Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank)

SOLUSI PEMODELAN PERSAMAAN STRUKTURAL DENGAN
PENDUGA KUADRAT TERKECIL PARSIAL PADA PEUBAH
LATEN TINGKAT DUA
(STUDI KASUS: PEMODELAN KINERJA BANK)

LILIK PURWANDI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Solusi Pemodelan
Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten
Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank) adalah benar karya saya
dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun
kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari
karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan
dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2016
Lilik Purwandi
NIM G151110161

RINGKASAN
LILIK PURWANDI Solusi Pemodelan Persamaan Struktural Dengan Penduga
Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan
Kinerja Bank). Dibimbing oleh MUHAMMAD NUR AIDI dan I MADE
SUMERTAJAYA.
Model Persamaan Struktural (MPS) dengan pendugaan Kuadrat Terkecil
Parsial (KTP) merupakan pemodelan lunak (soft modeling) yang merupakan salah
satu solusi dari MPS dengan penduga kemungkinan maksimum ketika asumsiasumsi tidak terpenuhi khususnya asumsi kecukupan jumlah contoh (Monecke &
Leisch 2012). MPS dengan peduga KTP selalu mensyaratkan setiap peubah laten
minimal diukur oleh satu indikator (Lohmö ller 1989, Monecke & Leisch 2012).
Permasalahan persamaan struktural dua tingkat terjadi karena peubah laten tingkat
dua tidak memiliki indikator. Secara empirik ada dua pendekatan yang bisa
digunakan sebagai solusi. Pendekatan pertama adalah menurunkan orde peubah
laten tingkat dua menjadi peubah laten tingkat satu. Pendekatan kedua melalui

pemodelan dua tahap. Tahap pertama dengan mencari skor faktor pada peubah laten
tingkat satu yang merupakan peubah laten eksogen pada peubah laten tingkat dua.
Tahap kedua yaitu menggunakan peubah laten tingkat satu sebagai indikator
peubah laten tingkat dua.
Penelitian ini bertujuan untuk mencari solusi terbaik pada persamaan
struktural tingkat dua dengan penduga KTP dengan peubah laten tingkat dua tidak
memiliki indikator pada kasus studi perbankan. Data pada penelitian ini bersumber
data sekunder yang merupakan data hasil survei dan pencatatan. Survei dilakukan
dengan wawancara tatap muka pada responden terpilih di 30 kabupaten dan kota
dengan jumlah 3000 responden. Metode penarikan contoh yang digunakan adalah
metode multistage random sampling, dengan rumah tangga sebagai unit terkecil.
Data cacahan diperoleh dari Laporan Bulanan Bank Indonesia. Peubah laten
eksogen ekuitas merek (EK) diduga berpengaruh pada peubah laten endogen
kinerja bank (KB) dan peubah endogen keterikatan merek (KM), peubah laten
endogen diduga berpengaruh pada peubah laten endogen KB. MPS pertama
merupakan solusi pertama dan MPS kedua merupakan solusi kedua.
Hasil pemodelan menunjukkan MPS pertama menghasilkan koefisien jalur
yang positif dan nyata pada hubungan pengaruh EK terhadap KB serta EK terhadap
KM, sedangan hubungan pengaruh KM terhadap KB tidak nyata. MPS kedua
menghasilkan kesimpulan yang sama dengan MPS pertama. Model struktural

peubah KB pada MPS pertama memiliki nilai R-Square 0.57 sedang MPS kedua
memiliki R-Square 0.81. Model struktural peubah KM pada MPS pertama memiliki
nilai R-Square 0.49 sedang MPS kedua memiliki R-Square 0.47. MPS pertama
diperoleh nilai goodness of fit sebesar 0.63 dan MPS ke dua diperoleh nilai
goodness of fit sebesar 0.69.
Kata kunci: Ekuitas Merek, Kinerja Bank, KTP, MPS,

SUMMARY
LILIK PURWANDI.The Solutions of Structural Equation Modeling Using Partial
Least Square Estimator on Second Order Latent Variable (Case Study: Modeling
Bank’s Performance). Supervised by MUHAMMAD NUR AIDI and. I MADE
SUMERTAJAYA
Structural Equation Model (SEM) using Partial Least Squares (PLS)
estimator is a soft modeling, which is one of the solutions using maximum
likelihood estimator when the assumptions do not fullfilled. especially the
assumption of the adequacy on number of observation (Monecke & Leisch 2012).
SEM using PLS estimator always require’s every latent variables must be measured
by one indicator (Lohmoller, 1989, Monecke & Leisch 2012). SEM using PLS
problem occurs if the two levels of latent variables does not have indicators.
Empirically, there are two approaches that can be used as a solutions. The first

approach is down falling second order latent variable to the first order latent
variable. The second approach is through a two-stage modeling. The first step is
estimate the factor scores using factor analysis in the first order latent variable, the
second is using its factor scores in first order as indicator in second order latent
variable.
The objective this research is to find the best solution of the SEM using PLS
estimator which second latent variables doesn’t have indicators in case study banks
performance. The data in this research is secondary from survey and record data.
The survey was conducted with face-to-face interviews at selected respondents in
30 districts and the cities. The sampling method used is multistage random
sampling, with the household as the sampling unit. The record data obtained from
the Monthly Report of Bank Indonesia. Exogenous latent variable of brand equity
(EK) is estimated has significant effect on endogenous latent variables banks
performance (KB) and endogenous latent variable brand engagement (KM),
endogenous latent variable brand engagement is estimated has significant positive
effect on the banks performance (KB).
The first solutions show those latent variable brand equity (EK) has
significant effect to the bank performance (KB) and brand engagement (KM), brand
engagement (KM) hasn’t significant effect to the bank performance (KB). The
second solutions was have similar result as first solution. Structural model of bank

performance (KB) on the first solution has R-Square 0.57 and the second solution
has R-Square 0.81. Structural model of brand engagement (KM) on the first
solution has R-Square 0.49 and the second solution has R-Square 0.47.The first
solution has smaller goodness of fit value (0.63) than goodness of fit value on
second solutions (0.69). Its show that the second solutions is better than the first
solution.
Keywords: Brand Equity, Banks Performance, PLS, SEM.

© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

SOLUSI PEMODELAN PERSAMAAN STRUKTURAL DENGAN
PENDUGA KUADRAT TERKECIL PARSIAL PADA PEUBAH
LATEN TINGKAT DUA

(STUDI KASUS: PEMODELAN KINERJA BANK)

LILIK PURWANDI

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Statistika

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji Luar Komisi pada Ujian Tesis: Dr. Farit Mochamad Afendi, MSi

Judul Tesis : Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat
Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus:
Pemodelan Kinerja Bank)

Nama
: Lilik Purwandi
NIM
: G151110161

Disetujui oleh
Komisi Pembimbing

Dr Ir Muhammad Nur Aidi, MS
Ketua

Dr Ir I Made Sumertajaya, MSi
Anggota

Diketahui oleh

Ketua Program Studi
Statistika

Dekan Sekolah Pascasarjana

Dr Ir Kusman Sadik, MSi

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 22 Januari 2016

Tanggal Lulus:

PRAKATA
Puji dan syukur kehadirat Allah SWT atas segala rahmat dan hidayah-Nya
sehingga penulis dapat menyelesaikan tesis yang berjudul “Solusi Pemodelan
Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten
Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank)”. Keberhasilan penulisan
tesis ini tidak lepas dari bantuan, bimbingan dan petunjuk dari berbagai pihak.
Penulis menyadari bahwa selama proses perkuliahan dan penyusunan tesis ini
tidak lepas dari dukungan berbagai pihak. Pada kesempatan ini, penulis
menyampaikan terima kasih kepada:
1. Keluarga tercinta atas segala kasih sayang, doa, dan dukungannya sampai saat
ini.

2. Bapak Dr Ir Muhammad Nur Aidi MS dan Bapak Dr Ir I Made Sumertajaya MSi
selaku dosen pembimbing yang telah banyak meluangkan waktunya dengan
sabar membimbing penulis sampai menyelesaikan tesis ini.
3. Rekan-rekan mahasiswa Pascasarjana Statistika IPB atas bantuan serta
kebersamaanya selama ini.
4. Serta semua pihak yang telah banyak membantu dan tak sempat penulis sebutkan
satu per satu.
Semoga tesis ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Lilik Purwandi 2016
Lilik Purwandi

DAFTAR ISI
1 PENDAHULUAN
Latar Belakang
Tujuan Penelitian

1
1
2

2 TINJAUAN PUSTAKA
Model Persamaan Struktural (MPS)
MPS Dengan Penduga KTP
Analisis Faktor

3
3
4
6

3 METODE
Data
Konstruk Model Struktural dan Pengukuran
Metode Analisis

8
8
9
10

4 HASIL DAN PEMBAHASAN
Profil Demografi Responden
Deskripsi Indikator
Model Persamaan Struktural Pertama
Model Persamaan Struktural Kedua
Perbandingan Model

14
14
15
21
24
27

5 SIMPULAN DAN SARAN
Simpulan
Saran

30
30
30

DAFTAR PUSTAKA

31

LAMPIRAN

32

RIWAYAT HIDUP

34

DAFTAR TABEL
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.

Peubah Penelitian
Adopsi Teori Jalur Model Struktural
Uji Validitas Kekonvergenan MPS Pertama
Uji Validitas Diskriminan MPS Pertama
Uji Reliabilitas MPS Pertama
Uji Koefisien Jalur MPS Pertama
Uji Kecocokan Model Struktural MPS Pertama
Persentase Keragaman Yang Mampu Di Jelaskan Tiap Faktor
Muatan Faktor Peubah Laten Eksogen MPS Kedua
Uji Validitas Kekonvergenan MPS Kedua
Uji Validitas Diskriminan MPS Kedua
Uji Reliabilitas MPS Kedua
Uji Koefisien Jalur MPS Kedua
Uji Kecocokan Model Struktural MPS Kedua

8
9
22
22
23
23
24
24
25
25
26
26
27
27

DAFTAR GAMBAR
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.

Bentuk Hubungan Antar Peubah
Konstruk MPS Pertama
Konstruk MPS Kedua
Responden Menurut Jenis Kelamin
Responden Menurut Usia
Responden Menurut Pekerjaan
Box Plot Peubah Laten PM
Box Plot Peubah Laten CM
Box Plot Peubah Laten KN
Box Plot Peubah Laten LN
Box Plot Peubah Laten KM
Box Plot Peubah Indikator Y1
Box Plot Peubah Indikator Y2
Box Plot Peubah Indikator Y3
Perbandingan Nilai Koefisien Jalur
Perbandingan Nilai R-Square

9
10
11
14
14
15
16
17
17
18
19
20
20
21
28
28

DAFTAR LAMPIRAN
1.
2.
3.
4.

Struktur Pertanyaan Penelitian
32
Sintak MPS Pertama
33
34
Sintak MPS Kedua
Hasil MPS Pertama, Model Pengukuran, muatan silang, uji reliabilitas,
model struktural
36
5. Hasil MPS Kedua, Model Pengukuran, muatan silang, uji reliabilitas, model
38
struktural

1 PENDAHULUAN
Latar Belakang
Model Persamaan Struktural (MPS) merupakan salah satu metode yang
populer di berbagai disiplin ilmu (Monecke & Leisch 2012). MPS sangat bagus
untuk mengetahui hubungan antar peubah karena MPS merupakan kombinasi
antara analisis faktor, analisis regresi dan analisis jalur. MPS dengan penduga
kemungkinan maksimum mensyaratkan asumsi-asumsi yang cukup ketat seperti
asumsi normalitas dan linieritas, tidak adanya outlier, ukuran jumlah contoh
minimum 100 serta tidak adanya multikolinieritas (Monecke & Leisch 2012). Jika
asumsi tersebut tidak terpenuhi maka model yang dihasilkan menjadi tidak bagus,
untuk itu diperlukan pendekatan lain. Salah satu pendekatan yang bisa digunakan
adalah dengan menggunakan metode pendugaan Kuadrat Terkecil Parsial (KTP).
MPS dengan penduga KTP adalah suatu metode pemodelan lunak (soft modeling)
yang merupakan salah satu solusi dari MPS dengan penduga kemungkinan
maksimum ketika asumsi-asumsi tidak terpenuhi khususnya asumsi kecukupan
jumlah contoh (Monecke & Leisch 2012). Asumsi kecukupan jumlah contoh
seringkali menjadi kendala dalam suatu penelitian lapangan, kesulitan ini bisa
terjadi karena biaya pengumpulan data yang mahal dan sulitnya mengumpulkan
data.
MPS dengan penduga KTP selalu mensyaratkan setiap peubah laten
minimal diukur oleh satu indikator (Lohmö ller 1989, Monecke & Leisch 2012).
Permasalahan terjadi pada persamaan struktural dua tingkat jika peubah laten
tingkat dua tidak memiliki indikator. Secara empirik ada dua pendekatan yang bisa
digunakan sebagai solusi permasalahan ini. Pendekatan pertama adalah
menurunkan orde peubah laten tingkat dua menjadi peubah laten tingkat satu.
Pendekatan kedua melalui pemodelan dua tahap. Tahap pertama dengan mencari
skor faktor pada peubah laten tingkat satu yang merupakan peubah laten eksogen
pada peubah laten tingkat dua. Tahap kedua yaitu menggunakan peubah laten
tingkat satu sebagai indikator peubah laten tingkat dua.
Kasus MPS tingkat dua dengan peubah laten tidak memiliki indikator juga
terjadi pada penelitian pada industri perbankan. Industri perbankan adalah industri
keuangan terbesar di Indonesia. Data Bank Indinesia akhir maret 2015
menunjukkan jumlah bank umum di Indonesia berjumlah 119 bank dengan 20.064
kantor yang tersebar di seluruh Indonesia (Statistik Perbankan Indonesia, Juli
2015). Jumlah ini menunjukkan bahwa persaingan pada industri perbankan sangat
ketat. Hermawan Kertajaya dalam Marketing Plus 2000 menyatakan kondisi
persaingan yang kacau (4C) mengharuskan perusahaan berada pada tipe customer
driven, pada kondisi ini konsumen memegang peranan penting. Kondisi yang
menyebabkan perusahaan tidak saja mengandalkan kualitas produk yang
ditawarkan, tetapi aset berharga yang tidak terlihat (intangible) menjadi lebih
penting. Salah satu aspek tak terlihat tersebut adalah ekuitas merek.
Menurut Aaker (1998), ekuitas merek adalah nilai yang mencerminkan
kekuatan produk dan jasa suatu produk atau perusahaan. Aaker menyatakan ekuitas
merek dibentuk oleh loyalitas merek, kepuasan pelanggan, pengetahuan merek,
kualitas produk, asosiasi merek dan faktor lainya. Menurut Keller (2013), ekuitas

2
merek (EK) dibentuk oleh identitas merek, kualitas merek, respon merek dan
resonansi merek. Penelitian ini mengadopsi model dari berbagai ahli, dimana EK
di bentuk dari pengetahuan merek (PM), citra merek (CM), kepuasan nasabah (KN)
dan loyalitas nasabah (LN). Behnam dan Rezael (2015) pada penelitiann berjudul
“Investigating the affective factor on building brand equity in banking Industri in
Iran (case Study:Tosee Saderat Bank) menyatakan bahwa KN berpengaruh nyata
dan positif terhadap EK. Marinova et al. (2008) pada penelitian berjudul
“Customers Relation and Brand Equity in China Banking Service” menyatakan
bahwa PM, CM dan LN perpengaruh nyata dan positif terhadap EK. Menurut
Anastasia (2012), pada penelitiannya menyatakan bahwa EK berpengaruh nyata
dan positif pada KM. Hsu et al. (2013) pada penelitian dengan judul “The Impact
of Brand Value on Financial Performance” menyatakan bahwa EK dan KM
berpengaruh nyata dan positif terhadap kinerja keuangan perusahaan. Pada
penelitian ini peubah laten tingkat dua terjadi pada peubah laten EK.
Tujuan Penelitian
Tujuan penelitian ini adalah mencari solusi terbaik pada persamaan struktural
tingkat dua dengan penduga kuadrat terkecil parsial dengan peubah laten tingkat
dua tidak memiliki indikator pada kasus pemodelan EK, KM dan KB.

3

2 TINJAUAN PUSTAKA
Model Persamaan Struktural (MPS)
Model persamaan struktural (MPS) merupakan salah satu analisis multivariat
yang dapat menganalisis hubungan peubah secara kompleks. MPS pada umumnya
digunakan untuk penelitian-penelitian yang menggunakan banyak peubah dan
dapat menganalisis model yang rumit secara simultan. MPS juga merupakan
analisis sebab akibat yang dapat menampilkan model secara komprehensif
bersamaan dengan kemampuan untuk mengkonfirmasi dimensi atau faktor dari
sebuah konsep yang diujikan melalui indikator-indikator empiris. Model hubungan
yang menjelaskan keterkaitan antar peubah laten pada MPS didefinisikan sebagai
model struktural. Peubah laten yang merupakan peubah bebas didalam model
struktural disebut dengan peubah laten eksogen, sedangkan peubah laten yang
diukur dari peubah-peubah laten eksogen disebut peubah laten endogen.
MPS sendiri terdiri dari dua model persamaan yaitu model struktural dan
model pengukuran.Peubah pada model struktural merupakan peubah laten sehingga
pendugaan terhadap parameternya tidak dapat dilakukan secara langsung. Hal ini
disebabkan karena peubah laten tersebut bukan merupakan hasil pengukuran dari
suatu peubah pengamatan. Pendugaan dan pengujian model struktural dibangun
melalui model pengukuran yang berisi hubungan antara peubah laten dengan
peubah-peubah penjelas. Model umum persamaan struktural (Bollen, 1989) adalah :
= � + �� +
model pengukurannya adalah
=Ʌ +�
= Ʌ �+�
dengan asumsi
= �, � = �, � =0, cov , � = �, cov �, = �,
cov �, � = � dan matriks � non singular.
: vektor (px1) peubah laten endogen
� : vektor (qx1) peubah laten eksogen
�: matriks (pxp) koefisien jalur antar peubah laten endogen
� : matriks (pxq) koefisien jalur antar peubah laten endogen dengan peubah
laten eksogen
: vektor (rx1) peubah penjelas dari peubah laten endogen
: vektor (sx1) peubah penjelas dari peubah laten eksogen
Ʌ : matriks (rxp) koefisien jalur antara peubah laten endogen dengan peubah
penjelasnya
Ʌ : matriks (sxq) koefisien jalur antara peubah laten eksogen dengan peubah
penjelasnya
: vektor (px1) galat model struktural
� : vektor (rx1) galat model pengukuran antara peubah laten endogen dengan
peubah penjelasnya
� : veltor (sx1) galat model pengukuran antara peubah laten eksogen dengan
peubah penjelasnya.

4
MPS Dengan Penduga KTP
Metode pendugaan persamaan struktural dengan metode kuadrat terkecil
parsial (KTP) pertama kali dikenalkan oleh Wold (1980) yang digunakan untuk
kasus ekonometrik, kemudian metode pendugaan dengan KTP secara intensif
dikembangkan oleh Chin (2010) dan Tenenhaus (2005). Metode pendugaan KTP
menggunakan algoritma iteratif dengan mencari solusi pada model pengukuran
terlebih dahulu baru kemudian langkah kedua mencari koefisien jalur (path
coefficient) pada model struktural. Metode pendugaan KTP mampu menjelaskan
keragaman galat pada peubah laten maupun peubah indikator pada persamaan
regresi yang ada pada model. Metode pendugaan KTP lebih bersifat pemodelan
lunak (soft modeling) yang tidak terlalu ketat pada pemenuhan asumsi seperti pada
metode pendugaan kemungkinan maksimum (KM). Metode ini merupakan metode
yang menarik, terutama pada pemodelan aplikasi lapangan yang mana cukup sulit
untuk memenuhi asumsi yang ketat, seperti kecukupan jumlah contoh (Monecke &
Leisch 2012)
Menurut Tenenhaus (2005) model persamaan struktural dengan penduga
KTP terdiri atas tiga komponen yaitu model struktural (structural model), model
pengukuran (measurement model) dan skema pembobotan. Model pengukuran dan
model struktural di temukan pada model persamaan struktural dengan konstruk
peubah laten, sedangkan skema pembobotan merupakan pendekatan dari KTP
(Monecke & Leisch 2015). Model struktural adalah model yang menggambarkan
hubungan antar peubah laten berdasarkan subtantif teori. Model pengukuran adalah
model yang menggambarkan hubungan antara peubah laten dengan peubah
indikatornya. Peubah laten adalah peubah yang tidak dapat diukur secara langsung,
sehingga pengukuran dari indikator. Adapun persamaan model struktural pada
metode KTP sebagai berikut :
=∑

+∑

� +

dengan:
: peubah laten endogen ke-j
: koefisien jalur antara peubah laten endogen ke-j dengan peubah laten
endogen ke-i
: peubah laten endogen ke-i, untuk i ≠j
: koefisien jalur antara peubah laten endogen ke-j dengan peubah laten
eksogen ke-b
� : peubah laten eksogen ke-b
: sisaan model struktural
p: banyaknya peubah laten endogen
q: banyaknya peubah laten eksogen
Pesamaan model struktural pada model KTP untuk hubungan reflektif
adalah
=� �+
=� +�
dengan
: indikator peubah laten eksogen (�)
: indikator peubah laten endogen ( )

5
� dan � : matriks muatan faktor yang menghubungkan peubah laten
dengan indikatornya
dan �: sisaan model pengukuran
Inti prosedur KTP adalah menentukan pembobot-pembobot yang akan
digunakan untuk menduga peubah laten pada model pengukuran. Pembobotpembobot diperoleh dari regresi KTP yang diterapkan pada setiap peubah indikator.
Algoritma untuk menentukan pembobot-pembobot, koefisien jalur, dan nilai
peubah laten dalam KTP terbagi menjadi 2 tahap, yaitu :
1. Pendugaan iterasi dari pembobot-pembobot awal dan nilai-nilai peubah laten
awal dilakukan dengan langkah-langkah sebagai berikut :
a. Pendugaan model pengukuran
ξ̂ = ∑ ̂
x
̂ =∑̂

b. Pendugaan model struktural
̂∗ = ∑
̂∗ =

ξ

+∑

ξ

,
dan
adalah pembobot model struktural. Pembobot model
struktural yang digunakan adalah pembobot berdasarkan skema centroid.
Bobot untuk
adalah
, untuk
�� ξ yang berhubungan
={
, untuk
�� ξ yang tidak berhubungan
c. Pembaruan pembobot model pengukuran
Pembaruan diperoleh untuk mendapatkan bobot baru model pengukuran
yaitu ̂ �� dengan formula berikut :
= ̂ �� ̂ ∗ +
d. Pemeriksaan kekonvergenan
Kriteria konvergensi yang digunakan adalah
(w ru − w ru− )
−

w ��−
Apabila kriteria konvergensi belum terpenuhi maka proses iterasi diulangi
dari langkah a dengan menggunakan bobot baru sampai langkah c hingga
konvergensinya terpenuhi. Jika telah konvergen maka dilanjutkan langkah 2.
2. Menduga koefisien jalur
Pembobot yang diperoleh digunakan untuk menduga digunakan untuk
menduga skor peubah laten dengan formula berikut :
ξ̂ = ∑ ̂ �� x
̂ =∑̂

��

Skor peubah laten selanjutkan digunakan untuk menduga koefisien jalur
antar peubah dengan menggunakan penduga kuadrat terkecil.

6
Ada 2 struktur model yang dievaluasi yaitu model struktural dan model
pengukuran. Evaluasi model dugaan dengan menggunakan metode KTP dilakukan
dengan menghitung indeks kecocokan model pada model struktural dan model
pengukuran.
1. Model Pengukuran
Pengujian model pengukuran pada prinsipnya untuk mengukur sejauh
mana indikator mampu menjelaskan peubah laten. Ada 3 cara untuk menguji
kebaikan model pengukuran yang bersifat reflektif yaitu melalui validitas
kekonvergenan, validitas diskriminan dan reliabilitas gabungan.Uraian cara
pengujuan kebaikan model pengukuruan yang bersifat reflektif adalah sebagai
berikut:
a. Validitas Kekonvergenan
Nilai muatan faktor 0.5 sampai 0.6 dianggap cukup untuk
menggambarkan indikator tersebut mampu menggambarkan peubah
latennya.
b. Validitas Diskriminan
Validitas diskriminan diukur dari besarnya nilai muatan silang
tiap blok peubah laten. Jika indikator dalam satu blok memiliki nilai
muatan silang yang lebih tinggi jika dibandingkan muatan silang pada
blok peubah laten lain, maka dapat disimpulkan indikator tersebut
memiliki validitas diskriminan yang baik. Validitas diskriminan
menunjukkan bahwa indikator tersebut benar merefleksikan peubah
latenya dan tidak merefleksikan peubah lain.
c. Reliabilitas Gabungan
Reliabilitas gabungan ρ digunakan untuk mengukur reliabilitas
setiap peubah laten, dengan menggunakan persamaan sebagai berikut :
∑λ
ρ =
∑λ + ∑ I − λ
dengan λ merupakan koefisien jalur ke–i. Nilai ini menunjukkan
stabilitas dan konsistensi dari suatu pengukuran. Nilai berkisar 0
sampai 1. Nilai batas yang diterima untuk tingkat reliabilitas komposit
ρ adalah 0.8 walaupun bukan nilai absolut (Chin 2010).
2. Model Struktural
a. Pengujian hubungan peubah laten eksogen terhadap peubah laten
endogen dengan melihat nilai t-hitung tiap koefisien jalur tiap peubah
pada model struktural.
b. Nilai � yang menunjukkan besarnya keragaman peubah endogen yang
dapat dijelaskan oleh peubah eksogen.
Analisis faktor
Analisis faktor adalah analisis yang bertujuan untuk mencari hubungan
internal segugus peubah acak (Matjik & Sumertajaya, 2011). Peubah-peubah yang
dianalisis berkorelasi tinggi didalam grupnya sendiri dan berkorelasi rendah dengan
yang berbeda grup. Bentuk umum persamaan model faktor (Matjik & Sumertajaya,
2011) sebagai berikut :
=�+� +

7
Dimana
� =vektor rataan (px1)
� =matriks konstanta yang tidak diketahui nilainya (pxk)
=vektor acak faktor umum (kx1)
=vektor unsur galat (px1)
Model tersebut memiliki asumsi :
E
=�
E
=�
Cov , = �
var
= ∆ definit positif
Pendugaan skor faktor dapat dilakukan dengan metode regresi. Metode ini
menduga skor faktor untuk pengamatan yang berpadanan dengan menggunakan
formula yang sama dengan formula koefisien regresi linier yaitu :
̂ = ̂ ′�−
− ̅ , i = 1, …, n
dengan
̂ : vektor dugaan skor faktor (nx1).
̂ ′ : vektor transpose dugaan nilai muatan faktor (1xp).
�− : matrik inves ragam peragam (pxp).
̅ : vektor rataan (px1)

8

3 METODE
Data
Data penelitian ini bersumber dari data sekunder yang merupakan data hasil
survei dan pencatatan. Survei dilakukan melalui wawancara tatap muka (face to
face interview) pada responden terpilih di 30 kabupaten dan kota yang tersebar di
Indonesia. Jumlah contoh yang diambil 3000 responden dengan kriteria memiliki
produk tabungan. Metode penarikan contoh yang digunakan adalah metode
multistage random sampling, dengan rumah tangga sebagai unit terkecil. Multistage
random sampling adalah pengambilan contoh dengan proses bertahap dengan
menggabungkan beberapa teknik penarikan contoh. Teknik multistage random
sampling dilakukan secara bertahap pada level kecamatan, level kelurahan, level
rukun warga, level rukun tetangga hingga sampai unit terkecil rumah tangga. Tahap
pilihan kecamatan ditiap kabupaten dan kota dengan menggunakan teknik sampling
acak sistematik yaitu pengambilan kecamatan diambil dengan selang tertentu dari
list daftar kecamatan. Penentuan titik awal dilakukan melalui bilangan acak. Tahap
pemilihan kelurahan ditiap kecamatan dilakukan dengan teknik sampling acak
sistematik. Tahap pemilihan rukun warga di tiap kelurahan dilakukan dengan teknik
sampling acak sistematik. Tahap pemilihan rukun tetangga juga dilakukan dengan
teknik sampling acak sistematik. Pemilihan rumah tangga dilakukan dengan teknik
sampling acak sistematik dengan titik awal adalah rumah tangga sebelah kanan
rumah ketua rukun tetangga.
Tabel 1. Peubah Penelitian
Kode Peubah
Nama Peubah
Pengetahuan Merek
Pengetahuan merek
Pengetahuan iklan

Skala Data
Rasio

Rasio

Satuan

-

Citra Merek
Kekuatan Merek
Kaulitas produk
Kualitas layanan

Rasio
Rasio
Rasio

-

Rasio
Rasio

-

Rasio

-

Kepuasan Nasabah
Kepuasan pada produk
Kepuasan pada layanan

Loyalitas Nasabah
Pembeliam ulang
Tidak akan berpindah

Rasio

Keterikatan Merek
Level rekomendasi
Level kepercayaan

Rasio
Rasio

-

Keuntungan
Harga saham
Loan deposit ratio

Rasio
Rasio
Rasio

Trilyun
Rupiah/lot
-

Kinerja Bank

9
Nama peubah, jenis data dan skala data disajikan pada Tabel 1. Data cacahan
diperoleh dari Laporan Bulanan Bank Indonesia. Data hasil survey merupakan data
rata-rata agregat dari tiap bank. Setiap responden menjawab tiap pernyataan
indikator dengan skala likert 1 sampai 6, nilai 1 menunjukkan sangat tidak setuju
dan 6 menunjukkan sangat setuju. Pernyataan disajikan pada Lampiran 1.
Konstruk Model Struktural dan Pengukuran
Konstruk model struktural pada Gambar 1 melibatkan satu peubah laten
eksogen dan dua peubah laten endogen. EK adalah peubah laten eksogen, KM dan
KB adalah peubah laten endogen. Model pengukurannya ada 6 blok model
pengukuran yaitu PM, CM, KN, LN, KM dan KB. Konstruk model struktural dan
pengukuran pada Gambar 1 melibatkan peubah laten EK, KM dan KB.

Gambar 1. Bentuk Hubungan Antar Peubah
Konstruk model struktural Gambar 1 diadopsi dari teori yang dikemukakan
oleh Aaker (1998), Keller (2013), Pappu dan Quester (2006), Anastasia (2012) serta
Hsu et al. (2013). Aaker dan Keller menyatakan bahwa PM berpengaruh terhadap
EK dan CM berpengaruh terhadap EK. Adopsi teori hubungan antar peubah laten
disajikan pada Tabel 2.
Tabel 2 Adopsi Teori Jalur Model Struktural
Hubungan Jalur
Adopsi Teori
PM EK
Aaker (1996), Keller (2013)
CM EK
Aaker (1996), Keller (2013)
KN EK
Pappu dan Quester (2006)
LN EK
Aaker (1996)
EK KM
Anastasia (2012)
EK KB
Hsu et al. (2013)
KM KB
Hsu et al. (2013)

10

Metode Analisis
Langkah analisis data pada penelitian ini secara garis besar ada 3 bagian yaitu
statistik deskriptif, pengepasan model dengan metode pendugaan kuadrat terkecil
parsial (KTP) dan perbandingan model:
1. Statistik Deskriptif.
Statistik deskriptif bertujuan untuk mengetahui deskripsi setiap indikator.
Statistik deskriptif yang digunakan adalah nilai terendah, nilai terbesar, rataan
dan range dengan menggunakan Box Plot untuk mempermudah visualisasi data.
2. Menyusun konstruk MPS.
Konstruk MPS pada penelitian ini ada 2 yaitu konstruk tanpa peubah laten
tingkat pertama dan konstruk dengan peubah laten tingkat pertama.
a. Kontruk MPS Pertama
Konstruk pertama merupakan konstruk model tanpa peubah laten
tingkat pertama. Indikator peubah laten tingkat kedua merupakan
indikator dari peubah laten tingkat pertama. Kontruk pertama disajikan
pada Gambar 2.

Gambar 2 Konstruk MPS Pertama
Model persamaan pengukuran pada model pertama sebagai berikut :

11

[

[

�
�
�
�
= � � +
�
�
�
] [� ]
[ ]

]=[

�
]
�

+[

]

�
[ ] = [� ]
+[ ]
�
dan model persamaan strukturalnya sebagai berikut :
=
� +
=
� +
KM +

b. Konstruk Model Persamaan Struktural Kedua.
Konstruk kedua merupakan konstruk model persamaan struktural
tingkat dua, dimana peubah laten tingkat dua disusun dari peubah laten
tingkat pertama. Peubah laten EK dibentuk oleh peubah laten PM, CM,
KN dan LN. Kontruk kedua disajikan pada Gambar 3.

Gambar 3. Konstruk MPS Kedua
Model persamaan pengukuran pada model kedua sebagai berikut :

12
[
[

]=[

�
]�
�

+[ ]

�
] = [� ]
�

[

]=[

[

]=[

+[ ]

�
]
�

+[ ]

�
]
�

+[ ]

�
[ ] = [� ]
�

+[ ]

[

�

]=[

=

�
]
�

�

+[

+

]

+

+

+

dan model persamaan strukturalnya sebagai berikut :
=
� +
=
� +
KM +

3. Melakukan pendugaan parameter pada tiap model pengukuran dan model
struktural.
3.1 Pendugaan peremeter model pengukuran dan model struktural pada model
pertama
Tahap 1: Pendugaan iterative dari pembobot-pembobot awal nilainilai peubah laten awal dimulai pada langkah d dan selanjutnya langkah a
sampai langkah d diulang sampai konvergen dengan batas kekonvergenan
yang telah ditentukan.
a. pembobot model struktural
,
jika dan ξ berhubungan
={
, jika dan ξ tidak berhubungan
b.pendugaan model struktural
̂ =∑

c.pembobot model pengukuran
y =w
̂
+ e (outward)
d.pendugaan model pengukuran
ξ̂ = ∑ w
̂ y
i

i

i

13
̂ = ∑w
̂ iy
i

4.

5.

6.

7.

8.

i

Tahap 2: Pendugaan koefisien-koefisien jalur
Pendugaan parameter model pengukuran dan model struktural pada model
kedua
Ada 2 tahap pendugaan parameter yaitu :
Tahap 1: Menduga skor faktor pada masing-masing peubah grup
persamaan peubah laten tingkat satu.
Tahap 2: Menduga parameter persamaan struktural, dimana peubah
penjelas merupakan estimasi dari nilai skor faktor peubah
laten tingkat pertama. Langkah selanjutnya sesuai dengan
pendugaan parameter model persamaan struktural pertama.
Khusus pembobot model tingkat dua menggunakan
pendekatan model pengukuran formatif.
Menguji model pengukuran
Model pengukuran diuji melalui uji validitas kekonvergenan, uji validitas
diskriminan dan uji reliabilitas gabungan. Uji validitas kekonvergenan
bertujuan untuk menguji apakah indikator merefleksikan peubah latennya. Uji
validitas diskriminan bertujuan untuk menguji apakah peubah indikator tersebut
tidak mengukur peubah late lainya. Uji reliabilitas gabungan bertujuan untuk
menguji apakah indikator dalam satu blok memiliki reliabilitas gabungan yang
baik dalam mengukur peubah laten. Uji validitas kekonvergenan melalui nilai
muatan faktor, uji validitas diskriminan melalui nilai muatan silang, uji
reliabilitas gabungan melalui nilai cronbach alpha dan composite reliability.
Menguji model struktural
Uji model struktural dilakukan melalui uji t untuk koefisien jalur dan
besarnya nilai R-Square untuk kecocokan model struktural. Koefisien jalur
dinyatakan nyata jika memiliki nilai t-hitung lebih besar dari nilai t-tabel.
Uji kecocokan model secara simultan
Uji kecocokan model secara simultan dari besarnya nilai goodness of fit.
Nilai goodness of fit menunjukan besarnya keragaman data yang mampu
dijelaskan oleh keseluruhan model.
Perbandingan kebaikan model
Perbandingan model yang dilakukan adalah perbandingan model struktural
MPS pertama dan MPS kedua dari besarnya nilai koefisien jalur dan nilai RSquare.
Interpretasi

14

4 HASIL DAN PEMBAHASAN
Tahapan hasil yang dibahas adalah deskripsi data, hasil pemodelan MPS
pertama, hasil pemodelan MPS kedua. Melakukan perbandingan MPS pertama
dengan MPS kedua.
Profil Demografi Responden
Profil demografi pada penelitian ini yaitu jenis kelamin, usia dan pekerjaan.
Pada penelitian ini persentase perbandingan responden laki-laki dan perempuan
disajikan pada Gambar 4. Persentase responden laki-laki 49 % dan persentase
responden perempuan sebesar 51 %. Persentase ini hampir sama dengan persentasi
nasional penduduk Indonesia saat ini.

Gambar 4. Responden Menurut Jenis Kelamin

Gambar 5. Responden Menurut Usia

15
Responden menurut usia pada Gambar 5 diperoleh persentase responden
pada kategori usia 35-39 tahun paling besar (22.5 %) kemudian diikuti responden
pada kategori usia 30 hingga 35 tahun (20.6 %) dan responden pada kategori 25
hingga 29 tahun (18.1%). Persentase responden paling kecil pada kategori usia 55
hingga 60 tahun dengan persentase 2.5 %. Profil usia responden menunjukkan
bahwa nasabah bank didominasi oleh usia 25 hingga 39 tahun.

Gambar 6. Responden Menurut Pekerjaan
Mayoritas pekerjaan responden adalah karyawan swasta dan Badan Usaha
Milik Negara (BUMN) dengan persentase sebesar 30.2 % kemudian diikuti
wiraswasta sebesar 27.5 %, sedangkan yang paling rendah adalah responden
sebagai ibu rumah tangga dengan persentase sebesar 10.5 %. Ibu rumat tangga yang
dimaksud dalam penelitian ini adalah ibu rumah tangga dengan suami bekerja.
Penelitian ini menemukan nasabah bank didominasi oleh orang dengan pekerjaan
karyawan swasta dan BUMN dan pegawai negeri sipil (PNS).

Deskripsi Indikator
Penelitian ini menemukan sebanyak 42 agregat bank, namun karena
keterbatasan data indikator pada peubah laten KB, maka diputuskan menjadi 12
bank saja. Indikator pada penelitian ini 11 indikator dengan 6 peubah laten.
Indikator X1 dan indikator X2 mengukur peubah laten PM. Peubah laten PM adalah
peubah pengetahuan merek dibenak nasabah terhadap merek bank. Indikator X1
adalah indikator yang mengukur tingkat pengetahuan nasabah terhadap nama bank,
sedangkan indikator X2 adalah indikator yang mengukur tingkat pengetahuan
nasabah pada iklan suatu bank. Gambaran indikator yang mengukur peubah laten
PM disajikan pada Gambar 7. Makin tinggi nilai indeks rata-rata agregat
menunjukkan makin tinggi penengatahuan merek responden pada bank . Peubah X1
memiliki nilai minimum sebesar 3.90, nilai maksimum 4.5, nilai rataan 4.16 dan
range sebesar 0.6. Peubah X2 memiliki nilai minimum sebesar 3.30 nilai maksimum

16
sebesar 4.30, nilai rataan 3.84 dan range 1. Gambar 7 menunjukkan bahwa
pengetahuan nasabah akan 12 bank lebih baik dibanding pengetahuan nasabah
terhadap iklan bank. Indikator X2 memiliki range yang lebih panjang dibanding
indikator X1, artinya ada ketimpangan penyebaran iklan dari 12 bank yang dilihat,
di dengar oleh responden, baik iklan yang bersumber media televisi, radio, majalah,
tabloid, buletin, koran, website maupun media lain. Hal ini mengindikasikan dari
ke 12 bank tersebut ada perbedaan iklan sisi fekuensi maupun penyebaran media
yang digunakan untuk beriklan.

Gambar 7. Box Plot Indikator Peubah Laten PM
Peubah laten CM diukur oleh 3 indikator yaitu indikator X3, X4 dan X5.
Indikator X3 adalah indikator kekuatan merek. Merek dikatakan kuat jika
dipersepsikan oleh pengguna produk perbankan sebagai merek yang terkenal.
Makin tinggi skor penilaian menunjukkan bank kuat di benak penggunanya.
Indikator X3 memiliki nilai minimum 3.70, nilai maksimum 4.5, rataan 4.18 dan
range 0.8. Indikator X4 adalah indikator kualitas produk. Makin tinggi nilai indeks,
menunjukkan bahwa kualitas produk perbankan suatu bank makin baik menurut
pengguna bank. Produk yang dimaksud adalah semua produk di tiap bank, misalnya
produk tabungan, giro, kartu kredit dan lainya. Indikator X4 memiliki nilai terendah
4.0, nilai tertinggi 4.40, rataan 4.20 dan range 0.4. Indikator X5 adalah indikator
reputasi kualitas layanan dibenak pengguna bank, layanan yang dimaksud adalah
layanan secara umum, misalnya layanan teller dan layanan customer service. Makin
tinggi nilai indeks agregat menunjukkan jasa layanan bank tersebut memiliki
reputasi yang baik dalam pelayanan nasabahnya. Indikator X 5 memiliki nilai
minimum 4.10, nilai maksium 4.40, nilai rataan 4.28 dan range 0.30. Gambar 7
diperoleh adanya keragaman yang cukup besar pada indikator X3 yang
menunjukkan bahwa dibenak pengguna bank ada penilaian reputasi bank yang
cukup berbeda, ada bank yang memiliki reputasi baik dan ada bank yang memiliki
reputasi cukup baik. Reputasi yang baik dimiliki oleh bank-bank besar di Indonesia,
khususnya bank BUMN. Gambar 7 juga diperoleh indikator X4 dan indikator X5

17
memiliki nilai keragaman yang kecil, hal ini menunjukkan ke 12 bank yang menjadi
contoh pada penelitian ini memiliki kualitas produk dan kualitas layanan yang
hampir sama.

Gambar 8. Box Plot Indikator Peubah Laten CM
Peubah laten KN diukur oleh indikator X6 dan X7. Indikator X6 adalah
indikator yang mengukur tingkat kepuasan nasabah pada produk suatu bank.
Indikator X7 adalah indikator yang mengukur tingkat kepuasan nasabah pada
kualitas layanan suatu bank.

Gambar 9. Box Plot Indikator Peubah Laten KN

18

Makin tinggi nilai indeks rata-rata tingkat kepuasan menunjukkan nasabah
makin puas dengan produk dan layanan bank tersebut. Indikator X6 memiliki nilai
minimum 3.90, nilai maksimum 4.70, nilai rataan 4.42 dan range 0.8. Indikator X7
memiliki nilai minimum 4.10, nilai maksimum 4.60, rataan 4.42 dan range 0.6.
Gambar 9 diperoleh bahwa kepuasan nasabah bank pada layanan lebih baik
dibanding kepuasan nasabah pada kualitas produk, karena miliki ragam yang lebih
kecil meskipun memiliki nilai rataan yang sama. Kepuasan nasabah pada layanan
setiap bank hampir sama karena setiap bank memiliki prosedur pelayanan yang
sangat ketat dan standart operasional prosedurnya hampir sama. Kepuasan nasabah
pada produk memiliki ragam yang lebih besar dapat disebabkan karena tiap bank
memiliki kualitas produk yang berbeda. Tiap bank dapat mengambil posisioning
dan target pasar yang berbeda sehingga menyebabkan kepuaasan nasabah pada
produk perbannkan berbeda.

Gambar 10. Box Plot Indikator Peubah Laten LN
Peubah laten LN adalah peubah loyalitas nasabah, diukur oleh indikator X8
dan X9. Indikator X8 adalah indikator pembelian berulang. Makin tinggi indeks ratarata X8 menunjukkan menunjukkan ada kecenderungan nasabah akan tetap
menggunakan produk bank tersebut dimasa depan. Indikator X9 adalah indikator
yang mengukur loyalitas nasabah dari sisi sikap, nasabah tidak akan berpindah ke
bank lain meskipun ada produk bank lain dengan kualitas yang lebih atau sama
baik. Indikator X8 memiliki nilai minimum 4.0, nilai maksimum 4.6, rataan 4.38
dan range 0.6. Indikator X9 memiliki nilai minimum 4.0, nilai maksimum 4.7,
rataan 4.28 dan range 0.7. Gambar 10 menunjukkan bahwa ada kecenderungan
nasabah bank akan tetap menggunakan produk dari bank tersebut, namun juga ada
kecenderungan untuk berpindah atau menambah penggunaan produk dari bank lain.
Hal ini terindikasi dari besarnya range dan keragaman indikator X9 yang lebih besar
dari indikator X8.

19

Gambar 11. Box Plot Indikator Peubah Laten KM
Peubah Laten KM adalah peubah yang mengukur keterikatan nasabah
dengan bank yang digunakan. Keterikatan merek diukur dari indikator X 10 dan
indikator X11. Indikator X10 mengukur tingkat rekomendasi sedangkan indikator
X11 mengukur tingkat kepercayaan dari aspek rasa bangga. Keterikatan adalah level
tertinggi dari seorang nasabah yang dapat dilihat dari nasabah tersebut secara
sukarela menjadi ambassador suatu bank melalui word of mouth (WOM). Mereka
merekomendasikan penggunaan produk dan layanan bank yang mereka gunakan
kepada orang lain. Makin tinggi rata-rata indeks skor menunjukkan makin tinggi
level rekomendasi dan makin tinggi level kepercayaan terhadap suatu bank.
Indikator X10 memiliki nilai minimum sebesar 4.0, nilai maksimum sebesar 4.50,
rataan 4.27 dan range 0.5. Indikator X11 memiliki nilai minimum 4.00, nilai
maksimum 4.60, rataan 4.38 dan range 0.60. Gambar 10 menunjukkan bahwa
distribusi indikator X10 cenderung tidak seimbang dan keragamannya besar di nilai
rendah, artinya ada nasabah bank dengan level rekomendasi cukup berbeda.
Gambar 11 juga menunjukkan level kepercayaan yang cukup bervariasi pada tiap
bank. Hal ini menunjukkan nasabah bank memiliki level kepercayaan yang
berbeda, nasabah bank besar cenderung bangga namun pada nasabah bank yang
lain cenderung biasa saja.
Peubah laten KB diukur oleh tiga indikator yaitu Y1, Y2 dan Y3. Indikator
Y1 adalah indikator yang diukur dari keuntungan tiap bank dengan satuan trilyun
rupiah. Y2 adalah indikator yang diukur dari harga saham tiap bank dengan satuan
rupiah per lot. Indikator Y3 adalah indikator yang diukur dari nilai loan deposit
ratio. Loan deposit ratio merupakan rasio antara besarnya seluruh volume kredit
yang disalurkan oleh bank dan jumlah penerimaan dana yang diperoleh dari
berbagai sumber. Rasio ini digunakan untuk mengukur tingkat likuiditas. Indikator
Y1 memiliki nilai minimum sebesar 0.1 trilyun, nilai maksimum sebesar 6.10
trilyun, nilai rataan sebesar 1.80 trilyun dan range 6 trilyun. Gambar 12
menunjukkan bahwa ada kesenjangan keuntungan antar bank. Rata-rata keuntungan

20
bank sebesar 1.80 trilyun namun ada yang hanya mendapatkan keuntungan 0.1
triyun da nada yang mendapatkan keuntungan sangat besar yaitu 6 trilyun.

Gambar 12. Box Plot Indikator Y1
Indikator Y2 memiliki nilai minimum sebesar Rp.812, nilai maksimum
sebesar Rp.13.794, nilai rataan sebesar Rp.4.999 dan range Rp.12.982. Gambar 13
mengindikasikan ada keragaman yang cukup besar harga saham pada tiap bank, hal
ini juga terlihat dari besarnya nilai range harga saham.

Gambar 13. Box Plot Indikator Y2
.

21
Indikator Y3 memiliki nilai minimum sebesar 0.75, nilai maksimum sebesar
1.10, nilai rataan sebesar 0.89 dan range 0.35. Gambar 14 menunjukkan bahwa loan
deposit ratio bank yang menjadi contoh cenderung memiliki nilai yang cukup
seragam.

Gambar 14. Box Plot Indikator Y3
Model Persamaan Struktural (MPS) Pertama
Pengujian Model Pengukuran
Pengujian model pengukuran menggunakan uji validitas kekonvergenan, uji
validitas diskriminan dan uji reliabilitas gabungan. Uji validitas MPS pertama pada
Tabel 3 diperoleh nilai muatan faktor untuk semua indikator lebih besar dari 0.6.
Hal ini menunjukkan bahwa semua indikator memiliki tingkat validitas
kekonvergenan yang tinggi dalam merefleksikan peubah latennya.
Uji validitas kekonvergenan indikator peubah EK menunjukkan bahwa
semua indikator pada peubah EK memiliki nilai muatan faktor lebih dari 0.6. Nilai
muatan faktor terendah pada indikator X8 dengan nilai muatan faktor sebesar 0.63.
Nilai muatan faktor tertinggi pada indikator X4 dengan nilai muatan faktor sebesar
0.91. Pengujian validitas kekonvergenan dengan menggunakan uji t menunjukkan
semua muatan faktor nyata pada taraf nyata 5 %, sehingga dapat disimpulkan
indikator X1, X2, X3, X4, X5, X6, X7, X8, dan X9 merefleksikan peubah laten EK.
Hasil pengujian validitas kekonvergenan indikator peubah laten KM nyata
pada taraf nyata 5 %, yang berarti bahwa indikator X 10 dan X11 mampu
merefleksikan peubah laten KM. Besarnya nilai muatan faktor X10 dan X11 masingmasing sebesar 0.98. Hasil pengujian validitas kekonvergenan peubah laten KB
nyata pada taraf nyata 5 %, sehingga dapat disimpulkan indikator Y1, Y2 dan Y3
mampu merefleksikan peubah laten KB.

22
Tabel 3. Uji validitas kekonvergenan MPS pertama
Nilai-t
Alur Jalur
Muatan Faktor
Galat Baku
Ekuitas Merek
EK
---->
X1
0.87
0.06
15.76**
8.84**
EK
---->
X2
0.83
0.09
EK
---->
X3
0.81
0.07
11.39**
13.14**
EK
---->
X4
0.91
0.07
EK
---->
X5
0.82
0.12
6.57**
11.33**
EK
---->
X6
0.88
0.08
EK
---->
X7
0.92
0.04
21.37**
2.64**
EK
---->
X8
0.63
0.24
EK
---->
X9
0.77
0.14
5.57**
Keterikatan Merek
KM ---->
X10
0.98
0.02
58.18**
77.31**
KM ---->
X11
0.98
0.01
Kinerja Bank
37.36**
KB
---->
Y1
0.95
0.03
KB
---->
Y2
0.95
0.02
40.73**
2.95**
KB
---->
Y3
0.73
0.25
**nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 %
Uji validitas diskriminan bertujuan untuk mengetahui apakah indikator yang
digunakan untuk mengukur peubah laten yang diukur, tidak mengukur peubah laten
lainya. Hasil uji validitas diskriminan disajikan pada Tabel 4.
Tabel 4. Uji validitas diskriminan MPS pertama
Muatan Silang
Alur Jalur
Ekuitas Merek Keterikatan Merek Kinerja Bank
Ekuitas Merek
EK
---->
X1
0.87
0.65
0.91
EK
---->
X2
0.83
0.55
0.73
EK
---->
X3
0.81
0.67
0.75
EK
---->
X4
0.91
0.66
0.58
EK
---->
X5
0.82
0.51
0.60
EK
---->
X6
0.88
0.49
0.52
EK
---->
X7
0.92
0.65
0.64
EK
---->
X8
0.63
0.40
0.31
EK
---->
X9
0.77
0.61
0.31
Keterikatan Merek
KM ---->
X10
0.66
0.98
0.59
KM ---->
X11
0.71
0.98
0.58
Kinerja Bank
KB
---->
Y1
0.72
0.58
0.95
KB
---->
Y2
0.77
0.54
0.95
KB
---->
Y3
0.46
0.46
0.73

23
Hasil uji validitas diskriminan pada Tabel 4 diperoleh nilai muatan silang
tiap indikator pada peubah latennya lebih tinggi dibanding dengan peubah laten
lainya, kecuali indikator X1 dengan nilai muatan silangnya lebih besar daripada
peubah laten KB, meskipun demikian peneliti tetap menggunakan indikator X 1
sebagai indikator dari peubah laten EK karena alasan teori. Secara umum dapat
disimpulkan bahwa peubah dan indikator yang digunakan dalam penelitian ini telah
memenuhi validitas diskriminan. Indikator X1 hingga X9 benar mengukur peubah
laten EK, indikator X10 dan X11 benar mengukur peubah laten KM dan indikator
Y1, Y2 dan Y3 benar mengukur peubah KB.
Langkah selanjutnya adalah menguji reliabilitas gabungan tiap blok dengan
menggunakan nilai cronbach alpha dan composite reliability. Nilai cronbach alpha
harus lebih besar dari 0.6 dan nilai composite reliability harus lebih besar dari 0.7.
Uji reliabilitas pada Tabel 5 menunjukkan bahwa semua indikator dalam satu blok
memiliki nilai reliabilitas gabungan yang baik sehingga indikator yang digunakan
untuk mengukur tiap peubah laten adalah reliabel.
Tabel 5. Uji reliabilitas MPS pertama
Peubah Laten
Cronbach Alpha
Composite Reliability
Ekuitas Merek
0.94
0.95
Keterikatan Merek
0.95
0,98
Kinerja Bank
0.85
0,91

Keterangan
Reliabel
Reliabel
Reliabel

Pengujian Model Struktural
Hasil pengujian koefisien jalur model struktural pada Tabel 6 menunjukkan
bahwa peubah laten EK berpengaruh nyata terhadap peubah laten KB, peubah laten
EK berpengaruh nyata terhadap peubah laten KM dan peubah laten KM tidak
berpengaruh nyata terhadap peubah laten KB. Nilai koefisien jalur EK ke KB lebih
besar dari nilai koefisien jalur KM ke KB. Koefisien jalur EK ke KB sebesar 0.7,
koefisien jalur EK ke KM sebesar 0.65 dan koefisien jalur KM ke KB sebesar 0.14.
Peubah laten EK selain memiliki pengaruh langsung, juga memiliki pengaruh tak
langsung pada peubah laten KB melalui peubah laten KM. Pengaruh langsung
peubah laten EK ke peubah laten KB sebesar 0.70 dan pengaruh tak langsungya
sebesar 0.09.
Tabel 6. Uji koefisien jalur MPS pertama
Hubungan Peubah
Koefisien Galat Baku Nilai-t
Nilai-p
EK --->
KB
0.70
0.225
6.96
0.01**
EK ---> KM
0.65
0.304
2.15
0.05*
KM --->
KB
0.14
0.304
0.46
0.65
**nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 %
Evaluasi model struktural melalui nilai R-Square. Nilai R-Square
menunjukkan besarnya keragaman yang mampu dijelaskan oleh model struktural.
Tabel 7 menunjukkan bahwa persamaan struktural yang melibatkan peubah laten
endogen KB memiliki nilai R-Square sebesar 0.57 artinya peubah laten EK dan
peubah laten KM mampu menjelaskan keragaman peubah laten KB sebesar 57 %
sedangkan sisanya dijelaskan oleh peubah laten yang tidak terdapat dalam model.
Persamaan struktural yang melibatkan peubah laten endogen KM memiliki RSquare sebesar 0.49 artinya peubah laten EK hanya mampu menjelaskan
keragaman peubah laten KM sebesar 49 % sedangkan sisanya dijelaskan oleh
peubah lain yang tidak terdapat dalam model.

24

Tabel 7. Uji kecocokan model struktural MPS pertama
Peubah Laten
R-Square
KB
0.57
KM
0.49
Kebaikan Model
Kebaikan model secara simultan dapat diketahui dari besarnya nilai
goodness of fit. MPS pertama dengan menggunakan penduga KTP memiliki nilai
goodness of fit sebesar 0.63, artinya keseluruhan peubah laten eksogen dan
indikator mampu menjelaskan keragaman peubah laten KB sebesar 63 %
sedangkan sisanya di pengaruhi oleh peubah lain yang tidak ada dalam model. Hasil
MPS pertama menunjukkan bahwa pada penelitian ini peubah laten KB paling besar
dipengaruhi oleh peubah laten EK, artinya peningkatkan kinerja bank dpat
dilakukan dengan melalui peningkatan EK sedangkan peningkatan EK dapat
dilakukan dengan peningkatan indikatornya khususnya indikator yang memiliki
nilai muatan faktor paling besar seperti indikator X4 dan indikator X7.
Model Persamaan Struktural (MPS) Kedua
Pendugaan parameter MPS kedua dilakukan melalui dua tahap. Tahap
pertama adalah melakukan pendugaan nilai skor faktor peubah laten tingkat satu
yang merupakan peubah laten eksogen pada peubah laten tingkat dua. Peubah
eksogen yang dimaksud adalah peubah laten PM, CM, KN dan LN. Tahap kedua
adalah menduga parameter MPS kedua d