Category: Metode Penelitian

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)

Elektronik perbankan mobile banking atau yang biasa disebut dengan m-banking merupakan sebuah kemajuan teknologi dan komunikasi yang dipakai sebagai fasilitas dari Bank kepada setiap nasabah bank untuk melakukan sejumlah transaksi keuangan yang dapat diakses langsung melalui perangkat mobile seperti telepon seluler. Bank Indonesia mengeluarkan kebijakan mengenai pengelolaan dan manajemen risiko penyelenggaraan kegiatan internet banking (termasuk pada m-banking) berdasarkan peraturan Bank Indonesia No.5/8/PBI/2003 tentang penerapan manajemen risiko pada aktifitas pelayanan jasa bank melalui sistem internet. Layanan m-banking ini merupakan suatu layanan dalam komunikasi yang bergerak dan diakses melalui telepon selular berbasis GSM. Kemampuannya dalam bergerak (mobile) tanpa batas ruang dan waktu ini memungkinkan manusia untuk dapat menjalankan aktivitas yang sedang dilakukan seperti yang diungkapkan oleh Sunarto (2004). Telepon seluler bekerja dengan cara menerima sinyal elektromagnetik dari sebuah pemancar yang disebut dengan Base Transceiver Station (BTS). BTS biasanya diletakan pada tempat tertentu dan ditandai dengan antena yang dipasang pada daerah tersebut. Jika seseorang sedang dalam melakukan perjalanan jarak jauh maka ponsel mereka akan menerima sinyal dari satu BTS ke BTS lainya. Nasabah yang memiliki akses m-banking dapat dengan mudah memakai fasilitas seperti transfer dana, informasi saldo, mutasi rekening, informasi nilai tukar uang, pembayaran kartu kredit, telepon, listrik dan asuransi, juga dapat digunakan untuk pembelian isi ulang pulsa. Ada tiga cara untuk dapat mengakses perbankan dengan menggunakan m-banking, tergantung pada kapabilitas telepon seluler. Pertama, m-banking dapat dilakukan melalui SMS dimana informasi saldo dan password perbankan dapat dikirim ke nasabah melalui SMS. Kedua, beberapa lembaga keuangan telah mendedikasikan aplikasi perangkat lunak yang dapat di download di telepon seluler seperti smartphone. Terakhir, telepon seluler dapat mengakses melalui fasilitas dari SIM Card. Layanan yang diberikan dari lembaga keuangan berupa m-banking mempermudah setiap nasabah untuk mengakses transaksi dari bank

Perancangan skala perlu dilakukan peneliti jika penelitian yang dijalankan
merupakan riset kuantitatif. Dalam pemberian skala, peneliti harus harus
menggunakan angka sesuai jenis skala (Suryani, 2015). Berikut 2 jenis pembagian
skala:
1. Skala Nominal
Skala nominal merupakan skala yang digunakan untuk memberi label,
simbol, lambang atau nama suatu kategori. Skala ini memudahkan
pengelompokan data menurut kategorinya, sehingga angka yang
diberikan pada suatu kategori (misalnya 1, 2, 3 dan seterusnya) tidak
memiliki makna matematis, seperti lebih besar, sama atau lebih kecil dari
pada kategori lain. Perbedaan angka di sini menunjukkan perbedaan
kategori (Suryani, 2015). Berikut contoh skala nominal untuk pertanyaan
dalam kuesioner:
Jenis kelamin Anda (silahkan beri tanda )
 Laki-laki  Perempuan
2. Skala Likert
Skala ini pertama kali dikembangkan oleh Rensist Likert, seorang
sosiolog dari University of Michigan melalui artikel ”A Technique for the
Meaurement of Attitudes” yang dipublikasikan oleh the Archieves of
Psychology pada tahun 1932. Bentuk awal slaka Likert adalah lima
pilihan jawaban dari sangat tidak setuju sampai dengan tingkat sangat
setuju yang merupakan sikap atau persepsi seseorang atas suatu kejadian
atau pernyataan yang diberikan dalam instrumen/kuesioner. Dalam
perkembangan terkini, skala Likert telah banyak dimodifikasi seperti
skala titik (dengan menghilangkan pilihan jawaban netral), atau
menggunakan skala 7 sampai 9 titik (Suryani, 2015)  Dalam perkembangannya, skala ini sudah dimodifikasi dengan berbagai
bentuk, mulai dari skala 4 titik sampai dengan 9 titik. Dalam penelitian
ini skala yang digunakan adalah skala Likert modifikasi dengan 4 titik
pengukuran,

Populasi adalah suatu keseluruhan pengamatan atau objek yang menjadi
perhatian kita. Sedangkan sampel adalah bagian dari populasi yang menjadi
perhatian kita. Populasi menggambarkan sesuatu yang sifatnya ideal atau teoritis,
sedangkan sampel menggambarkan sesuatu yang sifatnya nyata atau empiris.
Populasi dan sampel masing-masing mempunyai karakteristik atau ciri yang dapat
diukur.

Teknik sampling adalah teknik pengambilan sampel. Teknik sampling pada
dasarnya dikelompokkan menjadi dua yaitu probability sampling dan
nonprobability sampling (Prasetyo dkk, 2005):
a. Probability Sampling (Pemilihan secara acak)
Probability Sampling adalah metode sampling yang setiap anggota
populasinya memiliki peluang spesifik dan bukan nol untuk terpilih sebagai
sampel. Peluang tersebut dapat sama dan dapat pula tidak sama besarnya dengan
anggota populasi lainnya. Jenis-jenis probability sampling yaitu, (Prasetyo dkk,
2005):
1. Sampling acak sederhana
Metode pangambilan sampel acak sederhana adalah metode yang digunakan
untuk memilih sampel dari populasi sehingga setiap anggota populasi
mempunyai peluang yang sama besar untuk diambil sebagai sampel. Ini
berarti bahwa semua anggota populasi menjadi anggota dari kerangka
sampel.
2. Sampling acak sistematis
Metode pengambilan acak sistematis adalah metode untuk mengambil
sampel secara sistematis dengan interval atau jarak tertentu dari suatu
kerangka sampel yang telah diurutkan. Dengan demikian tersedianya suatu
populasi sasaran yang tersusun merupakan prasyarat penting
bagidimungkinkannya pelaksanaan pengambilan sampel dengan metode
acak sistematis.
3. Sampling acak stratifikasi
Metode pengambilan acak stratifikasi adalah metode pengambilan sampel
dengan cara membagi populasi kedalam kelompok-kelompok yang
homogenyang disebut strata, kemudian sampel diambil secara acak dari tiap
strata tersebut.
4. Sampling klaster atau cluster sampling
Metode pengambilan sampel klaster adalah metode yang digunakan untuk
memilih sampel yang berupa kelompok dari beberapa kelompok yaitu setiap
kelompok terdiri atas beberapa unit yang lebih kecil atau element. Jumlah
elemen dari masing-masing kelompok bisa sama maupun berbeda.
b. Nonprobability Sampling (pemilihan tidak acak).
Nonprobability Sampling setiap unsur dalam populasi tidak memiliki
kesempatan atau peluang yang sama untuk dipilih sebagai sampel dalam
penarikan sampel probabilita, kesempatan yang mempunyai peranan besar
sedangkan dalam penarikan sampel Nonprobability sampling, kesempatan yang
mempunyai peranan besar, sedangkan dalam penarikan sampel Nonprobability
sampling yang berperan adalah kemampuan atau pengetahuan peneliti terhadap
populasi penelitiannya. Jenis teknik sampling dari Nonprobability sampling dalam,
(Prasetyo dkk, 2005) yaitu:
1. Accidental sampling atau kebetulan
Pada pengambilan sampel dengan cara Accidental sampling, sampel diambil
dari ketersediaan elemen dan kemudahan untuk mendapatkannya, sampel
dipilih karena sampel ada pada tempat dan waktu yang tepat.
2. Judgment sampling
Sampel diambil berdasarkan kriteria-kriteria berupa suatu pertimbangan
tertentu yang telah dirumuskan terlebih dahulu oleh peneliti.
25
3. Quota sampling
Quota sampling adalah purposive sampling yang mengambil persentase
yang mengambil persentase sampelnya sesuai dengan persentase jumlah
dipopulasinya. Quota sampling sampelnya harus mempunyai karakteristik
yang dimiliki oleh populasinya.
4. Snowball sampling
Cara mengambil sampel dengan cara ini adalah mengumpulkan sampel dari
responden yang berasal dari referensi suatu jaringan.
5. Sampel jenuh
Sampel jenuh adalah teknik pengumpulan sampel apabila semua anggota
populasi digunakan sebagai sampel. Hal ini sering dilakukan apabila jumlah
populasi relatif kecil

Populasi adalah suatu keseluruhan pengamatan atau objek yang menjadi
perhatian kita. Sedangkan sampel adalah bagian dari populasi yang menjadi
perhatian kita. Populasi menggambarkan sesuatu yang sifatnya ideal atau teoritis,
sedangkan sampel menggambarkan sesuatu yang sifatnya nyata atau empiris.
Populasi dan sampel masing-masing mempunyai karakteristik atau ciri yang dapat
diukur.

Instrumen pengumpulan data sendiri merupakan alat yang digunakan untuk
pengumpan data, yaitu dapat berupa lembar cek list. Kuesioner (angket terbuka
atau tertutup), pedoman wawancara, camera photo, video camera, buku catatan,
dan lain sebagainya (Suryani, 2015).
1. Metode kuesioner
Angket atau kuesioner adalah teknik pengumpulan data yang dilakukan
dengan cara memberikan seperangkat pertanyaan tau pernyataan kepada
orang lain yang dijadikan responden untuk dijawabnya metode kuesioner
dapat dilakukan melalui tatap muka langsung, maupun melalui kuesioner
surat (baik melalui surat dalam bentuk kertas maupun surat elektronik).
Kuesioner yang diberikan secara langsung memiliki kelebihan, yaitu:
a. Peneliti dapat secara langsung bertatap muka dengan responden sehingga
tujuan penelitian dan kegunaan penelitian dapat disampaikan secara
langsung sehingga dapat meningkatkan mengurangi keraguan responden
dan motivasi untuk menjawab secara jujur.
b. Peneliti dapat memeriksa langsung kelengkapan isi dari kuesioner yang
diberikan.
c. Penyebaran kuesioner yang dilakukan secara serentak yang dilakukan
oleh tim survei dapat mengumpulkan data dalam waktu yang singkat dan
relatif murah dibandingkan metode wawancara.
d. Peneliti dapat secara langsung memberikan penjelasan jika pernyataan
atau pertanyaan yang tidak dipahami oleh responden.
2. Metode observasi
Observasi merupakan salah satu teknik yang digunakan untuk merekam
berbagai fenomena yang terjadi (situasi, kondisi). Teknik ini digunakan bila
penelitian ditujukan untuk mempelajari perilaku manusia, proses kerja,
gejala-gejala alam dan dilakukan pada responden yang tidak terlalu besar.
Metode observasi digolongkan menjadi dua yaitu:
a. Participant observation, yaitu peneliti secara langsung terlibat dalam
kegiatan sehari-hari orang atau situasi yang diamati sebagai sumber data.
b. Non-participant observation, yaitu penelitinya tidak ikut secara langsung
dalam kegiatan atau proses yang sedang diamati. Kelemahan metode ini
adalah peneliti tidak akan memperoleh data yang mendalam karena
hanya bertindak sebagai pengamat dari luar tanpa mengetahui makna
yang terkandung di dalam peristiwa.
3. Wawancara
Wawancara merupakan teknik pengumpulan data yang dilakukan melalui
tatap muka dan tanya jawab langsung anta pengumpul data maupun peneliti
terhadap nara sumber atau sumber data, wawancara pada penelitian sampel
besar biasanya hanya dilakukan sebagai studi pendahuluan. Wawancara
terbagai menjadi wawancara terstruktur dan tidak terstruktur. Wawancara
terstruktur yaitu peneliti telah mengetahui pasti apa informasi yang ingin
digali dari responden sehingga daftar pertanyaannya sudah dibuat secara
sistematis. Peneliti juga dapat menggunakan alat bantu tape recorder,
kamera foto dan material lainnya yang dapat membantu kelancaran
wawancara. Sedangkan wawancara secara tidak terstruktur adalah
wawancara bebas, yaitu peneliti tidak menggunakan pedoman wawancara
yang berisi pertanyaan yang akan diajukan secara spesifik, dan hanya
memuat poin-poin penting masalah yang ingin digali dari responden.

Data digunakan untuk mengukur nilai satu atau lebih variabel dalam sampel atau populasi. Data merupakan cerminan dari suatu variabel menurut klasifikasinya seperti berdasarkan sifatnya, sumbernya, cara memperolehnya, dan waktu pengumpulannya (Suryani, 2015).

Data menurut subernya dikelompokkan menjadi dua yaitu data internal dan data eksternal. Data internal adalah data yang menggambarkan keadaan atau kegiatan di dalam sebuah organisasi. Sedangkan data eksternal adalah data yang menggambarkan keadaan atau kegiatan di luar organisasi.

.

SmartPLS merupakan aplikasi perangkat lunak untuk teknik SEM dalam
bentuk graphical user interface (GUI). SmartPLS menggunakan teknologi Java
webstart yang dapat diaplikasikan pada semua sistem operasi komputer.
SmartPLS memungkinkan impor data indikator variabel dalam model. Aplikasi
ini dibangun melalui proyek di Institute of Operations Management and
Organizations (School of Business, University of Hamburg, Germany), (Jogiyanto
dkk, 2009).

Untuk pengujian seluruh hipotesis maka digunakan metode Partial Least
Square (PLS). Partial Least Square (PLS) merupakan metode analisis yang
powerfull oleh karena tidak didasarkan banyak asumsi (Ghozali, 2014). Dengan
metode PLS maka model yang diuji dapat mempergunakan asumsi: data tidak
harus berdistribusi normal, skala pengukuran dapat berupa nominal, ordinal,
interval maupun rasio, jumlah sampel tidak harus besar, indikator tidak harus
dalam bentuk refleksif (dapat berupa indikator refleksif dan formatif) dan model
tidak harus berdasarkan pada teori (Ghozali, 2014).
Dengan uji t, yaitu untuk menguji signifikansi konstanta dan variabel
independen yang terdapat dalam persamaan tersebut secara individu apakah
berpengaruh terhadap nilai variabel dependen (Ghozali, 2014). Untuk pengujian
ini dilakukan dengan melihat output dengan bantuan program aplikasi SmartPLS.
Jika nilai T hitung < T tabel, maka Hipotesis nol ditolak, (koefisien regresi
signifikan). Dalam pengujian hipotesis tingkat signifikansi yang digunakan adalah
95% ( = 0.05). Nilai T tabel dengan tingkat signifikansi 95% adalah 1.96. Model
persamaan struktural dalam penelitian ini akan diselesaikan dengan program
SmartPLS 3.0.

Sebagai alternatif covariance based SEM, pendekatan covariance based
atau component based dengan PLS orientasi analisis bergeser dari menguji model
kausalitas atau teori ke covariance based predictive model. CBSEM lebih
berorientasi pada model building yang dimaksudkan untuk menjelaskan
covariance dari semua observed indikators, sedangkan tujuan PLS adalah prediksi.
Variabel laten didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS
ingin mendapatkan the best weight estimate untuk setiap blok indikator dari setiap
variabel laten. Hasil komponen skor untuk setiap variabel laten didasarkan pada
estimated indicator weight yang memaksimumkan variance explained untuk
variabel dependent atau laten, observe atau keduanya (Ghozali, 2014).
Partial least square (PLS) merupakan metode analisis yang powerfull oleh
karena tidak didasari banyak asumsi. Data tidak harus terdistribusi normal
multivariate (indikator dengan skala kategori, ordinal, interval, sampai ratio dapat
digunakan pada model yang sama), sampel tidak harus besar. Walapun PLS dapat
juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk
menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih
menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka
mispersifikasi model tidak begitu berpengaruh terhadap estimasi parameter.
Dibandingkan dengan CBSEM, component based SEM–PLS menghindari dua
masalah serius yaitu inadmisable solution dan factor indeterminacy (Ghozali,
2014).
PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator
refletif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam
CBSEM karena akan terjadi unidentified model. Oleh karena algoritma dalam PLS
menggunakan analisis series ordinary least square, maka identifikasi model
bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk
distribusi tertentu dari pengukuran variabel. Lebih jauh efesiensi perhitungan
algoritma mampu mengestimasi model yang besar dan komplek dengan ratusan
variabel laten dan ribuan indikator (Ghozali, 2014).
Secara ringkas dapat disimpulkan bahwa jika model struktur dan model
pengukuran yang dihipotesiskan benar dalam artian menjelaskan covariance
semua indikator dan kondisi data serta sample size terpenuhi, maka covariance
based SEM memberikan estimasi optimal dari parameter model. Ini ideal untuk
konfirmasi model dan estimasi kebenaran parameter populasi. Namun demikian
tergantung dari tujuan si peneliti dan pandangan epistemic dari data ke teori,
properti data yang ada, tingkat pengetahuan teoritis dan pengembangan
pengukuran, pendekatan PLS mungkin lebih cocok

Structural Equation Model (SEM) adalah suatu teknik statistik yang mampu
menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara
langsung. Teknik ini dilakukan untuk menjelaskan secara menyeluruh hubungan
antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang
suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model.
SEM terbagi atas 2 jenis varian, yaitu SEM covariance based dan SEM
componenet based (Ghozali, 2014).
SEM memiliki dua tujuan utama dalam analisisnya, tujuan yang pertama
yaitu menentukan apakah model possible (masuk akal) atau fit, atau dengan kata
lain menguji fit suatu model yaitu kesesuaian model dengan data empiris. Tujuan
kedua yaitu menguji berbagai hipotesis yang telah dibangun sebelumnya. SEM
memiliki 4 perbedaan dengan regresi biasa dan teknik multivariate lainnya yaitu:
1. SEM membutuhkan lebih dari sekedar perangkat statistik yang
didasarkan atas regresi biasa dan analisis varian.
2. Regresi biasa, umumnya, menspesifikan hubungan kausal antara
variabel-variabel teramati, sedangkan pada model variabel laten SEM,
hubungan kausal terjadi di antara variabel-variabel tidak teramati atau
variabel-varibel laten.
3. SEM selain memberikan informasi tentang hubungan kausal simultan di
antara variabel-variabelnya, juga memberikan informasi tentang muatan
faktor dan kesalahan-kesalahan pengukuran.
4. Estimasi terhadap multiple interrelated dependence relationships. pada
SEM sebuah variabel bebas pada satu persamaan bisa menjadi variabel
terikat pada persamaan lain.

Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling berhubungan satu dengan yang lain dalam suatu kelompok persamaan linear. Hubungan tersebut menjadi semakin kompleks tetapi inti pesannya tetap sama, yaitu: kita dapat menguji apakah beberapa variable saling berhubungan melalui seperangkat hubungan linier dengan cara memeriksa varian dank ovarian variable tersebut. Dictum ini dapat diilustrasikan secara sederhana sebagai berikut:
Ada sekelompok angka (kita beri simbol X): 1, 2, dan 3. Sekeleompok angka tersebut mempunyai rata-rata sebesar 2 dan standard deviasi 1. Kemudian sekelompok ini ini (X) kita kalikan 4; maka akan menjadi sekelompok angka sebagai berikut: 4, 8, dan 12 (Kita beri simbol Y). Sekelompok angka tersebut mempunyai rata-rata sebesar 8, standard deviasi 4, dan varian sebesar 16 (varian adalah standard deviasi yang dikuadratkan). Seperangkat angka X dapat dihubungkan dengan seperangkat anhgka Y dengan menggunakan persamaan Y = 4 X; dengan demikian varian Y ialah 16 kali X. Dari persamaan tersebut kita dapat melakukan pengujian hipotesis, yaitu Y dan X dihubungkan dengan menggunakan persamaan Y = 4 X secara tidak langsung dengan cara membandingkan varian – varian variable X dan Y.
Dalam kaitannya dengan pemahaman tersebut, maka prosedur dalam SEM dilakukan dilakukan dengan cara sebagai berikut:
Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan • menggunakan diagram jalur.
Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam kaitannya • degan varian – varian dan kovarian-kovariannya beberapa variabel tersebut.
Ujilah apakah semua varian dan kovarian cocok dengan modelnya. •
Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi parameter serta kesalahan-kesalahan • standard untuk semua koefisen numerik yang ada dalam persamaan linear.
Berdasarkan semua informasi di atas, peneliti memutuskan apakah model nampak sesuai dengan data • yang dipunyai atau tidak

Beberapa fungsi SEM, diantaranya ialah:
Pertama, • memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
Kedua •, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten;
Ketiga, • daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis; Keempat,• kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;
Kelima,• kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;
Keenam,• kemampuan untuk membuat model terhadap variabel-variabel perantara;
Ketujuh,• kemampuan untuk membuat model gangguan kesalahan (error term);
Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok • subyek;
Kesembilan,• kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.