para peneliti harus menggunakan kriteria uji untuk memutuskan apakah menolak H0 atau menerima H0. Dalam perkembangannya, banyak peneliti yang sering menggunakan p-value untuk kriteria ujinya. P-value lebih disukai dibandingkan kriteria uji lain disebabkan karena p-value memberikan 2 informasi sekaligus, yaitu disamping petunjuk apakah H0 pantas ditolak, p-value juga memberikan informasi mengenai peluang terjadinya kejadian yang disebutkan di dalam H0 (dengan asumsi H0 dianggap benar).
Pada umumnya, p-value dibandingkan dengan suatu taraf nyata α tertentu, biasanya 0.05 atau 5% dan 0.01 atau 1%. Taraf nyata α diartikan sebagai peluang kita melakukan kesalahan untuk menyimpulkan bahwa H0 salah. Kesalahan semacam ini biasa dikenal dengan galat/kesalahan jenis I (Type I Error). Misal α yang digunakan adalah 0.05, jika p-value sebesar 0.021 (< 0.05), maka kita berani memutuskan menolak H0 . Hal ini disebabkan karena jika kita memutuskan menolak H0 (menganggap statement H0 salah), kemungkinan kita melakukan kesalahan masih lebih kecil daripada α = 0.05, dimana 0.05 merupakan ambang batas maksimal dimungkinkannya kita salah dalam membuat keputusan. Dalam melakukan perhitungan p-value untuk one-tailed diperoleh dari selisih antara taraf nyata α dengan nilai luasan daerah kurva noemal, sedangkan untuk two-tailed nilai p-value diperoleh dengan mengalikan 2 kali dari hasil p-value, dimana angka 2 didapatkan dari perhitungan 2 kali sisi luasan daerah  Cara menghitung p–value adalah mendapatkan luasan daerah di bawah kurva normal seperti yang ditunjukkan pada gambar 2.6. Misalkan dalam pengujian dua sisi, H0 : μ = 35 dan H1 : μ ≠ 35 dengan taraf signifikan α sebesar 0.05 dan nilai uji statistik Z sampel = -2.47. Dengan demikian nilai p-value untuk pengujian ini adalah probabilitas observasi suatu nilai Z yang lebih dari 2.47 atau nilai Z yang kurang dari -2.47. Nilai Z ini merupakan luas daerah di bawah kurva normal di sebelah kanan Z = 2.47 dan sebelah kiri Z = -2.47. Dari tabel nilai Z kita dapatkan bahwa luas daerah di bawah kurva normal di antara Z = -2.47 dan Z = 2.47, yaitu p-value = 2 x 0.068 = 0.0136 (dua kali dari nilai p-value yang berasal dari kedua sisi luasan daerah).

SmartPLS dikembangkan oleh Profesor Cristian M. Ringle, Sven Wended dan Alexander Will pada tahun 2005. SmartPLS merupakan salah satu software yang digunakan untuk eksekusi analisis PLS-SEM (Hair dkk., 2014). SmartPLS mempunyai GUI user friendly yang memudahkan pengguna untuk melakukan estimasi model jalur PLS. Pada website SmartPLS juga tersedia tutorial untuk menggunakan software ini. Adapun dukungan problem-solving oleh pembuatnya melalui forum diskusi yang disediakan pada website SmartPLS. Dataset yang digunakan untuk project SmartPLS tidak diperkenankan melibatkan elemen string apapun. Keunggulan digunakannya SmartPLS dibandingkan dengan perangkat lunak lainnya adalah :
a. Algoritma PLS yang digunakan tidak terbatas hanya untuk hubungan antar indikator dengan konstruk laten yang bersifat reflektif,, melainkan dapat digunakan juga untuk hubungan yang bersifat formatif
b. SmartPLS dapat digunakan untuk model yang sangat kompleks dengan jumlah sampel yang kecil
c. SmartPLS daoat digunakan ketika distribusi data sangat miring (skewness) serta independensi antara data pengamatan tidak dapat dijamin

SmartPLS dikembangkan oleh Profesor Cristian M. Ringle, Sven Wended dan Alexander Will pada tahun 2005. SmartPLS merupakan salah satu software yang digunakan untuk eksekusi analisis PLS-SEM (Hair dkk., 2014). SmartPLS mempunyai GUI user friendly yang memudahkan pengguna untuk melakukan estimasi model jalur PLS. Pada website SmartPLS juga tersedia tutorial untuk menggunakan software ini. Adapun dukungan problem-solving oleh pembuatnya melalui forum diskusi yang disediakan pada website SmartPLS. Dataset yang digunakan untuk project SmartPLS tidak diperkenankan melibatkan elemen string apapun. Keunggulan digunakannya SmartPLS dibandingkan dengan perangkat lunak lainnya adalah :
a. Algoritma PLS yang digunakan tidak terbatas hanya untuk hubungan antar indikator dengan konstruk laten yang bersifat reflektif,, melainkan dapat digunakan juga untuk hubungan yang bersifat formatif
b. SmartPLS dapat digunakan untuk model yang sangat kompleks dengan jumlah sampel yang kecil
c. SmartPLS daoat digunakan ketika distribusi data sangat miring (skewness) serta independensi antara data pengamatan tidak dapat dijamin

AMOS digunakan untuk analisis data dalam Model Persamaan Struktural (Structural Equation Model) atau yang dikenal dengan SEM. AMOS memiliki kelebihan karena user-friendly graphical interface, dengan begitu akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tools yang sederhana. AMOS mempunyai beberapa keunggulan dibandingkan dengan perangkat lunak lainnya, diantaranya adalah :
a. AMOS dapat menangani missing data secara baik, yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya berdasar pada metode yang sudah ada, yaitu listwise, pairwise deletion, atau mean imputation.
b. AMOS dapat membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi.
c. AMOS dapat melakukan pemeriksaan setiap pasangan model dimana satu model diperoleh dengan membatasi parameter-parameter model lainnya.
d. AMOS dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur.
AMOS telah dikembangkan menjadi beberapa versi. AMOS diambil alih oleh Microsoft untuk disesuaikan dengan versi SPSS saat ini. Dalam melakukan analisis model, ada beberapa hal yang harus diperhatikan, seperti :
(i) Dalam persamaan struktural, model harus memiliki nilai unik agar model tersebut dapat diestimasi. Jika model tidak dapat diidentifikasi, maka tidak mungkin dapat menentukan nilai yang unik untuk koefisien model. Sebaliknya, jika suatu model dapat memiliki beberapa estimasi yang  mungkin fit, maka estimasi parameter akan abitrer. Jadi, model structural bisa dikatakan baik jika memiliki satu solusi yang unik untuk estimasi parameter. Masalah identifikasi model juga terjadi pada SEM dikarenakan informasi yang terdapat pada data empiris (varians dan kovarians variabel manifest) tidak cukup menghasilkan solusi yang unik. Ada tiga kemungkinan yang terjadi terhadap model SEM, yaitu :
a. Model unidentified
b. Model just identified
c. Model overidentified
Ket : t = jumlah parameter yang diestimasi
s = jumlah varian dan kovarian antara variabel manifest
(p+q)(p+q+1)
p = jumlah variabel y (indikator variabel laten endogen)
q = jumlah variabel x (indikator variabel laten eksogen)
Masalah unidentified dapat diatasi dengan mengkonstrain model. Konstrain model dapat dilakukan dengan menambah indikator (variabel manifest) ke dalam model, menentukan (fix) parameter tambahan menjadi 0 atau mengasumsikan bahwa parameter yang satu dengan parameter yang lain memiliki nilai yang sama.
(ii) Dalam melakukan analisis, ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil-hasil SEM. Setelah model dikembangkan dan input data dipilih, selanjutnya dipilih program  komputer yang dapat digunakan untuk mengestimasi modelnya. Teknik-teknik estimasi yang tersedia adalah :
a. Maximum Likelihood Estimation (ML)
b. Generalized Least Square Estimation (GLS)
c. Unweighted Least Square Estimation (ULS)
d. Scale Free Least Square Estimation (SLS)
e. Asymtotically Distribution-Free Estimation (ADF)
Apabila model yang akan dianalisis berupa regresi berganda atau atau regresi bivariate, maka untuk melakukan analisisnya diperlukan estimasi means dan intercept, terlebih lagi jika ada incomplete data  (iii) Dalam penentuan output yang akan ditampilkan tergantung pada keperluan pengguna dalam memperoleh informasi dalam hasil analisis model yang diinginkan serta model yang akan dianalisis, misalnya, jika model termasuk regresi bivariate maka output yang menujukkan adanya hubungan antara variabel (indirect, direct, total effects) perlu digunakan.

Berikut ini adalah langkah-langkah dalam analisis dengan PLS menurut Hair, dkk (2014) :
a. Mespesifikasikan Model Struktural (Inner Model)
Proses analisis PLS-SEM dimulai dengan melakukan spesifikasi model struktural. Model struktural adalah model yang mendeskripsikan hubungan antara variabel laten. Perancangan model struktural perlu diperhatikan guna merepresentasikan hipotesis dan hubungan dalam teori yang diuji.  b. Mespesifikasikan Model Pengukuran (Outer Model) Langkah selanjutnya dalam analisis PLS-SEM adalah merancang model pengukuran. Model pengukuran merupakan wujud representasi dari hubungan antara konstruk dan variabel indikator yang mengukurnya. Tipe model pengukuran terdiri dari model pengukuran reflektif dan model pengukuran formatif, sedangkan konstruk dapat diukur dengan single item dan multi-item.
c. Pengumpulan Data dan Pemeriksaan
Pada tahap selanjutnya, data dikumpulkan untuk estimasi PLS-SEM. Apabila ditemukan jawaban kosong pada data set, maka perlu untuk menyisipkan nomor yang tidak akan muncul dalam respon untuk mengindikasikasikan missing value. Jika jumlah missing value pada data set per indikator relative kecil (kurang dari 5%) missing per indikator maka direkomendasikan penggantian nilai mean dibandingkan casewise deletion. Metode pemerikasaan lain yang dapat digunakan yaitu diagnosa outlier.
d. Estimasi Model Jalur PLS-SEM
Dalam estimasi model jalur, algoritma PLS mengestimasi path coefficient dan parameter model lain untuk memaksimalkan varians yang dapat dijelaskan oleh variabel dependen. Variabel indikator digunakan sebagai input data mentah untuk mengestimasi skor konstruk sebagai bagian dari penyelesaian algoritma PLS-SEM (Hair dkk., 2014). Algoritma PLS-SEM mengestimasi semua elemen tak diketahui dalam model jalur PLS. Hubungan antara variabel indikator dengan konstruk konstruk reflektif disebut outer loading, sedangkan hubungan antara variabel indikator dengan formatif disebut outer weight.  Algoritma PLS-SEM menggunakan elemen yang diketahui untuk estimasi, untuk itu diperlukan penentuan skor konstruk yang digunakan sebagai input untuk model regresi parsial dalam model jalur. Sebagai hasilnya, diperoleh estimasi untuk semua hubungan dalam model pengukuran (loading dan weight) dan model struktural (path coefficient). Semua model regresi parsial diestimasi oleh prosedur iterasi algoritma PLS-SEM yang terdiri dari dua tahap yaitu estimasi skor konstruk, kemudian dilanjutkan dengan kalkulasi estimasi outer weight dan loadings final, yang dikenal sebagai path coefficient model struktural dan menghasilkan nilai R square variabel endogen. Untuk menjalankan algoritma PLS-SEM maka algorithmic option dan parameter setting harus ditentukan.
e. Evaluasi Model Pengukuran
Tujuan dari evaluasi model pengukuran adalah untuk mengetahui validitas dan reliabilitas indikator. Untuk model pengukuran reflektif, evaluasi dilakukan dengan composite reliability guna menilai internal consistency serta individual indicator reliability, dan average variance extracted guna menilai convergent validity. Selain itu, untuk menilai discriminant validity dilakukan dengan perhitungan Fornell-Lacker criterion dan cross loading Evaluasi Model Struktural
Tujuan dilakukannya evaluasi model struktural pada tahap ini adalah untuk melihat signifikansi hubungan antar variabel laten dengan melihat koefisien jalur (path coefficient) yang menunjukkan ada atau tidak ada hubungan antara variabel laten dalam model penelitian. Untuk melakukan evaluasi model struktural dimulai dimulai dari melihat nilai R-Squares untuk setiap prediksi dari model struktural, nilai R-Squares digunakan untuk menjelaskan pengaruh variabel laten (eksogen) tertentu terhadap variabel laten (endogen) atau seberapa besar pengaruhnya. g. Analisis Lanjutan PLS-SEM
Analisis lanjutan PLS-SEM hanya dilakukan jika peneliti melakukan pemodelan pada data heterogen. PLS multigroup analysis (PLS-MGA) digunakan untuk membandingkan parameter (biasanya path coefficient) antara dua atau lebih kelompok data. Sebagai contoh, asumsi adanya variabel moderator kategori jenis kelamin yang mempengaruhi hubungan model jalur PLS sehingga tujuan analisis multigrup ini untuk menyingkap efek variabel moderator kategoris. Namun ketika data set heterogen tidak diketahui, maka dianggap unobserved heterogeneity. Sehingga pendekatan yang dapat dipilih ialah dengan finite mixture PLS (FIMIX-PLS).
h. Interpretasi Hasil dan Penarikan Kesimpulan Intrepretasi hasil dilakukan bedasarkan hasil dari model yang dibangun oleh peneliti berupa prediksi hubungan antar variabel yang terdapat dalam hipotesis, yaitu signifikansi hubungan antar variabel. Ketika interpretasi hasil model jalur diperlukan untuk menguji signifikansi seluruh hubungan model struktural. Ketika pelaporan hasil dapat dilakukan dengan uji signifikansi t value, p value, atau bootstrapping confidence interval. Bootsrapping digunakan untuk menilai signifikansi path coefficient

Umumnya CB-SEM menguji kausalitas/teori, sedangkan PLS SEM lebih bersifat model prediktif. Untuk tujuan prediksi, pendekatan PLS lebih cocok karena pendekatan ini mengasumsikan bahwa semua ukuran varians adalah varians yang berguna untuk dijelaskan. Hadirnya metode PLS SEM bukan menjadi pesaing CB SEM, melainkan menjadi sebuah pelengkap dan menjadi alternative untuk metode regresi berganda, disesuaikan dengan tujuan penelitian (Priyono, 2013).
PLS dikatakan sebagai metode analisis yang powerful karena dapat digunakan pada setiap jenis skala data (nominal, ordinal, interval, dan rasio) tanpa menggunakan banyak syarat asumsi-asumsi yang harus terpenuhi (Ghozali, 2013). PLS dapat juga digunakan untuk tujuan konfirmasi (seperti pengujian hipotesis) dan tujuan eksplorasi (Sanchez, 2009). Meskipun PLS lebih diutamakan sebagai eksplorasi daripada konfirmasi, PLS juga dapat untuk menduga apakah terdapat atau tidak terdapat hubungan dan kemudian proposisi untuk pengujian

Setelah estimasi model dilakukan, penelitian masih dapat melakukan modifikasi terhadap model yang dikembangkan bila ternyata estimasi yang dihasilkan memiliki residual yang besar. Namun demikian, modifikasi hanya dapat dilakukan bila peneliti mempunyai justifikasi teoritis yang cukup kuat, sebab SEM bukan ditujukan untuk menghasilkan teori, tetapi menguji model yang mempunyai pijakan teori yang benar atau baik. Oleh karena itu, untuk memberikan interpretasi apakah model berbasis teori yang diuji dapat diterima langsung atau perlu pemodifikasian, maka peneliti harus mengarahkan perhatiannya pada kekuatan prediksi dan model yaitu dengan mengamati besarnya residual yang dihasilkan. Apabila pada standardized residual covariances matrix terdapat nilai diluar ring -2,58> residual > 2,58 maka model yang diestimasi perlu dilakukan modifikasi lebih lanjut.

Dalam penelitian ini juga akan dianalisis kekuatan hubungan atau pengaruh antar konstruk baik hubungan langsung, tidak langsung maupun hubungan totalnya. i) Efek langsung (direct effect) adalah koefisien dari garis dengan anak panah satu ujung dan terjadi pada dua konstruk yang dihubungkan dengan garis anak panah satu arah.
(ii) Efek tidak langsung (indirect effect) adalah efek yang muncul melalui sebuah variabel antara dan terjadi pada dua konstruk yang tidak dihubungkan dengan garis anak panah satu arah.
(iii) Efek total (total effect) adalah efek dari berbagai hubungan. Efek total merupakan gabungan antara efek langsung dengan efek tidak langsung.

Goodness of Fit di penelitian ini dibuktikan dengan menggunakan pengukuran sebagai berikut : (i) Chi – square (2) GOF atau CMIN digunakan untuk menguji pengaruh dua buah variabel nominal dan mengukur kuatnya hubungan antara variabel satu dengan variabel lainnya
(ii) Significance Probability adalah tingkat ketepatan (presisi) dalam kaitannya dengan kesalahan pengambilan sampel (sampling error)
(iii) RMSEA Sebuah indeks yang digunakan untuk mengkompensasi Chi-Square Statistic dalam jumlah yang besar
(iv) GFI adalah sebuah ukuran non-statistical yang mempunyai rentang nilai 0 (poor) sampai dengan 1.0 (perfect fit)
(v) AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
(vi) CMIN/DF, CMIN dibagi dengan DF akan menghasilkan nilai indeks CMIN / DF, yang umumnya digunakan sebagai salah satu indikator untuk mengukur tingkat kesesuaian suatu model
(vii) TLI adalah indeks kesesuaian incremental yang digunakan untuk mengatasi masalah yang timbul akibat kompleksitas model.
(viii) CFI dengan Indeks kesesuaian incremental yang relative tidak sensitive terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model.

Pada langkah ini, kesesuaian model dievaluasi melalui telaah terhadap berbagai kriteria goodness-of-fit. Pada tahap ini dilakukan evaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM. Apabila asumsi-asumsi ini sudah dipenuhi, maka model dapat diuji melalui berbagai cara uji yang akan diuraikan pada bagian ini. Asumsi-asumsi SEM meliputi :
a. Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan ini adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter.
b. Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariate dimana beberapa variabel digunakan sekaligus dalam analisis akhir. Uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. c. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariate. Outliers muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outlier pada dasarnya dapat muncul dalam empat kategori :
a. Outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data
b. Outlier dapat saja muncul karena keadaan yang benar-benar khusus yang memungkinkan profil datanya lain daripada yang lain, tetapi peneliti mempunyai penjelasan mengenai apa penyebab munculnya nilai ekstrim itu.
c. Outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim itu.
d. Outlier dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim.
d. Multikolinearitas dan Singularitas
Dapat dideteksi melalui determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi indikasi adanya problem multikolinearitas atau singularitas e. Evaluasi atau kriteria goodness of fit
Setelah asumsi-asumsi SEM terpenuhi, selanjutnya dilakukan pengujian kelayakan model. Untuk menguji kelayakan model yang dikembangkan dalam model persamaan struktural ini, akan digunakan beberapa indeks kelayakan model.

Untuk mencapai tujuan penelitian serta pengujian hipotesis yang diajukan, maka data yang diperoleh selanjutnya akan diolah sesuai dengan kebutuhan analisis. Adapun langkah-langkah pembentukan model persamaan struktural (SEM) adalah sebagai berikut :
1. Pengembangan model berbasis teori
Langkah pertama dalam pengembangan model SEM adalah mengetahui hubungan klausalitas antar variabel, dimana perubahan terhadap satu variabel akan berakibat pada perubahan variabel lainnya. Kuatnya hubungan klausalitas antar dua variabel terletak pada justifikasi (pembenaran) teoritis yang kuat untuk mendukung analisis. SEM tidak digunakan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.  2. Pengembangan diagram jalur
Langkah kedua dalam SEM adalah menggambarkan model teoritis yang telah dibangun ke dalam sebuah diagram jalur. Gunanya yaitu untuk memudahkan dalam melihat hubungan-hubungan kausalitas yang akan diuji.
3. Konversi diagram jalur ke dalam persamaan
Langkah ketiga dalam SEM adalah mengkonversi diagram jalur yang sudah dibentuk ke dalam sebuah persamaan. Persamaan yang dibangun akan terdiri dari :
a. Persamaan-persamaan struktural (structural equations). Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Tujuannya untuk melihat signifikansi hubungan antar variabel laten dalam model penelitian dengan melihat koefisien jalur (path coefficient).
b. Persamaan spesifikasi model pengukuran (measurement model). Pada spesifikasi ini peneliti menentukan variabel mana mengukur konstruk mana serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
Perbedaan SEM dengan teknik-teknik multivariate lainnya adalah dalam input data yang digunakan dalam pemodelan dan estimasinya. SEM hanya menggunakan matriks varians / kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. Data mentah observasi individu yang dijadikan inputan akan dikonversi terlebih dahulu dalam bentuk matriks kovarians atau matriks korelasi sebelum melakukan estimasi.
Ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil-hasil SEM. Ukuran sampel digunakan sebagai dasar untuk mengestimasi kesalahan sampling. Menurut Hair dkk. dalam buku yang ditulis oleh Ferdinand (2002), ukuran sampel yang sesuai digunakan dalam SEM adalah antara 100 – 200. Bila ukuran sampel menjadi terlalu besar misalnya lebih dari 400 maka metode menjadi sangat sensitif sehingga sulit untuk mendapatkan ukuran-ukuran goodness-of-fit yang baik. Ada beberapa teknik estimasi yang bisa digunakan, seperti Maximum Likelihood Estimation (ML), Generalized Least Square Estimation (GLS) dan lain sebagainya.
5. Kemungkinan munculnya masalah identifikasi
Selama proses estimasi model kausal ini, salah satu masalah yang akan dihadapi adalah masalah identifikasi. Masalah identifikasi itu sendiri adalah masalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat diketahui melalui beberapa hal berikut ini:
a. Standard error untuk satu atau beberapa koefisien adalah sangat besar
b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan
c. Muncul angka-angka yang aneh seperti adanya varians error yang negatif d. Munculnya korelasi yang sangat tinggi antara koefisien estimasi yang didapat (misalnya lebih dari 0.9)

Structural Equation Model (SEM) merupakan gabungan dari dua metode statistik yang terpisah yaitu analisis faktor (factor analysis) yang dikembangkan di ilmu psikologi dan psikometri dan model persamaan simultan (simultaneous equation modeling) yang dikembangkan di ekonometrika (Ghozali, 2005). SEM secara essensial menawarkan kemampuan untuk melakukan analisis jalur dengan variabel laten (Ghozali dan Latan, 2012). Umumnya terdapat dua jenis tipe SEM yang sudah dikenal secara luas yaitu covariance-based structural equation modeling (CB-SEM) yang dikembangkan oleh Joreskog (1969) dan partial least square path modeling (PLS-SEM) sering disebut variance atau component-based structural equation modeling yang dikembangkan oleh Wold (1974). Covariance based SEM merupakan tipe SEM yang mengharuskan konstruk maupun indikator-indikatornya untuk saling berkorelasi satu dengan lainnya dalam suatu model struktural. Secara umum, penggunaan CB-SEM bertujuan untuk mengestimasi model struktural berdasarkan telaah teoritis yang kuat untuk menguji hubungan kausalitas antar konstruk serta mengukur kelayakan model dan mengkonfimasinya sesuai dengan data empirisnya. Dengan menggunakan fungsi Maximum Likelihood (ML), CB-SEM berusaha meminimumkan perbedaan antara sample covariance dan covariance yang diprediksi oleh model teoritis sehingga proses estimasi menghasilkan residual covariance matrix yang nilainya kecil mendekati nol. Penggunaan CB-SEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain. Penggunaan CB-SEM sangat dipengaruhi oleh jumlah sampel, karena jumlah sample kecil dapat menghasilkan model fit meskipun model tersebut terbentuk dari model yang jelek. Jika sample kecil dan tidak asimptotik akan memberikan hasil estimasi paramater dan model statistik yang tidak baik atau bahkan menghasilkan varian negatif yang disebut Heywood Case. Analisis CB-SEM dalam membentuk variabel laten mengharuskan indikator-indikatornya bersifat reflektif.  Dalam model indikator refleksif atau manifest (gambar 2.4), indikator dipandang sebagai variabel yang dipengaruhi oleh variabel laten sesuai dengan teori pengukuran classical test theory. Pada model indikator refleksif, indikator-indikator pada satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama. Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula. Kenaikan pada suatu indikator akan meningkatkan variabel laten. Penggunaan model indikator formatif (gambar 2.5) dalam CB-SEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan kausalitas model struktural dibangun atas dasar teori dan CB-SEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.

Menurut Nursalam (2013), cara pengambilan sampel dapat digolonglan menjadi dua, yaitu:
a. Probability sampling
Prinsip utama probability sampling adalah bahwa setiap subyek dalam populasi mempunyai kesempatan untuk terpilih atau tidak terpilih sebagai sampel.
1. Simple random sampling
Untuk mencapai sampling ini, setiap elemen diseleksi secara acak. Misalnya, jika sampel yang diambil setengah dari 50 populasi yang tersedia, maka 25 sampel diambil secara acak.
2. Stratified random sampling
Teknik sampling ini digunakan peneliti untuk mengetahui beberapa variabel pada populasi yang merupakan poin penting untuk dapat mencapai sampel yang mewakili populasi tersebut. Misalnya, jika direncanakan ada 75 sampel mahasiswa, peneliti membagi menjadi 3 kelompok berdasarkan tingkat pendidikan (S1, S2 dan S3).
3. Cluster sampling
Cluster berarti pengelompokkan sampel berdasarkan wilayah atau lokasi populasi. Misalnya, peneliti ingin meneliti anak yang mengalami gizi buruk, maka peneliti mengambil sampel pada pasien berdasarkan tempat pasien dirawat (rumah sakit A, B, C) yang mempunyai karakteristik berbeda.
4. Systematic sampling
Pengambilan sampel secara sistematik dapat dilaksanakan jika tersedia daftar subyek yang dibutuhkan. Jika jumlah populasi sebesar 1000 dan sampel yang dipilih adalah 50, maka sampel diambil dari daftar yang berada pada posisi kelipatan 20 (1000:50=20) dalam daftar, yaitu sampel nomor 20, 40, 60 dan seterusnya.
b. Nonprobability sampling
Nonprobability sampling adalah teknik pengambilan sampel yang tidak memberi peluang atau kesempatan sama bagi setiap anggota populasi untuk dipilih menjadi sampel,
1. Purposived sampling
Purposive sampling disebut juga judgement sampling adalah suatu teknik penetapan sampel dengan cara memilih sampel di antara populasi sesuai dengan yang dikehendaki peneliti (tujuan atau masalah dalam penelitian), sehingga sampel tersebut dapat mewakili karakteristik populasi.
2. Consecutive sampling
Pemilihan sampel dengan consecutive (berurutan) adalah pemilihan sampel dengan menetapkan subjek yang memenuhi kriteria penelitian dimasukkan dalam penelitian sampai kurun waktu tertentu, sehingga jumlah klien yang diperlukan terpenuhi. 3. Convenience sampling
Pemilihan sampel convenience adalah cara penetapan sampel dengan mencari subyek atas dasar hal-hal yang menyenangkan atau mengenakkan peneliti. Sampling ini dipilih apabila kurangnya pendekatan dan tidak memungkinkan untuk mengontrol bias. Subjek dijadikan sampel karena kebetulan dijumpai di tempat dan waktu yang bersamaan saat melakukan pengumpulan data. Sampel diambil tanpa sistematika tertentu, sehingga tidak dapat dianggap mewakili populasi sumber, apalagi populasi target.
4. Quota Sampling
Teknik penentuan sampel dalam kuota menetapkan setiap strata populasi berdasarkan tanda-tanda yang mempunyai pengaruh terbesar variabel yang akan diselidiki. Misal, dalam suatu penelitian didapatkan adanya 100 populasi, peneliti menetapkan kuota sebanyak 75 subyek untuk dijadikan sampel, maka jumlah tersebut dinamakan kuota

Skala Pengukuran Data

Pengukuran adalah proses hal mana suatu angka atau simbol dilekatkan pada karakteristik atau properti suatu stimuli sesuai dengan aturan/prosedur yang telah ditetapkan (Imam Ghozali, 2005). Ada empat skala pengukuran yang digunakan dalam penelitian, yaitu : a. Skala nominal, adalah skala yang semata-mata hanya untuk memberikan indeks, atau nama saja dan tidak mempunyai makna yang lain. Skala Nominal mengelompokkan objek-objek kedalam beberapa kelompok yang memiliki kemiripan ciri. Hasil pengukuran skala nominal tidak dapat diurutkan tetapi bisa dibedakan. Contoh umum yang biasa dipakai yaitu variabel jenis kelamin. Dalam hal ini hasil pengukuran tidak dapat diurutkan (wanita lebih tinggi dari pada lak-laki, atau sebaliknya), tetapi lebih pada perbedaan keduanya. b. Skala ordinal, adalah skala ranking, di mana kode yang diberikan memberikan urutan tertentu pada data, tetapi tidak menunjukkan selisih yang sama dan tidak ada nol mutlak. Hasil pengukuran skala ini dapat menggambarkan posisi atau peringkat tetapi tidak mengukur jarak antar peringkat. Jarak antara peringkat 1 dan 2 tidak harus sama dengan jarak peringkat 2 dan 3. Contoh: status sosial (tinggi, rendah, sedang). Hasil pengukuran yang mengelompokkan masyarakat-masyarakat masuk pada status sosial tinggi, rendah, atau sedang. Dalam hal ini, kita dapat mengetahui tetapi perbedaan antar status sosial (tinggi-rendah, rendah-sedang, tinggi-sedang, dst) belum tentu sama. c. Skala interval, adalah skala pengukuran yang mempunyai selisih sama antara satu pengukuran dengan pengukuran yang lain, tetapi tidak memiliki nilai nol mutlak. Ciri penting dari skala ini adalah data bisa ditambahkan, dikurangi, digandakan, dan dibagi tanpa mempengaruhi jarak relatif skor-skornya. Selanjutnya skala ini tidak mempunyai nilai nol mutlak sehingga tidak dapat diinterpretasikan secara penuh besarnya skor dari rasio tertentu. Sebagai contoh, penilaian kinerja karyawan dengan skala 0-100

d. Skala rasio, adalah skala yang memiliki sifat-sifat skala nominal, skala ordinal, dan skala interval. Bedanya adalah pada skala ratio dilengkapi dengan titik nol absolut dengan makna empiris. Angka pada skala menunjukkan ukuran yang sebenarnya dari obyek atau kategori yang diukur. Skala rasio hampir sama dengan skala interval dalam arti interval-interval di antara nomor diasumsikan sama. Selisih tiap pengukuran adalah sama dan mempunyai nilai nol mutlak. Skala rasio merupakan skala pengukuran yang ditujukan pada hasil pengukuran yang bisa dibedakan, diurutkan, mempunyai jarak tertentu, dan bisa dibandingkan. Contoh: Perbandingan berat dua orang. Berat Fulan1 40kg dan Fulan2 80kg. Dapat diketahui bahwa fulan2 dua kali lebih berat daripada Fulan1, karena nilai variabel numerik berat mengungkapkan rasio dengan nilai nol sebagai titik bakunya.

Sutrisno Hadi (2000) mengemukakan bahwa teknik pengumpulan data dibedakan menjadi 3 macam, yaitu kuesioner, wawancara dan observasi. Metode pengumpulan data yang umum digunakan dalam suatu penelitian yaitu:
1. Kuesioner
Kuesioner adalah suatu teknik pengumpulan informasi yang memungkinkan analis mempelajari sikap-sikap, keyakinan, perilaku, dan karakteristik beberapa orang penting di dalam organisasi, yang bisa oleh sistem yang diajukan atau sistem yang sudah ada. Tujuan pokok pembuatan kuesioner adalah untuk memperoleh informasi yang relevan dengan masalah dan tujuan penelitian dan untuk memperoleh informasi dengan reliabel dan validitas yang tinggi.
2. Wawancara

Wawancara adalah proses memperoleh keterangan atau data untuk tujuan tertentu dengan cara tanya jawab, sambil bertatap muka antara pewawancara dan responden dengan menggunakan alat yang dinamakan panduan wawancara. Secara garis besar ada dua macam pedoman wawancara, yaitu: a. Pedoman wawancara tidak terstruktur, yaitu pedoman wawancara yang hanya memuat garis besar yang akan ditanyakan.
b. Pedoman pewawancara terstruktur, yaitu pedoman wawancara yang disusun secara terperinci sehingga menyerupai chek-list.
3. Observasi

Obeservasi atau pengamatan langsung adalah teknik pengumpulan data dengan melakukan penelitian langsung terhadap obyek penelitian yang mendukung kegiatan penelitian, sehingga didapat gambaran secara jelas tentang kondisi obyek penelitian tersebut. Observasi dapat dilakukan dengan dua cara, yaitu observasi partisipasi dan non-partisipan. Observasi partisipasi dilakukan apabila peneliti ikut terlibat secara langsung, sehingga menjadi bagian dari kelompok yang diteliti. Sedangkan observasi non partisipan adalah observasi yang dilakukan dimana peneliti tidak menyatu dengan yang diteliti, peneliti hanya sekedar sebagai pengamat.

a. Data Time Series
Data time series adalah data yang dikumpulkan dari waktu ke waktu pada satu obyek untuk menggambarkan perkembangan dari obyek penelitian selama periode tertentu.
b. Data Cross Section
Data cross section adalah data yang dikumpulkan di satu periode tertentu pada beberapa obyek untuk menggambarkan keadaan pada periode tertentu

Variabel adalah objek yang dijadikan penelitian dan memiliki nilai bervariasi yang ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulannya, sedangkan sesuatu yang hanya memiliki satu nilai disebut konstanta. Variabel dibedakan sebagai berikut:
a. Variabel bebas/independen (Exogenous variable atau X) adalah variabel yang mempengaruhi perubahan dalam variable terikat dan mempunyai hubungan positif dan negatif (Suharso, 2009).  b. Variabel terikat/dependen (Endogenous variable atau Y) adalah variabel yang menjadi perhatian utama (sebagai faktor yang berlaku dalam pengamatan) dan menjadi sasaran penelitian (Suharso, 2009).
c. Variabel laten (Unobserved/latent variable) biasa disebut sebagai variabel abstrak atau variabel yang tidak dapat diukur. Variabel laten memiliki dua jenis yaitu variabel laten eksogen dan variabel laten endogen. Variabel laten eksogen dapat disebut sebagai variabel bebas dalam suatu persamaan sedangkan variabel laten endogen merupakan variabel terikat pada suatu persamaan (Wijanto, 2008).
d. Variabel manifes (Observed/manifest variable) merupakan variabel yang dapat diamati atau dapat diukur secara empiris. Variabel manifes dapat disebut sebagai efek atau ukuran dari variabel laten (Wijanto, 2008).
e. Variabel moderator (moderating variable) adalah variabel yang mempunyai pengaruh ketergantungan yang kuat dalam hubungan antara variabel bebas dan variabel terikat (Suharso, 2009).
f. Variabel antara (intervening variable) adalah variabel yang bisa muncul saat variabel bebas mulai mempengaruhi variabel terikat, dan saat pengaruh variabel bebas terasa pada variabel terikat (Suharso, 2009).

Unified Theory of Acceptance and Use of Technology (UTAUT) model merupakan model yang disusun berdasarkan teori-teori dasar mengenai perilaku pengguna teknologi dan model penerimaan teknologi meliputi Theory of Reasoned Action (TRA), Technology Acceptance Model (TAM), Motivational Model (MM), Theory of Planned Behavior (TPB), Combined TAM and TPB (C-TAM-TPB), Model of PC Utilization (MPCU), Innovation Diffusion Theory (IDT), dan Social Cognitive Theory (SCT) menjadi satu teori (Venkatesh dkk, 2003). Berdasarkan teori, model UTAUT memiliki empat variabel yang dianggap mempunyai peran utama dan berpengaruh langsung terhadap penerimaan (behavioural intention) dan penggunaan teknologi (use behaviour) yaitu: ekspektasi kinerja (performance expectancy), ekspektasi usaha (effort expectancy), pengaruh sosial (social influence) dan kondisi yang memfasilitasi (facilitating condition). Keempat variabel tersebut dimoderasi oleh empat variabel lain yaitu kesukarelaan, jenis kelamin, umur, dan pengalaman

Inti dari model ini adalah konstruk yang disebut kecocokan tugas dengan teknologi atau Task-Technology Fit (TTF), yaitu kesesuaian antara kemampuan teknologi dengan tuntutan pekerjaan, atau kemampuan teknologi untuk mendukung pekerjaan (Goodhue and Thompson, 1995) seperti yang dikutip oleh Dishaw dkk (2002). Metode TTF melibatkan dua komponen yang berinteraksi, yaitu tugas-tugas yang harus dilakukan dan teknologi-teknologi yang digunakan untuk membantu melaksanakan tugasnya. Model TTF memiliki empat konstruk kunci yaitu Task Characteristics, Technology Characteristics, yang bersama-sama mempengaruhi konstruk Task Technology Fit. Ketiga konstruk ini (baik secara langsung atau tidak langsung) mempengaruhi variabel outcome yaitu Performance Impacts atau Utilization. Model TTF menempatkan bahwa teknologi informasi hanya akan digunakan jika fungsi dan manfaatnya tersedia untuk mendukung aktivitas pengguna. Model TTF berpegang pada prinsip bahwa teknologi informasi berdampak positif terhadap kinerja individu dan dapat digunakan jika kemampuan teknologi informasi cocok dengan tugas-tugas yang harus dihasilkan oleh pengguna (Furneaux, 2006)