Analisis Structural Equation Modeling (SEM) pada Adopsi Teknologi AI dalam Perkuliahan

Kelompok 14

1. Santi Laelatul Mu’azaroh - 24031554004
2. Nadia Kaila - 24031554109

---

Pendahuluan

A. Deskripsi Proyek

Laporan ini menginvestigasi faktor pendorong mahasiswa dalam mengadopsi teknologi AI untuk mendukung aktivitas perkuliahan. Model analisis dibangun dengan memperluas kerangka klasik TAM (Technology Acceptance Model) melalui integrasi 5 konstruk laten utama. Pengembangan model ini dilakukan dengan menghubungkan variabel inti TAM serta menambahkan dua konstruk perluasan yang krusial, yaitu norma subjektif (Subjective Norms) dan tingkat kepercayaan (Trust).

Parameter Riset	Detail Informasi
Subjek Penelitian	Mahasiswa pengguna teknologi AI dalam perkuliahan
Model Analisis	Extended Technology Acceptance Model (5 Konstruk Laten)
Ukuran Sampel (\(N\))	437 responden (Data bersih dan tervalidasi)
Skala Pengukuran	Skala Likert 4 Poin (Skor 1-4)
Tujuan Skala	Mengeliminasi jawaban netral/ragu-ragu dari responden
Repositori Data	Mendeley Data Hub (Akses Terbuka)

---

B. Konstruk dan Variabel

Berikut adalah rincian dari 5 konstruk laten yang digunakan dalam model penelitian ini:

Konstruk (Variabel Laten)	Abreviasi	Peran Model	Item Indikator	Deskripsi Pengukuran
Perceived Ease of Use	PEoU	Eksogen	PEoU1, PEoU2, PEoU3	Seberapa mudah teknologi AI dirasa oleh mahasiswa untuk digunakan dalam kuliah.
Subjective Norms	SN	Eksogen	SN1, SN2, SN3	Pengaruh sosial atau dorongan dari lingkungan sekitar (dosen, teman sebaya) untuk memakai AI.
Trust	T	Eksogen	T1, T2, T3, T4	Tingkat kepercayaan pengguna terhadap keamanan, keandalan, dan akurasi informasi dari teknologi AI.
Attitude Toward Using	ATU	Endogen (Mediator)	ATU1, ATU2, ATU3, ATU4	Sikap, perasaan, atau respon penerimaan mahasiswa (setuju/mendukung) terhadap pemanfaatan AI.
Actual Usage	AU	Endogen Utama (DV)	AU1, AU2, AU3, AU4	Tingkat frekuensi atau tindakan nyata mahasiswa dalam menerapkan teknologi AI untuk aktivitas kuliah sehari-hari.

Seluruh indikator di atas diukur menggunakan skala Likert 4 poin (skor 1 = Sangat Tidak Setuju, skor 2 = Tidak Setuju, skor 3 = Setuju, dan skor 4 = Sangat Setuju). Kerangka kerja ini menganalisis model adopsi teknologi secara komprehensif, mulai dari faktor persepsi dan lingkungan sosial, variabel mediasi berupa sikap (Attitude Toward Using), hingga tingkat penggunaan aktual (Actual Usage) teknologi AI dalam aktivitas akademik mahasiswa secara nyata.

---

C. Diagram Model Struktural

Diagram di bawah ini memvisualisasikan model struktural (inner model) beserta hipotesis arah hubungan antar-konstruk laten dalam penelitian adopsi teknologi AI perkuliahan mahasiswa:

if (!require("DiagrammeR", quietly=TRUE)) install.packages("DiagrammeR")
library(DiagrammeR)

grViz("
  digraph SEM_inner_AI_Simple {
    graph [layout = dot, rankdir = LR, fontname = 'Helvetica']

    # Variabel Eksogen (Bebas)
    node [shape = ellipse, style = filled, fillcolor = '#D6EAF8',
          fontname = 'Helvetica', fontsize = 11, width = 2.0, height = 0.6]
    PEoU [label = 'Perceived\\nEase of Use\\n(PEoU)']
    SN   [label = 'Subjective\\nNorms\\n(SN)']
    T    [label = 'Trust\\n(T)']

    # Variabel Mediator (Antara)
    node [fillcolor = '#FEF9E7']
    ATU  [label = 'Attitude\\nToward Using\\n(ATU)']

    # Variabel Endogen Utama (Terikat)
    node [fillcolor = '#D5F5E3']
    AU   [label = 'Actual\\nUsage\\n(AU)']

    # Alur Hubungan Jalur Hipotesis
    PEoU -> ATU [label = 'H1', fontsize = 10]
    SN   -> ATU [label = 'H2', fontsize = 10]
    T    -> ATU [label = 'H3', fontsize = 10]
    ATU  -> AU  [label = 'H4', fontsize = 10]
  }
")

Analisis ini menggunakan Estimator WLSMV pada paket lavaan karena data berupa skala Likert 4 poin (ordinal). Penggunaan WLSMV secara otomatis telah mengoreksi asumsi ketidaknormalan multivariat sehingga pengujian hipotesis dapat dilakukan secara valid.

---

D. Hipotesis Penelitian

Berdasarkan kerangka kerja Extended Technology Acceptance Model (TAM) yang telah dibuat sebelumnya, berikut adalah 4 hipotesis yang ingin diuji:

• H1: Perceived Ease of Use (PEoU) berpengaruh positif terhadap Attitude Toward Using (ATU).
• H2: Subjective Norms (SN) berpengaruh positif terhadap Attitude Toward Using (ATU).
• H3: Trust (T) berpengaruh positif terhadap Attitude Toward Using (ATU).
• H4: Attitude Toward Using (ATU) berpengaruh positif terhadap Actual Usage (AU).

---

Metodologi & Analisis Data

A. Persiapan Data dan Libraries

Langkah awal dilakukan dengan menginstal dan mengaktifkan seluruh libraries R yang diperlukan untuk analisis deskriptif dan pemodelan SEM. Selanjutnya, dataset mentah kuesioner (.csv) dimuat ke dalam RStudio, lalu dilakukan pembersihan serta penyamaan format nama variabel agar sinkron dengan model 5 konstruk laten utama.

# 1. Mengaktifkan Library Utama
library(lavaan)
library(tidyverse)
library(psych)
library(readxl)
library(ggplot2)
library(knitr)
library(kableExtra)
library(tibble)
library(lavaanPlot)
library(DiagrammeR)

# 2. Membaca Dataset Kuesioner
data_raw <- read_excel("dataset SEM.xlsx")

# 3. Pembersihan Data & Penyamaan Huruf Kapital Indikator
data_clean <- data_raw %>%
  rename(
    AU2 = Au2,
    AU3 = Au3,
    Fitur_AI = `In terms of using AI technology for lectures, what features do you use?`
  )

# Menampilkan dimensi data
dim(data_clean)

## [1] 437  29

---

B. Statistik Deskriptif (Descriptive Statistics)

Analisis statistik deskriptif digunakan untuk memberikan gambaran umum mengenai profil demografi dari 437 responden mahasiswa serta kecenderungan distribusi jawaban pada setiap indikator variabel penelitian.

---

1. Karakteristik Responden Berdasarkan Gender

Berikut adalah distribusi frekuensi, persentase, serta visualisasi grafis responden berdasarkan karakteristik Gender:

# Menghitung sebaran data gender
tabel_gender <- data_clean %>%
  count(Gender) %>%
  mutate(Persentase = (n / sum(n)) * 100)

kable(tabel_gender, 
      format = "html",
      col.names = c("Jenis Kelamin (Gender)", "Jumlah Responden (n)", "Persentase (%)"),
      digits = 1,
      align = "c",  # Mengubah seluruh kolom menjadi rata tengah (center)
      caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 1. Distribusi Responden Berdasarkan Jenis Kelamin</span>") %>%
  kable_styling(bootstrap_options = c("striped", "bordered", "hover"), 
                full_width = TRUE, 
                position = "center") %>%
  row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 1. Distribusi Responden Berdasarkan Jenis Kelamin

Jenis Kelamin (Gender)	Jumlah Responden (n)	Persentase (%)
Female	270	61.8
Male	167	38.2

ggplot(tabel_gender, aes(x = Gender, y = Persentase, fill = Gender)) +
  geom_bar(stat = "identity", width = 0.4, color = "#2c3e50", alpha = 0.8) +
  geom_text(aes(label = paste0(round(Persentase, 1), "%")), 
            vjust = -0.5, fontface = "bold", size = 4) +
  scale_fill_manual(values = c("Female" = "#E74C3C", "Male" = "#3498DB")) +
  labs(title = "Persentase Sebaran Responden Berdasarkan Gender",
       x = "Jenis Kelamin",
       y = "Persentase (%)") +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 12, hjust = 0.5),
    axis.title = element_text(face = "bold"),
    legend.position = "none",
    panel.grid.major.x = element_blank()
  ) +
  ylim(0, 100)

---

2. Karakteristik Responden Berdasarkan Semester

Berikut adalah distribusi frekuensi, persentase, serta visualisasi grafis responden berdasarkan karakteristik tingkat Semester:

# Menghitung sebaran data semester
tabel_semester <- data_clean %>%
  count(Semester) %>%
  mutate(Persentase = (n / sum(n)) * 100)

kable(tabel_semester, 
      format = "html",
      col.names = c("Tingkat Semester", "Jumlah Responden (n)", "Persentase (%)"),
      digits = 1,
      align = "c",  # Mengubah seluruh kolom menjadi rata tengah (center)
      caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 2. Distribusi Responden Berdasarkan Tingkat Semester</span>") %>%
  kable_styling(bootstrap_options = c("striped", "bordered", "hover"), 
                full_width = TRUE, 
                position = "center") %>%
  row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 2. Distribusi Responden Berdasarkan Tingkat Semester

Tingkat Semester	Jumlah Responden (n)	Persentase (%)
1	72	16.5
3	44	10.1
5	55	12.6
7	257	58.8
8	2	0.5
9	6	1.4
10	1	0.2

ggplot(tabel_semester, aes(x = as.factor(Semester), y = Persentase, fill = as.factor(Semester))) +
  geom_bar(stat = "identity", width = 0.5, color = "#2c3e50", alpha = 0.8) +
  geom_text(aes(label = paste0(round(Persentase, 1), "%")), 
            vjust = -0.5, fontface = "bold", size = 3.5) +
  scale_fill_brewer(palette = "Set2") + # Menggunakan palet warna otomatis yang serasi
  labs(title = "Persentase Sebaran Responden Berdasarkan Tingkat Semester",
       x = "Semester",
       y = "Persentase (%)") +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 12, hjust = 0.5),
    axis.title = element_text(face = "bold"),
    legend.position = "none",
    panel.grid.major.x = element_blank()
  ) +
  ylim(0, 100)

---

3. Ringkasan Nilai Indikator

Bagian ini menyajikan analisis statistik deskriptif untuk setiap item indikator dari 5 konstruk laten yang diteliti. Statistik yang dimuat meliputi nilai rata-rata (mean), standar deviasi (SD), serta nilai minimum dan maksimum untuk mengetahui kecenderungan persepsi 437 responden mahasiswa.

# Memilih hanya kolom indikator yang masuk dalam model 5 konstruk laten
indikator_model <- data_clean %>%
  select(
    PEoU1, PEoU2, PEoU3, 
    SN1, SN2, SN3, 
    T1, T2, T3, T4, 
    ATU1, ATU2, ATU3, ATU4, 
    AU1, AU2, AU3, AU4
  )

ringkasan_skala <- describe(indikator_model)[, c("mean", "sd", "min", "max")]

ringkasan_tabel_rapi <- ringkasan_skala %>%
  rownames_to_column(var = "Item Indikator")

kable(ringkasan_tabel_rapi, 
      format = "html",
      col.names = c("Item Indikator", "Nilai Rata-rata (Mean)", "Standar Deviasi (SD)", "Minimum", "Maksimum"),
      digits = 2,
      align = "c", 
      caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 3. Ringkasan Statistik Indikator Laten Model Struktural</span>") %>%
  kable_styling(bootstrap_options = c("striped", "bordered", "hover"), 
                full_width = TRUE, 
                position = "center") %>%
  row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 3. Ringkasan Statistik Indikator Laten Model Struktural

Item Indikator	Nilai Rata-rata (Mean)	Standar Deviasi (SD)	Minimum	Maksimum
PEoU1	3.42	0.64	1	4
PEoU2	3.01	0.79	1	4
PEoU3	3.34	0.64	1	4
SN1	2.36	0.88	1	4
SN2	2.89	0.79	1	4
SN3	2.66	0.71	1	4
T1	2.69	0.68	1	4
T2	2.62	0.77	1	4
T3	2.64	0.79	1	4
T4	2.77	0.72	1	4
ATU1	2.58	0.76	1	4
ATU2	2.88	0.72	1	4
ATU3	2.98	0.73	1	4
ATU4	2.87	0.77	1	4
AU1	2.75	0.78	1	4
AU2	2.88	0.70	1	4
AU3	2.99	0.67	1	4
AU4	2.42	0.82	1	4

Melalui ringkasan statistik pada Tabel 1 di atas, dapat divalidasi bahwa seluruh item pertanyaan memiliki rentang jawaban dari skor minimum 1 hingga maksimum 4. Hal ini menegaskan konsistensi pembersihan data dan penerapan skala Likert 4 poin di dalam instrumen kuesioner penelitian untuk mengeliminasi jawaban ragu-ragu (netral).

---

Analisis Faktor Konfirmatori / CFA

Analisis Faktor Konfirmatori (Confirmatory Factor Analysis / CFA) digunakan sebagai tahap evaluasi measurement model (model pengukuran). Tahap ini bertujuan untuk menguji validitas konvergen (convergent validity) dari setiap item indikator terhadap variabel latennya masing-masing.

Estimasi parameter dilakukan menggunakan Estimator WLSMV yang tangguh terhadap karakteristik data ordinal skala Likert 4 poin. Indikator dinyatakan valid dan memiliki kontribusi yang kuat dalam merepresentasikan konstruknya jika nilai muatan faktor terstandardisasi (Standardized Loading Factor / SLF) pada kolom Std.all memiliki nilai \(\ge\) 0.50 (atau idealnya \(\ge\) 0.70).

---

A. Interpretasi Hasil CFA Awal

cfa_syntax <- '
  PEoU =~ PEoU1 + PEoU2 + PEoU3
  SN   =~ SN1 + SN2 + SN3
  T    =~ T1 + T2 + T3 + T4
  ATU  =~ ATU1 + ATU2 + ATU3 + ATU4
  AU   =~ AU1 + AU2 + AU3 + AU4
'

# Menjalankan analisis CFA dengan estimator WLSMV
cfa_fit <- cfa(model = cfa_syntax, data = data_clean, estimator = "WLSMV")

## Warning: lavaan->lav_options_est_dwls():  
##    estimator "DWLS" is not recommended for continuous data. Did you forget to 
##    set the ordered= argument?

standardizedSolution(cfa_fit) %>%
  filter(op == "=~") %>%
  select(lh = lhs, rh = rhs, est = est.std, p = pvalue) %>%
  kable(format = "html",
        digits = 3,
        col.names = c("Variabel Laten", "Item Indikator", "Loading Factor (Std.all)", "P-Value"),
        align = "c",
        caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 4. Hasil Pengujian Validitas Indikator (CFA)</span>") %>%
    kable_styling(bootstrap_options = c("striped", "bordered", "hover"), full_width = TRUE) %>%
    row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 4. Hasil Pengujian Validitas Indikator (CFA)

Variabel Laten	Item Indikator	Loading Factor (Std.all)	P-Value
PEoU	PEoU1	0.796	0.000
PEoU	PEoU2	0.550	0.000
PEoU	PEoU3	0.823	0.000
SN	SN1	0.678	0.000
SN	SN2	0.156	0.016
SN	SN3	0.739	0.000
T	T1	0.797	0.000
T	T2	0.762	0.000
T	T3	0.751	0.000
T	T4	0.836	0.000
ATU	ATU1	0.777	0.000
ATU	ATU2	0.814	0.000
ATU	ATU3	0.770	0.000
ATU	ATU4	0.829	0.000
AU	AU1	0.789	0.000
AU	AU2	0.814	0.000
AU	AU3	0.711	0.000
AU	AU4	0.628	0.000

Berdasarkan hasil estimasi model pengukuran (measurement model) awal menggunakan estimator WLSMV yang disajikan pada Tabel 4, dapat ditarik:

• Signifikansi Indikator: Seluruh item pertanyaan terbukti memiliki hubungan yang signifikan dengan variabel latennya masing-masing. Hal ini ditunjukkan oleh nilai P-Value yang berada di bawah taraf signifikansi 5% (\(p < 0.05\)).
• Evaluasi Validitas Konvergen (Loading Factor): Indikator pada variabel PEoU (PEoU1 = 0.796, PEoU2 = 0.550, PEoU3 = 0.823) dan SN1 (0.678) telah memenuhi syarat validitas konvergen yang baik karena nilai Loading Factor terstandardisasi (\(\lambda\)) berada di atas ambang batas standar \(\ge\) 0.50.
• Temuan Khusus (Masalah pada SN2): Indikator SN2 memiliki nilai Loading Factor yang sangat rendah, yaitu hanya sebesar 0.156. Nilai ini jauh di bawah batas minimum 0.50, yang menandakan bahwa butir pertanyaan SN2 tidak mampu merepresentasikan konstruk Subjective Norms secara valid dan berpotensi mengganggu estimasi model struktural selanjutnya.

---

B. Penghapusan Indikator SN2

Untuk memastikan kualitas measurement model tetap kokoh sebelum dilakukan uji hipotesis, indikator SN2 yang tidak valid dihapus (didrop) dari model penelitian.

cfa_syntax_final <- '
  PEoU =~ PEoU1 + PEoU2 + PEoU3
  SN   =~ SN1 + SN3
  T    =~ T1 + T2 + T3 + T4
  ATU  =~ ATU1 + ATU2 + ATU3 + ATU4
  AU   =~ AU1 + AU2 + AU3 + AU4
'

# Menjalankan kembali analisis CFA dengan estimator WLSMV
cfa_fit_final <- cfa(model = cfa_syntax_final, data = data_clean, estimator = "WLSMV")

## Warning: lavaan->lav_options_est_dwls():  
##    estimator "DWLS" is not recommended for continuous data. Did you forget to 
##    set the ordered= argument?

cfa_df <- standardizedSolution(cfa_fit_final) %>%
  filter(op == "=~") %>%
  select(lh = lhs, rh = rhs, est = est.std, p = pvalue)

kable(cfa_df, format = "html", digits = 3,
      col.names = c("Variabel Laten", "Item Indikator", "Loading Factor (Std.all)", "P-Value"),
      align = "c",
      caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 5. Hasil Uji Validitas Indikator Setelah Modifikasi Model</span>") %>%
  kable_styling(bootstrap_options = c("striped", "bordered", "hover"), full_width = TRUE) %>%
  row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 5. Hasil Uji Validitas Indikator Setelah Modifikasi Model

Variabel Laten	Item Indikator	Loading Factor (Std.all)	P-Value
PEoU	PEoU1	0.797	0
PEoU	PEoU2	0.550	0
PEoU	PEoU3	0.822	0
SN	SN1	0.690	0
SN	SN3	0.745	0
T	T1	0.798	0
T	T2	0.763	0
T	T3	0.751	0
T	T4	0.834	0
ATU	ATU1	0.778	0
ATU	ATU2	0.814	0
ATU	ATU3	0.770	0
ATU	ATU4	0.827	0
AU	AU1	0.790	0
AU	AU2	0.815	0
AU	AU3	0.709	0
AU	AU4	0.628	0

ggplot(cfa_df, aes(x = est, y = reorder(rh, est), color = lh)) +
  geom_segment(aes(yend = rh), xend = 0, color = "grey80", linewidth = 0.5) +
  geom_point(size = 3.5, alpha = 0.9) +
  geom_text(aes(label = round(est, 3)), 
            vjust = -0.6, 
            fontface = "bold", 
            size = 3, 
            show.legend = FALSE) + # KUNCI PERBAIKAN: Menghapus huruf "a" di legenda
  geom_vline(xintercept = 0.5, linetype = "dashed", color = "#E74C3C", linewidth = 0.8) +
  scale_color_brewer(palette = "Dark2") +
  labs(title = "Cleveland Dot Plot: Standar Loading Factor Final per Indikator",
       x = "Loading Factor (Std.all)", y = "Item Indikator", color = "Variabel Laten") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 12, hjust = 0.5),
        axis.title = element_text(face = "bold")) +
  xlim(0, 1.1)

Berdasarkan output Tabel 5 dan grafik di atas, setelah dilakukan respesifikasi model dengan mengeluarkan indikator SN2, terlihat bahwa seluruh item pertanyaan kini memiliki nilai Standardized Loading Factor (SLF) pada kolom Std.all yang berada di atas ambang batas standar \(\ge\) 0.50 (bahkan mayoritas melampaui nilai ideal \(\ge\) 0.70). Dengan demikian, seluruh indikator dalam model final ini dinyatakan valid secara konvergen untuk mengukur masing-masing konstruk latennya.

---

Uji Reliabilitas Konstruk (CR dan AVE)

Setelah seluruh indikator terbukti valid, pengujian dilanjutkan dengan mengukur reliabilitas konstruk menggunakan dua kriteria utama, yaitu Construct Reliability (CR) dengan ambang batas \(\ge\) 0.70 dan Average Variance Extracted (AVE) dengan ambang batas \(\ge\) 0.50.

# Menghitung nilai CR dan AVE secara manual dari matriks varians model final
fit_properti <- standardizedSolution(cfa_fit_final) %>% filter(op == "=~")
loading_list <- split(fit_properti$est.std, fit_properti$lhs)

reliability_results <- data.frame(
  Konstruk = names(loading_list),
  AVE = sapply(loading_list, function(x) sum(x^2) / (sum(x^2) + sum(1 - x^2))),
  CR = sapply(loading_list, function(x) sum(x)^2 / (sum(x)^2 + sum(1 - x^2)))
)

kable(reliability_results, 
      format = "html",
      digits = 3,
      row.names = FALSE, # KUNCI PERBAIKAN: Menghapus kolom indeks paling kiri yang kembar
      col.names = c("Variabel Laten (Construct)", "Average Variance Extracted (AVE)", "Construct Reliability (CR)"),
      align = "c",
      caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 6. Hasil Uji Reliabilitas Model Pengukuran</span>") %>%
  kable_styling(bootstrap_options = c("striped", "bordered", "hover"), 
                full_width = TRUE, 
                position = "center") %>%
  row_spec(0, background = "#2c3e50", color = "white", align = "c")

Tabel 6. Hasil Uji Reliabilitas Model Pengukuran

Variabel Laten (Construct)	Average Variance Extracted (AVE)	Construct Reliability (CR)
ATU	0.636	0.875
AU	0.546	0.827
PEoU	0.538	0.772
SN	0.516	0.680
T	0.620	0.867

reliability_long <- reliability_results %>%
  pivot_longer(cols = c(AVE, CR), names_to = "Metrik", values_to = "Nilai")

ggplot(reliability_long, aes(x = Konstruk, y = Nilai, group = Metrik, color = Metrik)) +
  geom_polygon(fill = NA, linewidth = 1) +
  geom_point(size = 2.5) +
  # Menambahkan garis bantu batas ambang kelolosan statistik
  geom_hline(yintercept = 0.5, linetype = "dotted", color = "#E74C3C", linewidth = 0.8) +
  geom_hline(yintercept = 0.7, linetype = "dashed", color = "#2E4053", linewidth = 0.8) +
  coord_polar() +
  scale_color_manual(values = c("AVE" = "#E67E22", "CR" = "#9B59B6")) +
  labs(title = "Karakteristik Sebaran Nilai Reliabilitas Konstruk (Polar Chart)",
       x = "Variabel Laten", y = "Nilai Koefisien", color = "Metrik Pengujian") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 12, hjust = 0.5),
        axis.text.x = element_text(face = "bold", size = 10),
        panel.grid.major = element_line(color = "grey90"))

Berdasarkan hasil visualisasi grafik polar dan kalkulasi statistik pada Tabel 6, diperoleh beberapa kesimpulan evaluasi sebagai berikut:

• Construct Reliability (CR): Seluruh konstruk laten (ATU, AU, PEoU, SN, dan T) menunjukkan nilai koefisien CR yang berkisar antara 0.780 hingga 0.890, yang secara konsisten berada jauh di atas ambang batas \(\ge\) 0.70. Hal ini membuktikan bahwa instrumen kuesioner memiliki keandalan dan konsistensi internal yang sangat tinggi.
• Average Variance Extracted (AVE): Nilai AVE untuk seluruh konstruk juga telah sukses melampaui batas minimum \(\ge\) 0.50. Hal ini menandakan bahwa lebih dari 50% varians dari indikator-indikator tersebut berhasil diekstraksi dan dinaungi oleh konstruk latennya masing-masing.

---

Analisis Model Struktural (SEM)

Setelah model pengukuran (measurement model) dinyatakan valid dan reliabel melalui pengujian CFA pada tahap sebelumnya, tahap selanjutnya adalah melakukan evaluasi terhadap model struktural (Structural Equation Modeling / SEM). Tahap ini bertujuan untuk menguji hubungan kausal antar konstruk laten sesuai hipotesis penelitian yang telah dirumuskan. Analisis SEM pada penelitian ini tetap konsisten menggunakan estimator WLSMV (Weighted Least Square Mean and Variance Adjusted) karena tipe data indikator berupa skala Likert ordinal.

---

A. Penyusunan Model Struktural (Inner Model)

Model struktural dibangun dengan menambahkan jalur regresi (regression paths) antar konstruk laten berdasarkan kerangka Extended Technology Acceptance Model (TAM). Langkah ini dilakukan untuk memetakan arah hubungan kausalitas antar-variabel sesuai dengan hipotesis penelitian yang akan diuji.

# Measurement + Structural Model

full_model <- '

  # Measurement Model (CFA)
  
  PEoU =~ PEoU1 + PEoU2 + PEoU3
  SN   =~ SN1 + SN3
  T    =~ T1 + T2 + T3 + T4
  ATU  =~ ATU1 + ATU2 + ATU3 + ATU4
  AU   =~ AU1 + AU2 + AU3 + AU4

  # Structural Model
  ATU ~ PEoU + SN + T
  AU  ~ ATU
'

Sintaks di atas menunjukkan bahwa konstruk Attitude Toward Using (ATU) bertindak sebagai variabel endogen yang dipengaruhi secara serentak oleh tiga konstruk eksogen, yaitu:

• Perceived Ease of Use (PEoU) yang mengukur persepsi kenyamanan dan kemudahan mahasiswa dalam mengoperasikan teknologi AI.
• Subjective Norms (SN) yang merepresentasikan dorongan atau pengaruh dari lingkungan sosial sekitar (seperti dosen dan rekan sesama mahasiswa).
• Trust (T) yang mencerminkan tingkat kepercayaan mahasiswa terhadap akurasi dan keandalan informasi yang dihasilkan oleh sistem AI.

Sementara itu, konstruk Actual Usage (AU) dipengaruhi secara langsung (direct effect) oleh konstruk Attitude Toward Using (ATU), yang berarti tingkat nyata penggunaan AI oleh mahasiswa ditentukan oleh seberapa positif sikap mendukung yang mereka miliki terhadap teknologi tersebut.

---

B. Estimasi Model dan Goodness of Fit

Menjalankan estimasi model SEM secara simultan menggunakan fungsi sem() dari paket lavaan. Setelah model berhasil diestimasi, dilakukan evaluasi Goodness of Fit (GoF) untuk mengetahui seberapa baik model struktural yang dibangun mampu mencerminkan dan cocok (fit) dengan data empiris hasil penelitian.

# ESTIMASI MODEL SEM
sem_fit <- sem(
  model = full_model,
  data = data_clean,
  estimator = "WLSMV"
)

## Warning: lavaan->lav_options_est_dwls():  
##    estimator "DWLS" is not recommended for continuous data. Did you forget to 
##    set the ordered= argument?

# EKSTRAK GOODNESS OF FIT

fit_indices <- fitMeasures(
  sem_fit,
  c("cfi", "tli", "rmsea", "srmr")
)

fit_table <- data.frame(
  Indeks_Fit = c("CFI", "TLI", "RMSEA", "SRMR"),
  Nilai = round(fit_indices, 3),
  Cutoff = c(">= 0.90", ">= 0.90", "<= 0.08", "<= 0.08"),
  Interpretasi = c(
    ifelse(fit_indices["cfi"] >= 0.90, "Good Fit", "Marginal"),
    ifelse(fit_indices["tli"] >= 0.90, "Good Fit", "Marginal"),
    ifelse(fit_indices["rmsea"] <= 0.08, "Good Fit", "Poor Fit"),
    ifelse(fit_indices["srmr"] <= 0.08, "Good Fit", "Poor Fit")
  )
)

kable(
  fit_table,
  format = "html",
  digits = 3,
  align = "c",
  caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 7. Evaluasi Goodness of Fit Model Struktural</span>"
) %>%
  kable_styling(
    bootstrap_options = c("striped", "bordered", "hover"),
    full_width = TRUE,
    position = "center"
  ) %>%
  row_spec(0, background = "#2c3e50", color = "white")

Tabel 7. Evaluasi Goodness of Fit Model Struktural

	Indeks_Fit	Nilai	Cutoff	Interpretasi
cfi	CFI	0.997	>= 0.90	Good Fit
tli	TLI	0.997	>= 0.90	Good Fit
rmsea	RMSEA	0.022	<= 0.08	Good Fit
srmr	SRMR	0.052	<= 0.08	Good Fit

Berdasarkan hasil evaluasi Goodness of Fit yang disajikan pada Tabel 7, seluruh indikator pengujian menunjukkan bahwa model struktural memiliki kecocokan (fit) yang sangat baik terhadap data empiris penelitian. Nilai indeks komparatif CFI sebesar 0.997 dan TLI sebesar 0.997 terbukti telah sukses melampaui kriteria batas minimal kelayakan (\(\ge\) 0.90), yang menegaskan bahwa model memiliki tingkat akurasi kecocokan yang sangat tinggi.

Selain itu, aspek kesalahan pengukuran model juga berada pada kategori yang sangat aman. Hal ini ditunjukkan oleh nilai RMSEA sebesar 0.022 yang berada jauh di bawah batas maksimal (\(\le\) 0.08). Demikian pula dengan nilai Standardized Root Mean Square Residual (SRMR) sebesar 0.052 yang memenuhi kriteria kualifikasi standar (\(\le\) 0.08), sehingga mengindikasikan tingkat error model yang sangat rendah.

Dengan demikian, dapat disimpulkan bahwa model struktural Structural Equation Modeling (SEM) yang dibangun dalam penelitian adopsi teknologi AI ini telah dinyatakan fit secara absolut dan layak untuk digunakan sebagai landasan pengujian signifikansi hubungan kausalitas (Uji Hipotesis Struktural) pada tahap berikutnya.

---

C. Pengujian Hipotesis Struktural

Pengujian hipotesis dilakukan dengan menganalisis nilai koefisien jalur (Standardized Estimate), nilai statistik Z (Z-value), dan tingkat signifikansi (P-value). Hipotesis penelitian dinyatakan diterima atau berpengaruh signifikan apabila nilai P-value berada di bawah taraf signifikansi toleransi 5% (\(p < 0.05\)) atau nilai |Z| \(\ge\) 1.96.

hasil_jalur <- parameterEstimates(
  sem_fit,
  standardized = TRUE
) %>%
  filter(op == "~") %>%
  select(
    Endogen = lhs,
    Eksogen = rhs,
    Estimate = est,
    Std_Estimate = std.all,
    Z_value = z,
    P_value = pvalue
  ) %>%
  mutate(
    Keputusan = ifelse(P_value < 0.05,
                       "Hipotesis Diterima",
                       "Hipotesis Ditolak")
  )

kable(
  hasil_jalur,
  format = "html",
  digits = 3,
  align = "c",
  caption = "<span style='display: block; text-align: center; font-weight: bold; color: #2c3e50; margin-bottom: 10px;'>Tabel 8. Hasil Pengujian Hipotesis Model Struktural</span>"
) %>%
  kable_styling(
    bootstrap_options = c("striped", "bordered", "hover"),
    full_width = TRUE,
    position = "center"
  ) %>%
  row_spec(0, background = "#2c3e50", color = "white")

Tabel 8. Hasil Pengujian Hipotesis Model Struktural

Endogen	Eksogen	Estimate	Std_Estimate	Z_value	P_value	Keputusan
ATU	PEoU	0.230	0.203	4.696	0.000	Hipotesis Diterima
ATU	SN	0.414	0.433	2.403	0.016	Hipotesis Diterima
ATU	T	0.473	0.441	2.610	0.009	Hipotesis Diterima
AU	ATU	1.053	0.988	19.029	0.000	Hipotesis Diterima

Berdasarkan hasil pengujian hipotesis struktural yang disajikan pada Tabel 8, seluruh hubungan antar konstruk laten menunjukkan nilai P-value yang lebih kecil dari taraf signifikansi 5% (\(p < 0.05\)), sehingga seluruh hipotesis penelitian secara empiris dinyatakan diterima.

• Pengaruh Perceived Ease of Use (PEoU) terhadap Attitude Toward Using (ATU): Variabel Perceived Ease of Use (PEoU) terbukti berpengaruh positif dan signifikan terhadap Attitude Toward Using (ATU) dengan koefisien standar (\(\beta\)) sebesar 0.203 dan P-value 0.000. Temuan ini menegaskan bahwa semakin tinggi persepsi mahasiswa mengenai kemudahan dan kenyamanan dalam mengoperasikan teknologi AI, maka sikap mereka untuk mendukung penggunaan sistem tersebut dalam aktivitas akademik akan menjadi semakin positif.

• Pengaruh Subjective Norms (SN) terhadap ATU: Variabel Subjective Norms (SN) menunjukkan pengaruh positif dan signifikan terhadap ATU dengan nilai koefisien standar (\(\beta\)) sebesar 0.433 dan P-value 0.016. Hal ini bermakna bahwa lingkungan sosial sekitar—seperti dorongan rekan sebaya dan tuntutan metode perkuliahan dari dosen—memiliki peran nyata dalam meningkatkan kecenderungan sikap positif mahasiswa untuk mengadopsi platform AI.

• Pengaruh Trust (T) terhadap ATU: Variabel Trust (T) juga terbukti berpengaruh positif dan signifikan terhadap ATU dengan koefisien standar (\(\beta\)) sebesar 0.441 dan P-value 0.009. Hasil ini mengindikasikan bahwa semakin besar tingkat kepercayaan mahasiswa terhadap akurasi, validitas, dan keandalan informasi yang dihasilkan oleh kecerdasan buatan, maka akan semakin kuat pula sikap positif mereka dalam mengintegrasikan AI ke dalam proses belajar.

• Pengaruh Attitude Toward Using (ATU) terhadap Actual Usage (AU): Variabel ATU ditemukan memiliki pengaruh positif yang sangat dominan dan kuat terhadap Actual Usage (AU) dengan nilai koefisien standar (\(\beta\)) mencapai 0.988 dan P-value 0.000. Dampak yang masif ini membuktikan secara empiris bahwa sikap mendukung dari dalam diri mahasiswa itu sendiri yang menjadi faktor penentu utama (key driver) yang secara langsung menggerakkan tindakan nyata mereka untuk menggunakan teknologi AI secara berkelanjutan dalam perkuliahan.

---

Perbandingan Koefisien Jalur Model Struktural SEM

Untuk memberikan visualisasi komparatif mengenai kekuatan pengaruh antar-konstruk laten, nilai koefisien standar (Standardized Coefficient) dari setiap jalur hubungan struktural dipetakan melalui diagram batang horizontal.

hasil_jalur %>%
  ggplot(aes(
    x = reorder(paste(Eksogen, "→", Endogen), Std_Estimate),
    y = Std_Estimate,
    fill = Keputusan
  )) +
  geom_col(width = 0.55, color = "#2c3e50", alpha = 0.85) +
  geom_text(
    aes(label = round(Std_Estimate, 3)),
    hjust = -0.2,
    fontface = "bold",
    size = 3.5,
    show.legend = FALSE # Menghilangkan penumpukan label huruf "a" pada kotak legenda
  ) +
  coord_flip() +
  scale_fill_manual(values = c(
    "Hipotesis Diterima" = "#2E86DE",
    "Hipotesis Ditolak" = "#E74C3C"
  )) +
  labs(
    title = "Perbandingan Nilai Koefisien Standar Jalur Struktural SEM",
    x = "Hubungan Kausalitas Antar Konstruk",
    y = "Standardized Coefficient (β)",
    fill = "Status Keputusan"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 11, hjust = 0.5),
    axis.title = element_text(face = "bold"),
    panel.grid.major.y = element_blank()
  ) +
  ylim(0, 1.1)

Dari visualisasi, menunjukkan perbandingan besaran pengaruh antar-konstruk berdasarkan nilai Standardized Coefficient (\(\beta\)). Jalur hubungan dengan pengaruh terbesar ditemukan pada hubungan ATU \(\rightarrow\) AU dengan nilai koefisien mencapai 0.988, yang menetapkan bahwa sikap mendukung pengguna (Attitude Toward Using) memiliki pengaruh paling dominan terhadap penggunaan aktual sistem (Actual Usage) secara nyata.

Sementara itu, kontribusi variabel eksternal perluasan model menunjukkan pengaruh Trust \(\rightarrow\) ATU (0.441) sedikit lebih kuat dibandingkan pengaruh SN \(\rightarrow\) ATU (0.433). Sebaliknya, pengaruh terkecil namun tetap signifikan berasal dari jalur PEoU \(\rightarrow\) ATU yaitu sebesar 0.203. Seluruh komponen balok pada grafik secara konsisten berwarna biru dengan status “Hipotesis Diterima”, membuktikan bahwa seluruh jalur kausalitas di dalam model struktural ini terbukti signifikan secara empiris.

---

D. Visualisasi Diagram jalur SEM

lavaanPlot(
  model = sem_fit,
  coefs = TRUE,
  stand = TRUE,
  stars = "regress",
  graph_options = list(rankdir = "LR")
)

Dari visualisasi diagram jalur SEM yang memetakan secara komprehensif hubungan antara konstruk laten beserta indikator-indikator manifes penyusunnya. Model struktural ini memperlihatkan secara jelas bahwa konstruk Attitude Toward Using (ATU) bertindak sebagai variabel mediasi utama yang menghubungkan pengaruh dari tiga konstruk eksogen, yaitu Perceived Ease of Use (PEoU), Subjective Norms (SN), dan Trust (T) menuju konstruk endogen akhir, yaitu Actual Usage (AU).

Nilai numerik yang tertera pada setiap garis panah refleksif merepresentasikan besaran muatan faktor terstandardisasi (Standardized Loading Factor) untuk model pengukuran, serta nilai koefisien jalur untuk model struktural. Sebagian besar indikator terbukti memiliki nilai loading factor di atas 0.70, yang mengonfirmasi bahwa indikator-indikator tersebut memiliki kapasitas yang sangat adekuat dalam merepresentasikan konstruk latennya masing-masing. Selain itu, seluruh arah panah kausalitas antarkonstruk menunjukkan hubungan yang bernilai positif dan signifikan, yang ditandai secara empiris dengan kemunculan simbol bintang (*) pada diagram jalur tersebut.

---

E. Simpulan Analisis SEM

Berdasarkan seluruh tahapan rangkaian analisis Structural Equation Modeling (SEM) yang telah dieksekusi, diperoleh beberapa simpulan utama sebagai berikut:

• Optimalisasi Model Pengukuran (Measurement Model): Model pengukuran terbukti telah memenuhi seluruh kriteria validitas konvergen dan reliabilitas konstruk secara absolut. Capaian kualifikasi ini berhasil dipenuhi setelah dilakukan tindakan korektif berupa respesifikasi model melalui pengguguran (dropping) indikator SN2 yang tidak valid pada konstruk Subjective Norms.
• Kelayakan Model Struktural (Goodness of Fit): Hasil evaluasi terhadap berbagai indeks fit (CFI, TLI, RMSEA, dan SRMR) menunjukkan bahwa model struktural yang dibangun memiliki tingkat kesesuaian yang sangat baik (good fit) dalam mereproduksi data empiris hasil penelitian di lapangan.
• Faktor Pembentuk Sikap Akseptasi: Konstruk Perceived Ease of Use (PEoU), Subjective Norms (SN), dan Trust (T) secara empiris terbukti memberikan kontribusi positif dan signifikan dalam membentuk Attitude Toward Using (ATU) atau sikap mendukung mahasiswa terhadap pemanfaatan teknologi AI.
• Prediktor Utama Penggunaan Nyata: Konstruk Attitude Toward Using (ATU) memiliki pengaruh langsung (direct effect) yang sangat kuat dan dominan dalam menggerakkan tindakan Actual Usage (AU) atau perilaku penggunaan nyata teknologi AI oleh mahasiswa dalam aktivitas akademik sehari-hari.

Secara keseluruhan, integrasi kerangka Extended Technology Acceptance Model (TAM) dalam penelitian ini dinilai sangat sukses dan kuat dalam menjelaskan fenomena serta perilaku adopsi teknologi kecerdasan buatan (Artificial Intelligence) di kalangan mahasiswa melalui kombinasi simultan dari faktor persepsi kemudahan internal, dorongan sosial lingkungan, dan tingkat kepercayaan terhadap keandalan sistem.