Syntax Literate: Jurnal Ilmiah Indonesia p�ISSN: 2541-0849

e-ISSN: 2548-1398

Vol. 7, No. 4, Maret 2022

ANALISIS KUALITAS APLIKASI MOBILE JKN DAN LAYANAN CARE-CENTER TERHADAP KEPUASAN PESERTA JKN-KIS DENGAN METODE PLS-SEM

Made Agung Prebawa Parama Artha, Aji Hamim Wigena, Erfiani

Pascasarjana Jurusan Statistika dan Sains Data, Fakultas MIPA, Institut Pertanian Bogor, Indonesia

Email: [email protected], [email protected], erfiani@apps.ipb.ac.id

Abstrak

Sains data (data science) telah menjadi perhatian ahli statistika dunia akhir-akhir ini. Dunia industri, bisnis dan ilmu pengetahuan sangat memerlukan ilmu ini untuk melakukan analisis data maupun prediksi untuk perkembangan bisnis, industri maupun bidang - bidang lain di masa depan. Penelitian ini bertujuan untuk mengetahui pengaruh kualitas aplikasi Mobile JKN dan Layanan Care-Center terhadap kepuasan peserta JKN-KIS dengan menggunakan metode PLS-SEM. Teknik pengumpulan data menggunakan kuisioner dengan jumlah responden sebanyak 1.389 orang. Penelitian ini menggunakan pendekatan Partial Least Square-Strucural Equation Modelling (PLS-SEM) yang dapat memprediksi hubungan kausalitas variabel laten eksogen dengan variabel laten endogen. Hasil yang diperoleh dari penelitian ini yaitu nilai loading factor dari semua indikator sudah memenuhi kriteria melebihi dari angka 0.7 atau sering digunakan batas 0,5� sebagai� batasan minimal dari nilai loading factor (Kock, 2020). Inner model yang diperoleh pada data dengan taraf nyata 5%: Kepuasan Peserta = 0.38 Kualitas Aplikasi + 0.31 Kualitas Layanan CareCenter +z. Ini artinya Peubah kualitas aplikasi berpengaruh signifikan pada taraf nyata 5% dengan nilai koefisen sebesar 0.38, sedangkan peubah kualitas layanan CareCenter berpengaruh signifikan dengan nilai koefisien sebesar 0.31. Nilai t-statistik untuk peubah Kualitas aplikasi terhadap Kepuasan Peserta sebesar 11,297 dan peubah Kualitas Layanan Care-Center terhadap Kepuasan Peserta sebesar 9,256. Hal ini menunjukkan nilai t-statistik lebih besar dari t-tabel yang artinya Kualitas Aplikasi Mobile JKN dan Layanan Care-Center berpengaruh terhadap Kepuasan Peserta.

Kata Kunci: Kepuasan Peserta, Kualitas Aplikasi Mobile JKN, Kualitas Layanan Care-Center, �Partial Least Square-Structural Equation Modeling

Abstract

Data science (data science) has become the attention of statisticians in the world lately. The world of industry, business and science really needs this knowledge to perform data analysis and predictions for future developments in business, industry and other fields. This study aims to determine the effect of the quality of the Mobile JKN application and Care-Center Service on the satisfaction of JKN-KIS participants using the PLS-SEM method. Data collection techniques using questionnaires with the number of respondents as many as 1.389 people. This study uses the Partial Least Square-Strucural Equation Modeling (PLS-SEM) approach which can predict the causality relationship between exogenous latent variables and endogenous latent variables. The results obtained from this study are that the loading factor values of all indicators have met the criteria exceeding the number 0.7 or the 0.5 limit is often used as the minimum limit of the loading factor value (Kock, 2020). Inner model obtained on data with a significance level of 5%: Participant Satisfaction = 0.38 Application Quality + 0.31 CareCenter Service Quality +z. This means that the application quality variable has a significant effect on the 5% significance level with a coefficient value of 0.38, while the CareCenter service quality variable has a significant effect with a coefficient value of 0.31. The t-statistic value for the application quality variable on Participant Satisfaction is 11.297 and the Care-Center Service Quality variable for Participant Satisfaction is 9.256. This shows that the value of t-statistics is greater than t-table, which means that the quality of JKN Mobile Applications and Care-Center Services has an effect on Participant Satisfaction.

Keywords: Participant Satisfaction, The Quality of The Mobile JKN Application, Care-Center Service Quality, Partial Least Square-Structural Equation Modeling

Pendahuluan

Salah satu pemanfaatan Sains Data pada perusahaan adalah penggunaan E- commerce. Saat ini konsumen dimudahkan dalam memenuhi kebutuhannya melalui layanan berbasis online yang disediakan oleh berbagai perusahaan. Salah satu penggunaan E-commerce yang marak digunakan adalah aplikasi Mobile dan Call Center. Penggunaan aplikasi Mobile dan Call Center digunakan diberbagai industri seperti asuransi, transportasi, perbankan, dan lain lain. Salah satu bidang industri yang diteliti adalah bidang asuransi dan perusahan yang mewakili bidang ini adalah BPJS Kesehatan karena memiliki jumlah pengguna yang mencakup seluruh penduduk Indonesia.

Dalam instansi BPJS Kesehatan data digunakan dalam berbagai aplikasi internal (aplikasi yang digunakan oleh internal perusahaan) dan aplikasi eksternal (aplikasi yang diakses oleh peserta dan provider seperti fasilitas kesehatan atau mitra bank). Salah satu contoh aplikasinya adalah MobileJKN dan Care Center 24jam 165. Setiap transaksi administrasi dilakukan melalui aplikasi dan layanan tersebut sehingga BPJS Kesehatan memiliki data terkait peserta JKN KIS seperti identitas peserta, kelas rawat yang dipilih peserta, fasilitas kesehatan terpilih atau pengaduan, kritik dan saran. Seluruh transaksi peserta tersebut adalah data yang perlu dipelajari dan dianalisis untuk mengevaluasi performa dari aplikasi Mobile JKN dan layanan Care Center. Data tersebut menghasilkan keputusan-keputusan yang dinilai dapat memperbaiki dan meningkatkan kepuasan peserta dalam mengakses administrasi layanan kesehatan sesuai dengan salah satu Misi BPJS Kesehatan yaitu memberikan layanan terbaik kepada peserta dan masyarakat.

Sesuai data yang ada pada BPJS Kesehatan, terhitung sampai bulan Desember 2021 yang aktif dalam tiga bulan terakhir menggunakan aplikasi Mobile JKN sebanyak 215.647 konsumen. umlah pengguna aktif dari aplikasi ini memiliki pengaruh penting terhadap peserta JKN KIS terkait pelayanan administrasi di BPJS Kesehatan tetapi masih ditemukan beberapa penilaian � penilaian buruk terhadap aplikasi ini seperti sering terjadi gangguan sistem, gagal log in, kartu tanda peserta tidak muncul dan sebagainya. Hal ini menandakan masih banyak perbaikan � perbaikan dan pengembangan yang harus dilakukan oleh BPJS Kesehatan terkait kualitas dari aplikasi Mobile JKN.

Berdasarkan data dari BPJS Kesehatan, jumlah panggilan yang masuk pada layanan Care Center 24jam 165 tiga bulan terakhir sebanyak 28.268 terhitung sampai bulan Desember 2021. Hasil observasi menunjukkan beberapa keluhan terkait kualitas layanan tersebut antara lain antrian panggilan yang terlalu lama, kecepatan dalam menanggapi kebutuhan konsumen yang kurang, dan lain-lain. Hal ini menunjukkan ada faktor-faktor yang harus diperhatikan untuk meningkatkan layanan Care Center oleh agen Care Center.

Teknik pengambilan data pada penelitian ini menggunakan kuisioner. Responden dalam penelitian ini adalah seluruh penduduk Indonesia yang telah terdaftar sebagai peserta JKN-KIS BPJS Kesehatan dan aktif menggunakan aplikasi Mobile JKN dan layanan Care-Center 24jam 165. Salah satu analisis statistik yang dapat digunakan untuk menganalisis pengaruh hubungan antara peubah laten dan hubungan antara peubah laten dengan indikator-indikatornya adalah Model Persamaan Struktural/Structural Equation Modelling (SEM) dan dalam penelitian ini menggunakan metode Partial Least Squares Striuctural Equation Modelling (PLS-SEM).

Metode Penelitian

1. Definisi Peubah

a. Kualitas Aplikasi

Menurut DeLone dan McLean (DeLone & McLean, 2016) mengemukakan bahwa kualitas sistem aplikasi merupakan karakteristik dari informasi yang melekat mengenai sistem aplikasi itu sendiri yang mana kualitas sistem aplikasi merujuk pada seberapa baik kemampuan perangkat keras, perangkat lunak, kebijakan prosedur dari sistem aplikasi informasi yang dapat menyediakan informasi kebutuhan pemakai.

Indikator-indikator yang digunakan untuk mengukur kualitas aplikasi adalah sebagai berikut: Kelengkapan fungsi dan fitur, Kemudahan dalam penggunaan, Keamanan, Kualitas dan Biaya.

b. Kualitas Layanan

Lovelock et al. (Lovelock & Wirtz, 2004) mengemukakan bahwa kualitas layanan adalah hasil proses evaluasi pelanggan yang membandingkan persepsi mereka terhadap pelayanan dan hasil pelayanan yang mereka dapatkan. Kualitas layanan adalah ukuran seberapa bagus tingkat layanan yang diberikan mampu sesuai dengan ekspektasi pelanggan. Dari pendapat ahli tersebut dapat disimpulkan bahwa kualitas jasa adalah suatu ukuran keberhasilan dari layanan yang diharapkan konsumen atau pengguna terhadap hasil yang diterima.

Indikator-indikator yang digunakan untuk mengukur kualitas layanan Call Center, adalah sebagai berikut: Layanan (seberapa cepat), Kualitas (seberapa baik), Efisiensi (seberapa efisien), Profitabilitas (seberapa efektif).

c. Kepuasan Pelanggan

Secara umum, kepuasan pelanggan (customer satisfaction) adalah perasaan senang atau kecewa seseorang yang timbul karena membandingkan kinerja yang dipersepsikan produk (atau hasil) terhadap ekspektasi mereka. Jika kinerja gagal memenuhi ekspektasi, pelanggan akan tidak puas. Jika kinerja sesuai dengan ekspektasi, pelanggan akan puas. Jika kinerja melebihi ekspektasi maka pelanggan akan sangat puas (Kotler, 2003� ).

Adapun indikator kepuasan pelanggan yaitu: Perasaan puas, Selalu membeli produk, Akan merekomendasikan kepada orang lain, dan Terpenuhinya harapan pelanggan setelah membeli produk.

2. Uji Validitas dan Reliabilitas

Validitas� adalah� ketepatan� atau�� kecermatan� suatu instrument� dalam�� pengukuran. Suatu koefisien korelasi yang digunakan untuk mengukur tingkat validitas suatu item dan menentukan apakah suatu item layak digunakan atau tidak. Rumus yang bisa digunakan untuk uji validitas konstruk dengan teknik korelasi adalah:

Uji reliabilitas bertujuan untuk mengetahui sampai sejauh mana konsistensi alat ukur yang digunakan, sehingga bila alat ukur tersebut digunakan kembali untuk meneliti obyek yang sama dengan teknik yang sama walaupun waktunya berbeda, maka hasil yang diperoleh sama. Menurut Nunnaly dalam Ghozali (2006) peubah dikatakan reliabel jika nilai Cronbach Alpha > 0.6. Rumus Cronbach Alpha sebagai berikut:

dengan:

k : banyaknya item kuisioner dalam satu faktor

�: ragam butir

: ragam total dalam satu faktor

3. Partial Least Squares Striuctural Equation Modelling (PLS-SEM)

��������� Partial-Least Squares-Structural Equation Modeling (PLS-SEM) merupakan metode yang tidak memerlukan asumsi distribusi dari data. PLS-SEM dapat digunakan pada data yang tidak berdistribusi normal karena algoritma PLS mentransformasikan data yang tidak normal melalui teorema limit pusat (Hair Jr, Sarstedt, Ringle, & Gudergan, 2017).� PLS-SEM dapat digunakan pada data dengan ukuran sampel yang kecil. Secara umum, PLS-SEM memiliki tingkat statistical power yang lebih tinggi dibandingkan dengan CB-SEM (Hair Jr et al., 2017).

Tabel 1

�Metode Peubah Ganda

	Tujuan utama Explorasi	Tujuan utama Konfirmasi
Teknik generasi pertama	Analisis kluster	Analysis of variance
	Exploratory Factor Analysis	Regresi berganda
	Multidimensional Scaling	Regresi logistik
Teknik generasi kedua	PLS SEM	CB SEM, CFA (Confirmatory Factor Analysis)

Sumber: Hair et al. (2017)

Berdasarkan penjelasan (Hair Jr et al., 2017 ) pada Tabel 2.1, maka penelitian ini mengunakan teknik analisis dengan tujuan explorasi yaitu PLS SEM karena selain konfirmasi model, penelitian ini membutuhkan pengembangan model terhadap teori model yang sudah ada. PLS SEM juga dipilih karena data yang ada tidak terdistribusi normal sehingga CB SEM yang memerlukan asumsi data harus terdistribusi normal tidak bisa digunakan.

Beberapa hal dasar PLS SEM adalah analisis ini memiliki 3 komponen, yaitu model struktural, model pengukuran, dan skema pembobotan. Pada model struktural, semua peubah laten terhubung berdasarkan teori substansi. Ada dua jenis peubah laten, yaitu peubah laten eksogen dan endogen. Peubah laten eksogen adalah peubah penyebab sedangkan endogen adalah peubah akibat. Peubah laten eksogen memiliki tanda panah menuju peubah laten endogen.

Gambar 1

Skema Peubah Eksogen dan Endogen

4. Metode Bootstrap

Bootstrap adalah suatu metode yang dapat bekerja tanpa membutuhkan asumsi distribusi karena data yang ada digunakan sebagai populasi. Teknik resampling Bootstrap bertujuan untuk menentukan estimasi standar error dan interval konfidensi dari parameter populasi seperti mean, rasio, median, proporsi, koefisien korelasi atau koefisien regresi tanpa menggunakan asumsi distribusi (Sungkono, 2013). Metode bootstrap dalam algoritma perhitungan structural equation modeling digunakan untuk membangkitkan nilai t-hitung yang digunakan untuk evaluasi inner model. Nilai standard error yang dibangkitkan dari distribusi bootstrap dapat kita gunakan untuk menguji hipotesis apakah koefisien jalur signifikan dengan t-hitung yang didapat dari formula dibawah ini:

dimana ρ̂ merupakan koefisien jalur yang diperoleh dari model dan seρ̂ merupakan nilai standard error yang didapatkan dari metode bootstrap.

5. Evaluasi Model

a. Z-Score

Skor standar (Z-Score) adalah angka yang merupakan perbedaan antara nilai data dan rata-rata, dibagi dengan standar deviasi. Bila dituliskan rumusnya sebagai berikut:

������������������������������ �����

Z-score juga sering disebut dengan nilai baku atau nilai standar. Z-score dapat digunakan untuk membantu menentukan apakah sebuah data bernilai ekstrem, atau outlier. Data outlier adalah data yang bernilai jauh dari rata-rata. Aturan umumnya adalah Z-score dengan nilai kurang dari �4 atau lebih dari +4 menunjukkan bahwa nilai data adalah nilai ekstrem. (Solihin dan Ratmono 2020).

b. Pengukuran outer Model

Pengukuran outer model merupakan Pengujian yang dilakukan dengan melakukan uji validitas dan reliabilitas dari indikator-indikator pembentuk peubah laten (Latan & Ghozali, 2012).

Tabel 2

Rule of Thumb Validitas dan Reliabilitas

Validitas dan Reliabilitas	Parameter	Rule of Thumb
Validitas Konvergen	Loading Factor	Lebih besar dari 0,5
Validitas Diskriminan	Average Variance Extracted (AVE) Cross Loading	Lebih besar dari 0,5 Lebih kecil dari 0,5
Reliabilitas	Cronbach�s Alpha Construct Reliability	Lebih besar dari atau sama dengan 0,7 Lebih besar dari atau sama dengan 0,7
	Sumber: Kock 2020

c. Pengukuran inner model

Ada beberapa tahap untuk mengevaluasi model struktural. Pertama adalah melihat signifikansi hubungan antara peubah laten dan yang kedua adalah dengan mengevaluasi nilai rsquare (R2).

Pertama kita dapat melihat dari koefisien jalur (path coefficient) yang menggambarkan kekuatan hubungan antara peubah. Nilai signifikansi path coefficient dapat dilihat dari nilai t-hitung yang diperoleh dari proses bootstrapping (resampling method).

Kedua nilai R2, nilai R2 sama halnya dengan nilai R2 dalam regresi linier yaitu besarnya nilai peubah endogen yang mampu dijelaskan oleh variabel eksogen. Chin (Chin, 1998) dan Henseler (Henseler, Ringle, & Sinkovics, 2009) menjelaskan kriteria batasan nilai R2 ini dalam tiga klasifikasi, yaitu nilai R2 0.67, 0.33, dan 0.19 sebagai subtansial, moderat, dan lemah.

6. Tahapan � Tahapan Penelitian

Tahapan-tahapan dalam penelitian ini adalah:

a. Pengumpulan dan persiapan data

1. Kuisioner

a. Kriteria responden adalah sebagai berikut:

1) Usia: Usia responden minimal 13 tahun, sesuai dengan aturan usia pengguna aplikasi Mobile.

2) Pendidikan: Tidak ada batasan untuk pendidikan responden.

3) Pekerjaan: Tidak ada batasan untuk pekerjaan responden.

4) Jenis Kelamin: Pengguna laki-laki atau wanita dapat menjadi responden.

5) Alamat/Tempat Tinggal: responden yang berdomisili di seluruh Indonesia.

b. Mempersiapkan pernyataan-pernyataan pada kuisioner yang dibuat berdasarkan indikator pada peubah yang diteliti.

c. Menyebar kuisioner menggunakan Google Form.

d. Mengumpulkan kembali kuisioner yang telah diisi oleh responden.

2. Mempersiapkan Data

a. Menyiapkan kuisioner

b. Mempersiapkan jawaban responden yang dibuat dalam bentuk Excel

Tabel 3

Indikator-Indikator untuk Pernyataan Pada Kuisioner

X1 - Kualitas Aplikasi Mobile JKN	X1.a	Kelengkapan fungsi dan fitur
	X1.b	Kemudahan dalam penggunaan
	X1.c	Keamanan
	X1.d	Kualitas
	X1.e	Biaya
X2 � Kualitas Layanan Care Center 1500400 24jam	X2.a	Layanan (seberapa cepat)
	X2.b	Kualitas (seberapa baik)
	X2.c	Efisiensi (seberapa efisien)
	X2.d	Profitabilitas (seberapa efektif)
�Y -Respon Kepuasaan Peserta terhadap JKN KIS	Y.a	Perasaan puas
	Y.b	Selalu membeli produk
	Y.c	Akan merekomendasikan
	Y.d	Terpenuhinya harapan

c. Kerangka Konseptual

����������������������������������

Gambar 2

Kerangka Konseptual

b. Pengolahan Data

1. Melakukan uji validitas dan reliabilitas untuk mengetahui apakah butir-butir pernyataan pada kuisioner valid dan reliable atau tidak.

2. Melakukan uji hubungan peubah dengan metode PLS-SEM dengan tahapan:

a. Konseptualisasi model

b. Menentukan algoritma metode analisis

c. Menentukan metode resampling

d. Menggambar diagram jalur

e. Evaluasi model

c. Interprestasi Data

1. Melakukan interprestasi data pada hasil yang telah dilakukan pengujian dengan metode-metode yang telah disebutkan sebelumnya.

2. Menarik kesimpulan penelitian

d. Diagram Alir Proses Pengujian

����������

Gambar 3

�Diagram Alir Proses Pengujian

3. Hasil dan Pembahasan

Teknik pengolahan data dengan menggunakan metode SEM berbasis Partial Least Square (PLS) memerlukan 3 tahap untuk menilai sebuah model penelitian (Ghozali, 2006). Tahap-tahap tersebut adalah sebagai berikut:

1. Pengujian Outer Model

a. Uji Z-score ������

Z-score digunakan untuk membantu menentukan apakah sebuah data bernilai ekstrem, atau outlier. Data outlier adalah data yang bernilai jauh dari rata-rata. Aturan umumnya adalah Z- score dengan nilai kurang dari �4 atau lebih dari +4 menunjukkan bahwa nilai data adalah nilai ekstrem. (Solihin dan Ratmono, 2020). Pengujian menggunakan rumus: Contoh beberapa data yang di uji z score.

Tabel 4

Nilai z score

X1.a	X1.b	X1.c	X1.d	X1.e	X2.a	X2.b	X2.c	X2.d	Y.a	Y.b	Y.c	Y.d
0.777	0.726	0.698	-0.883	0.841	0.758	-1.142	-1.113	-2.318	0.791	0.587	0.654	0.885
0.777	0.726	0.698	0.771	0.841	0.758	0.646	0.693	0.868	0.791	0.587	0.654	0.885
0.777	-1.034	0.698	-0.883	0.841	0.758	-1.142	-1.113	-0.725	0.791	-1.358	-1.115	0.885
0.777	-1.034	-1.111	-0.883	-2.335	-2.235	-1.142	-2.919	-0.725	-2.144	-3.302	-1.115	-0.612
-0.513	-1.034	-1.111	-0.883	-0.747	-0.739	-1.142	-1.113	-0.725	-0.676	-1.358	-1.115	-0.612
-0.513	-1.034	-2.92	-0.883	0.841	-0.739	-1.142	-1.113	-0.725	-0.676	0.587	-1.115	-0.612
-0.513	-1.034	-1.111	0.771	0.841	0.758	0.646	0.693	0.868	0.791	0.587	-1.115	-0.612
-0.513	-1.034	-1.111	-0.883	-0.747	-0.739	-1.142	-1.113	-0.725	-0.676	-1.358	-1.115	-0.612
0.777	0.726	0.698	0.771	0.841	0.758	0.646	0.693	-0.725	0.791	0.587	0.654	0.885
0.777	0.726	0.698	0.771	0.841	-0.739	0.646	-1.113	0.868	0.791	0.587	0.654	0.885
0.777	-1.034	0.698	-0.883	0.841	-2.235	-1.142	-2.919	-0.725	0.791	0.587	-1.115	-0.612
-0.513	0.726	0.698	0.771	0.841	0.758	-1.142	-1.113	0.868	0.791	0.587	0.654	0.885
-0.513	-1.034	-1.111	-0.883	-0.747	-0.739	-1.142	-1.113	-0.725	0.791	0.587	0.654	-0.612
-0.513	-1.034	-1.111	-0.883	-0.747	-0.739	-1.142	-1.113	-0.725	-0.676	-1.358	-1.115	-0.612

Sumber : Lampiran

�������

Dari hasil pengujian pada Tabel 4 tidak didapatkan nilai yang memiliki hasil di luar nilai yang ditentukan, sehingga menurut Solihin dan Ratmono (2020) data-data tersebut dapat digunakan untuk pengujian selanjutnya.

b. Convergent Validity

Convergent validity dari model pengukuran dengan indikator dinilai berdasarkan korelasi antara item score/component score. Nilai validitas konvergen adalah nilai loading faktor pada peubah laten dengan� indikator- indikatornya.� Nilai yang diharapkan melebihi� dari angka > 0,7 atau sering� digunakan batas� 0,5� sebagai� batasan minimal dari nilai loading factor (Kock, 2020)

Tabel 5

Outer Loadings (Measurement Model)

Peubah	Indikator	OuterLoading
Kualitas Aplikasi	X1.1	0.672
	X1.2	0.512
	X1.3	0.706
	X1.4	0.745
	X1.5	0.702
Kualitas Pelayanan Care Center	X2.1	0.620
	X2.2	0.681
	X2.3	0.761
	X2.4	0.708
Kepuasan Pelanggan	Y.1	0.679
	Y.2	0.629
	Y.3	0.756
	Y.4	0.660

Hasil pengolahan dengan menggunakan Warp-PLS dapat dilihat pada Tabel 5 Nilai outer model atau korelasi antara konstruk dengan variabel memenuhi convergen validity yang memiliki nilai loading di atas 0,5 yang artinya secara keseluruhan indikator konstruk yang diujikan sudah valid.

c. Discriminant Validity

Metode untuk menilai Discriminant Validity dengan membandingkan nilai korelasi antar indikator setiap peubah dengan peubah lainnya dalam satu model. Model mempunyai validitas diskriminan yang cukup jika nilai korelasi untuk setiap indikator peubah lebih besar dengan indikator peubah lainnya dalam model.

Uji validitas diskriminan menggunakan nilai cross loading. Suatu indikator dinyatakan memenuhi discriminant validity apabila nilai cross loading indikator pada variabelnya adalah yang terbesar dibandingkan pada variabel lainnya. Berikut ini adalah nilai cross loading masing-masing indikator:

Tabel 6

Nilai Cross Loading Masing-Masing Indikator

	Aplikasi	Care Center	Kepuasan
X1.1	(0.672)	0.058	0.037
X1.2	(0.512)	0.032	0.123
X1.3	(0.706)	-0.031	0.084
X1.4	(0.745)	0.030	-0.115
X1.5	(0.702)	-0.080	-0.088
X2.1	-0.264	(0.620)	0.245
X2.2	0.131	(0.681)	-0.105
X2.3	0.056	(0.761)	0.003
X2.4	0.045	(0.708)	-0.117
Y.1	0.149	-0.148	(0.679)
Y.2	-0.019	0.170	(0.629)
Y.3	-0.053	0.049	(0.756)
Y.4	-0.075	-0.067	(0.660)

Berdasarkan sajian data pada tabel 6 di atas dapat diketahui bahwa masing-masing indikator pada variabel penelitian memiliki nilai cross loading terbesar pada variabel yang dibentuknya dibandingkan dengan nilai cross loading pada variabel lainnya. Berdasarkan hasil yang diperoleh tersebut, dapat dinyatakan bahwa indikator-indikator yang digunakan dalam penelitian ini telah memiliki discriminant validity yang baik dalam menyusun variabelnya masing-masing.

d. Pengujian Reabilitas dengan Composite Reliability dan Cronbach Alpha

Data�� yang�� memiliki composite reliability lebih dari 0.7 mempunyi reliabilitas yang tinggi.� Uji reliabilitas diperkuat dengan Cronbach Alpha.� Nilai Cronbach Alpha diharapkan melebihi dari angka 0.6 untuk semua peubah. (Kock, 2020)

1) Uji Composite Reliability

������������������� �������������������������������������������������

�����������������������������

����������������������������� dengan:

�������� �= Composite Reliability

�������� �= Nilai loading

�������� �= Ragam error indicator

Hasil Pengujian:

Tabel 7

Composite Reliability

Peubah	Composite reliability
Kualitas Aplikasi	0.803
Kualitas Pelayanan Care Center	0.787
Kepuasan Peserta	0.776

Sumber: Lampiran

2) Uji Cronbach Alpha�������� ����� ������������������������

��������� ���� Hasil Pengujian:

���������

Tabel 8

Cronbach Alpha

Peubah	Cronbach Alpha
Kualitas Aplikasi	0.692
Kualitas Pelayanan Care Center	0.639
Kepuasan Peserta	0.615

Sumber: Lampiran

Berdasarkan tabel 7 dan tabel 8 dapat disimpulkan bahwa semua peubah memenuhi kriteria reliabel. Hal ini ditunjukkan dengan nilai composite reliability di atas 0,70 dan Cronbach Alpha diatas 0,60.

2. Pengujian Inner Model

a. Model Struktural

�������������� Gambar 4

Model Struktural

Berdasarkan skema inner model yang telah ditampilkan pada gambar 4.3 dapat dijelaskan bahwa untuk pengujian inner model nilai yang dilihat adalah nilai koefisien jalur dimana nilai terbesar ditunjukkan dengan pengaruh Kualitas Aplikasi MobileJKN terhadap Kepuasan Peserta sebesar 0.38, kemudian pengaruh terbesar kedua adalah pengaruh Kualitas Layanan Care Center terhadap Kepuasan Peserta sebesar 0.31. Nilai kedua peubah bernilai positif maka disimpulkan Kualitas Aplikasi MobileJKN dan Layanan Care-Center berpengaruh positif terhadap Kepuasan Peserta.

b. �Pengujian hipotesis

Untuk pengujian Hipotesa dilakukan dengan melihat nilai probabilitas nya dan t-statistik nya. Untuk nilai probabilitas, nilai p-value dengan alpha 5% adalah kurang dari 0,05. Nilai t-tabel untuk alpha 5% dan jumlah n sebesar 1389 adalah 1,96. Sehingga kriteria penerimaan Hipotesa adalah ketika t-hitung > t-tabel. Hasil pengujian dengan analisis PLS adalah sebagai berikut:

Tabel 9

Nilai t-hitung

Nilai T-hitung	X1	X2	Y
X1
X2
Y���������	11,297	9,256

Sumber: Lampiran

1. Berdasarkan hasil perhitungan statistik, dapat disimpulkan bahwa variabel Kualitas Aplikasi berpengaruh positif dan signifikan terhadap variabel Kepuasan Peserta. Hal ini dapat dilihat dari nilai t-hitung > t-tabel yaitu sebesar 11,297 < 1,96. Dengan demikian, hipotesis H1 dalam penelitian ini diterima.

2. Berdasarkan hasil perhitungan statistik, dapat disimpulkan bahwa variabel Kualitas Layanan Care Center berpengaruh positif dan signifikan terhadap variabel Kepuasan Peserta. Hal ini dapat dilihat dari nilai t-hitung > t-tabel yaitu sebesar 9,256 < 1,96. Dengan demikian, hipotesis H1 dalam penelitian ini diterima.

c. �Uji R-Square

Nilai R-square merupakan suatu nilai yang menyatakan seberapa besar peubah bebas mampu menjelaskan variance dari variabel tak bebas. Berdasarkan hasil pada Gambar 4.3 diketahui nilai R-square adalah 0,40 yang berarti variabel bebas Kualitas Aplikasi dan Kualitas Layanan Care Center mampu menjelaskan variance dari variabel tak bebas Kepuasan Peserta sebesar 40%. (Chin, 1998) dan (Henseler et al., 2009)menjelaskan kriteria batasan nilai R2 ini dalam tiga klasifikasi, yaitu nilai R2 0.67, 0.33, dan 0.19 sebagai subtansial, moderat, dan lemah, maka hasil pada penelitian ini dapat dikatakan moderat yang artinya sudah cukup baik untuk diinterpretasikan.

3. Indikator yang Dominan

Dari hasil perhitungan sebelumnya diperoleh kesimpulan bahwa dari dua peubah yang diamati, peubah yang paling mempengaruhi kepuasan adalah peubah kualitas mobile aplikasi. Oleh karena perlu dilakukan penelitian lebih dalam terhadap indikator dari peubah kualitas mobile aplikasi. Indikator yang memiliki nilai loading factor tertinggi merupakan indikator yang dianggap memiliki pengaruh paling besar terhadap peubah laten tersebut. Urutan nilai loading factor indikator dari terbesar hingga terkecil ditampilkan dalam Tabel 9.

Tabel 10

Loading Factor Indikator X1

Indikator	Loading factor
X1.a	0.672
X1.b	0.512
X1.c	0.706
X1.d	0.745
X1.e	0.702

Urutan nilai loading factor peubah kualitas mobile aplikasi berdasarkan Tabel 3.7 dapat kita lihat bahwa dua indikator yang memiliki nilai loading factor tertinggi adalah keamanan akun dan kemudahan pencarian fitur dengan loading factor sebesar 0.706 dan 0.745. Dua indikator inilah yang perlu menjadi fokus utama untuk meningkatkan kepuasan peserta. Artinya untuk meningkatkan kepuasan peserta kita perlu meningkatkan kemanan akun mobile aplikasi dan kemudahan pencarian fitur aplikasi.

Peubah selanjutnya yang mempengaruhi kepuasan peserta adalah kualitas pelayanan care center. Indikator yang memiliki nilai loading factor tertinggi merupakan indikator yang dianggap memiliki pengaruh paling besar terhadap peubah laten tersebut. Urutan nilai loading factor indikator dari terbesar hingga terkecil ditampilkan dalam Tabel 10.

Tabel 11

Loading Factor Indikator X2

Indikator	Loading Factor
X2.a	0.620
X2.b	0.681
X2.c	0.761
X2.d	0.708

Urutan nilai loading factor peubah kualitas pelayanan Care-Center berdasarkan Tabel 3.8 dapat kita lihat bahwa satu indikator yang memiliki nilai loading factor tertinggi adalah total waktu pelayanan dengan loading factor sebesar 0.761. �Indikator inilah yang perlu menjadi fokus utama untuk meningkatkan kepuasan peserta. Artinya untuk meningkatkan kepuasan peserta kita perlu meningkatkan total waktu pelayanan Care-Center.

Kesimpulan

Berdasarkan hasil penelitian diatas diperoleh kesimpulan bahwa peubah kualitas aplikasi Mobile JKN dan kualitas layanan CareCenter 165 berpengaruh signifikan terhadap peubah kepuasan peserta pada taraf nyata 5%. Model yang didapat adalah:

Kepuasan Peserta = 0.38 Kualitas Aplikasi + 0.31 Kualitas Layanan CareCenter+ zModel yang diuji dalam penelitian ini mempunyai nilai ukuran kebaikan model Y (Kepuasan Peserta) sebesar 40% yang mengindikasikan bahwa keragaman model yang dapat dijelaskan oleh peubah laten kompetensi sebesar 40% dan sisanya 60% dijelaskan oleh peubah lain diluar model. (Chin, 1998) dan (Henseler et al., 2009)menjelaskan kriteria batasan nilai R2 ini dalam tiga klasifikasi, yaitu nilai R2 0.67, 0.33, dan 0.19 sebagai subtansial, moderat, dan lemah. Penelitian ini sudah memiliki nilai R2 yang dapat dikategorikan sebagai nilai yang moderat.

Peubah kualitas aplikasi berpengaruh signifikan pada taraf nyata 5% dengan nilai koefisen sebesar 0.38, sedangkan peubah hard kualitas layanan CareCenter berpengaruh signifikan dengan nilai koefisien sebesar 0.31. Hal tersebut menunjukkan bahwa peubah kualitas aplikasi memiliki pengaruh yang lebih besar terhadap peubah kepuasan peserta dibanding peubah kualitas layanan CareCenter dengan indikator yang dominan mewakili peubah kualitas aplikasi merupakan keamanan dan kemudahan pencarian fitur.

Berdasarkan hasil penelitian saran yang dapat diberikan adalah terdapat beberapa model yang memiliki loading factor yang cukup rendah sehingga dapat diubah atau dihilangkan untuk proses penelitian selanjutnya. Contohnya peubah laten kualitas aplikasi memiliki nilai indicator yang cukup rendah yaitu kemudahan penggunaan sehingga pada penelitian selanjutnya indicator ini dapat diubah atau tidak digunakan lagi.

BIBLIOGRAFI

Chin, Wynne W. (1998). The Partial Least Squares Approach To Structural Equation Modeling. Modern Methods For Business Research, 295(2), 295�336. Google Scholar

Delone, William H., & Mclean, Ephraim R. (2016). Information Systems Success Measurement. Foundations And Trends� In Information Systems, 2(1), 1�116. Google Scholar

Hair Jr, Joseph F., Sarstedt, Marko, Ringle, Christian M., & Gudergan, Siegfried P. (2017). Advanced Issues In Partial Least Squares Structural Equation Modeling. Sage Publications. Google Scholar

Henseler, J�rg, Ringle, Christian M., & Sinkovics, Rudolf R. (2009). The Use Of Partial Least Squares Path Modeling In International Marketing. In New Challenges To International Marketing. Emerald Group Publishing Limited. Google Scholar

Kock, N. (2020). Warppls User Manual: Version 6.0. Laredo, Texas USA: Scriptwarp Systems. Google Scholar

Kotler, Philip. (2003). Manajemen Pemasaran. Edisi Kesebelas. Jakarta: Indeks Kelompok Gramedia. Google Scholar

Lovelock, Christopher H., & Wirtz, Jochen. (2004). Services Marketing: People, Technology, Strategy. Google Scholar

Sungkono, Joko. (2013). Resampling Bootstrap Pada R. Magistra, 25(84), 47. Google Scholar

Copyright holder:

Made Agung Prebawa Parama Artha, Aji Hamim Wigena, Erfiani (2022)

First publication right:

Syntax Literate: Jurnal Ilmiah Indonesia

This article is licensed under: