Zoya Sofian (1), Iriani (2)
General Background The rapid advancement of information and communication technology has triggered an escalating demand for stable, high-speed internet services across urban regions in Indonesia. Specific Background Although Internet Service Providers (ISPs) like Biznet are expanding, persistent consumer complaints regarding network instability and service reliability reveal significant challenges in meeting market expectations. Knowledge Gap Existing literature offers inconsistent findings regarding the role of pricing and network performance in consumer behavior, with few studies simultaneously evaluating these dynamics within the WiFi service sector using advanced statistical modeling. Aims This study analyzes how price, network quality, and service quality determine purchase intention, purchase decision, and customer satisfaction for Biznet WiFi in Surabaya. Results Utilizing Generalized Structured Component Analysis (GSCA) on 100 respondents, the findings demonstrate that while all variables drive purchase intention, only price and network quality significantly predict purchase decisions. Furthermore, price, network quality, service quality, and purchase decisions are identified as strong determinants of customer satisfaction. Novelty This research employs a simultaneous GSCA-SEM approach to map the complex interdependencies between service quality and consumer behavioral stages in the ISP market. Implications These findings highlight that management must prioritize competitive pricing strategies and robust network performance to strengthen decision-making pathways and maximize consumer satisfaction. The study offers a strategic framework for ISPs to align service delivery with the observable consumer preferences identified in the Surabaya market.
Highlights:
Price and network quality act as the primary drivers of consumer purchase decisions.
Decision-making processes serve as a critical mediator in fostering high levels of customer satisfaction.
GSCA-SEM provides a robust analytical framework for modeling complex consumer behavior with mid-sized sample sets.
Keywords: Customer Satisfaction, GSCA, Price, Purchase Decision, Service Quality
Perkembangan yang cepat dalam bidang teknologi informasi dan komunikasi yang sangat cepat telah menciptakan permintaan yang tinggi dalam masyarakat terhadap layanan internet yang cepat, stabil, dan terjangkau. Internet menjadi bagian penting dalam berbagai aktivitas, seperti pencarian informasi, komunikasi, hiburan, hingga kegiatan ekonomi [1]. Kondisi ini mendorong munculnya berbagai penyedia layanan internet (ISP), yaitu layanan penyedia penyedia akeses internet berlangganan yang disediakan oleh perusahaan bergerak dalam sektor pelayanan [2].
Salah satu penyedia layanan internet di Indonesia adalah Biznet yang terus berupaya meningkatkan daya saingnya di tengah persaingan dengan IndiHome dan First Media. Meskipun mengalami peningkatan dalam Top Brand Index, posisi Biznet masih berada di bawah pesaingnya. Harga menjadi faktor penting yang memengaruhi minat beli konsumen [3]. Di samping itu, harga juga memengaruhi pilihan untuk membeli atau keputusan pembelian [4] serta kepuasan pelanggan [5]. Di sisi lain, kualitas jaringan yang baik terbukti memengaruhi minat beli dan keputusan pembelian [6], serta berpengaruh terhadap kepuasan pelanggan [7]. Namun, berbagai ulasan pelanggan masih menunjukkan adanya keluhan terkait kestabilan jaringan dan kualitas layanan Biznet, seperti gangguan koneksi dan lambatnya penanganan masalah pelanggan. Di sisi lain, hasil penelitian terdahulu mengenai hubungan antar variabel tersebut masih menunjukkan ketidakkonsistenan hasil, serta penelitian yang menguji seluruh variabel secara simultan pada konteks layanan WiFi masih relatif terbatas.
Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk menganalisis pengaruh harga, kualitas jaringan, dan kualitas layanan terhadap minat beli, keputusan pembelian, dan kepuasan pelanggan pada masyarakat yang belum berlangganan layanan WiFi Biznet di Kota Surabaya. Penelitian ini menggunakan pendekatan Structural Equation Modeling berbasis Generalized Structured Component Analysis (GSCA) karena mampu menganalisis hubungan antar variabel secara komprehensif tanpa mensyaratkan normalitas data [8]. Kebaruan penelitian ini terletak pada pengujian hubungan harga, kualitas jaringan, dan kualitas layanan secara simultan terhadap minat beli, keputusan pembelian, dan kepuasan pelanggan dalam konteks layanan ISP menggunakan pendekatan GSCA yang masih jarang digunakan pada penelitian layanan internet di Indonesia.
Penelitian inil melakukan pendekatan kuantitatif menggunakanl metode lStructural lEquation lModeling (SEM) berbasis lGeneralized Structuredl Component Analysis (GSCA)l dan bersifat cross-sectional. Pengumpulanl data dilaksanakan dengan menggunakan kuesioner online menggunakan bantuan Google Form kepada responden di Surabaya yang belum berlangganan WiFi Biznet, dengan teknik purposive sampling sebagai metode pemilihan sampel [9]. Variabel yang diteliti meliputi iharga (X1), ekualitas jaringan (X2), dan ekualitas layanan (X3) sebagai variabel eksogen, eserta minat beli (Y1), ekeputusan pembelian (Y2), dan kepuasan konsumen (Y3) sebagai variabel endogen. Variabel yang diteliti meliputi harga (X1), kualitas jaringan (X2), dan kualitas layanan (X3) sebagai variabel eksogen, serta minat beli (Y1), keputusan pembelian (Y2), dan kepuasan konsumen (Y3) sebagai variabel endogen. Variabel harga diukur melalui indikatori keterjangkauani harga, kesesuaian hargai dengan kualitas produk, daya saing harga, dan kesesuaian harga dengan manfaat. Variabel kualitas jaringan diukur melalui keceapatan internet, kestabilan jaringan, dan kesesuaian dengan harapan pelanggan. Variabel kualitas layanan diukur melalui reliability, tangible, responsiveness, assurance, dan empathy. Selanjutnya, minat beli diukur melalui transactional interest, referential interest, preferential interest, dan explorative interest. Keputusan pembelian diukur melalui pengenalan masalah, pencarian informasi, evaluasi alternatif, keputusan pembelian, dan perilaku pasca pembelian. Kepuasan konsumen diukur melalui kesesuaian harapan, niat membeli ulang, dan ketersediaan merekomendasikan. Semua indikator idiukur menggunakan lskala Likertl 1–5 karena efektif dalam menggambarkan persepsi responden dan banyak digunakan dalam penelitian berbasis SEM [10]. Analisis data dilakukan dengan bantuan software GSCA Pro untuk menguji hubungan antar variabel. Metode GSCA dipilih karena mampu memberikan estimasi yang stabil serta sesuai digunakan pada ukuran sampel kecil hingga menengah. Pengujian instrumen penelitian dilakukan melalui uji validitas dan reliabilitas. Uji validitas dievaluasi menggunakan nilai loading factor dan Average Variance Extracted (AVE), sedangkan reliabilitas diukur menggunakan PVE (Proportion of Variance Extracted) dan Composite Reliability (CR). Instrumen dinyatakan valid dan reliabel apabila memenuhi nilai cut-off yang telah ditentukan.
Analisisl terhadap modell penelitianl yang telahl disusun dalaml bentuk pathl diagram lselanjutnya diterjemahkan ke dalam persamaane matematisl yang mencakup dua bagian utama, yaitu measurement model dan estructural lmodel. Measurement model berfungsi untuk menggambarkan hubungan antara variabel laten dengan indikator-indikatornya, sedangkani structural modeli menjelaskan hubunganl pengaruh antar lvariabel latenl sesuai dengan kerangka konseptual yang digunakan. Dalam pendekatan GSCA, evaluasi model tidak dilakukan melalui modifikasi seperti pada SEM berbasis kovarian, melainkan melalui penilaian validitas, reliabilitas, serta indeks Goodness of Fit seperti FIT, AFIT, GFI, dan SRMR. Pada tahap measurement model, dilakukan pengujian evaliditas konvergen, evaliditas diskriminan, serta ereliabilitas untuk memastikan kesesuian setiap indikatore mampu merepresentasikan konstruk secara tepat dan konsisten [11]. Hasil pengujianl mengindikasikan ibahwa model lpengukuran ltelah memenuhi kriterial yang ditetapkan, sehinggal dapat dilanjutkan ke tahap analisis structural model. Visualisasi emodel epenelitian dapat edilihat epada Gambar 1.
Gambar 1. Kerangka Model Awal
Mengavaluasi kesesuaian model berdasarkan kerangka pada Gambar 1. menggunakan tiga tahap yaitu pengujian model measurement, uji kesesuaian model dnegan uji eoverall goodness of fit, dan pengujian emodel struktural. Padae tahap measurement terdapat perhitungan validitas konvergene yang ditinjau pada enilai eloading factor, dimana jika nilai loading factore ≥ 0,70 maka diartikan memiliki validitas konvergen yang baik [10]. Selanjutnya ditentukan nilai validitas yang ldapat dilihatl padal Tabel 1.
Tabel 1. Hasill Ujil lValiditas
Pada langkah selanjutnya perhitungan validitas diskriminan melihat dari nilai kriteria Fornell–Larcker diperoleh denganl melakukan lperbandingan nilai iakar iAverage iVariance Extracted (AVE)l dengan hubungan iantar ikonstruk [10]. Validitas diskriminan suatu konstruk terpenuhi ketika nilai AVEi llebih besare dibandingkan lkorelasi antar lkonstruk llainnya [12]. Selanjutnya menguji uji diskriminan melihat dari Tabel 2.
lTabel 2. Hasili Average Variance Extracted (AVE) Berikutnyan melakukan uji relioabilitas dengan melihat nilai dari Tahapan selanjutnya pengujian lreliabilitas denganl melihat inilai iProportion of iVariance Extractedi (PVE)i dani Rhoi (compositei ireliability). Konstruk dapat dikatakan reliabel jika memenuhi ketentuan yang berlaku dengan nilai PVE ≥ i0,50l dan Rho ≥ l0,70. PVE menggambarkan sejauh mana konstruk dalam menjelaskan ivarians lindikator-indikatornya, sedangkan Rho menunjukkan itingkat lkonsistensi internal lantar indikator ldalam satu konstruk [13]. Selanjutnya melakukan uji reliabilitas dilihat dari Tabel 3.
Tabel 3. lHasil Uji Reliabilitasi
Berdasarkan tabel tersebut, nilai PVE (Proportion of Variance Extracted) berada pada rentang 0,89–0,945, yang telah melampaui batas minimal yang ditetapkan. Hal tersebut menggamabarkan bahwa ikonstruk imampu menjelaskanl variansl indikator secara optimal. Selain itu, nilai Dillon-Goldstein’s Rho (Composite Reliability) berada pada kisaran 0,98–0,988, di mana seluruh nilai tersebut juga melebihi batas minimal l0,70. Maka dari itu, ldapat disimpulkanl bahwal setiap konstruk lmemiliki tingkatl konsistensi internal lyang sangat tinggil serta reliabilitas yang sangat baik.
Ujil kesesuaianl model dilakukan untuk mengukur sejauh mana model mampu mencerminkan data empiris secara keseluruhan. Dalam GSCA, evaluasi dilakukan melalui indeks FIT yang imenunjukkan proporsi ivarians iyang dapat idijelaskan model, denganl nilai lberkisar 0–1 dan semakin lmendekati 1 menunjukkan model lsemakin baik. Selain itu, AFIT digunakan sebagai penyesuaian dari FIT. Pengukuran lainnya meliputi GFI yang dinilai baik jika mendekati 1, serta SRMR yang dianggap baik jika mendekati 0 [14]. Hasil dari masing-masing aspek ipenelitian ini idapat dilihat pada itabel 4.
Tabel 4. Hasil Model Fitl
Berdasarkan Tabel 4. lhasil uji lGoodness of lFit, modell penelitian lmenunjukkan kesesuaianl yangl lbaik denganl data lempiris. Nilail FIT sebesar i0,801 mencerminkan ibahwa imodel mampu menjelaskan 80,1% variasi data, sedangkan AFIT sebesar 0,796 menunjukkan kestabilan model setelah penyesuaian. Nilai FITm sebesar 0,929 menandakan model pengukuran sudah baik, meskipun FITs sebesar 0,288 menunjukkan model struktural masih perlu ditingkatkan. Selain itu, nilai GFI sebesar 0,997 yang lmendekati 1 lmenunjukkan lkecocokan lmodel yang sangat baik, dan diperkuat oleh lnilai SRMR sebesar 0,031 yang mendekati 0, sehingga tingkat kesalahan model tergolong rendah. Setelah lmodel dinyatakanl memenuhil lkriteria kelayakan, lselanjutnya ialah melakukan analisis lmodel strukturall guna mengidentifikasi hubungan antar variabel ldalam lpenelitian.
Pada tahap lmodel lstruktural, dilakukanl pengujian untuk mengtuji hubungan lantar lvariabel latenl dalam penelitian lsesuai denganl kerangka lkonseptual yang telah dibangun. Padal model struktural lterdapat uji multikolinearutas dengan melihat nilai iVariance Inflation Factor l(VIF). Modell dinyatakanl bebasl dari multikolinearitasl apabilal nilail lVIF < 3, yang menunjukkan tidak adanya kolinearitas yang serius dalam model [9].
Tabel 4. VIF (Variance iInflation iFactor)
Pada Tabel 4. hasil uji imultikolinearitas lmenunjukkan lseluruh variabel memiliki lnilai VIF < 3, lsehingga tidakl terdapat lmasalah lmultikolinearitas ldalam lmodel struktural. Selanjutnya melakukan analisa path coeficient untuk menunjukkan arah dan kekuatan hubungan anatar variabell llaten. Disajikanl padal Tabel 5.
Tabel 5. Path coefficient
Berdasarkan hasil pengujian Tabel 5. path coefficient, hubungan antar variabel menunjukkan dampak ipositif dan signifikanl yang ldiindikasikan loleh lnilai confidence interval (CI) 95%. Pada Tabel 5., variabel X1 (Harga), X2 (Kualitas Jaringan), dan X3 (Kualitasl lLayanan) lberpengaruh lsignifikan terhadapl Y1 l(Minat Beli), dengan pengaruhl terbesar berasal dari X3 (Kualitas Layanan). Hasil ini sejalan dengan penelit8ian terdahulu [3] yang menyatakan bahwa harga dan kualitas layanan berpengaruh Iterhadap minat belu layanan intrernet. Terhadap Y2 (Keputusan iPembelian), hanya X1 (Harga) dan X2 (Kualitas Jaringan) yang berpengaruhi signifikan, sejalan dengan penelitin terdahulu [3] yang menunjukkan bahwa kualitas jaringan memengaruhi pembelian layanan internet. Sedangkan X3 (Kualitas Layanan) dan Y1 (Minat Beli) tidak signifikan karena nilai CI melintasi nol. Hal tersebut menunjukkan Ikonsumen layanan internet di Surabaya Icenderung lebih mempertimbangkanI faktor yang dapat diamatii secara Ilangsung sebelum pembelian, seperti hargai dan kualitas jaringan. Sementarai itu, pada Y3 (Kepuasan Konsumen) seluruh variabel yaitu iX1 (Harga), X2 (Kualitas Jaringan), X3 (Kualitas Layanan), dan Y2 (Keputusan Pembelian) menunjukkanI pengaruh signifikan, dengan Y2 (Keputusan Pembelian) memberikan pengaruh yang cukup kuat. Analisis selanjutnya akan difokuskan pada pengujian koefisien determinasi guna menilai tingkat lkemampuan variabel leksogen dalam memengaruhi dan lmenjelaskan variabel endogen dalam lmodel lstruktural. Selanjutnya koefisien ldeterminasi dilihat pada Tabel l6.
Tabel 6. Koefisien Determinasil
Berdasarkan Tabel 6. , nilai koefisien determinasi (R²) menunjukkan bahwa Y1 (Minat Beli) sebesar 0,473 dapat dijelaskan oleh X1 (Harga), X2 (Kualitas Jaringan), dan X3 (Kualitas Layanan) lsebesar l47,3%, lsedangkan sisanyal l52,7% ldipengaruhi lvariabel llain. Selanjutnya, Y2 (Keputusan Pembelian) memiliki R² sebesar 0,526, yang berarti dipengaruhi oleh X1 (Harga), X2 (Kualitas Jaringan), X3 (Kualitas Layanan), dan Y1 (Minat Beli) sebesar 52,6%. Adapun Y3 (Kepuasan Konsumen) memiliki R² lsebesar 0,731, yangl menunjukkanl bahwal X1 (Harga), X2 (Kualitas Jaringan), X3 (Kualitas Layanan), dan Y2 (Keputusan Pembelian) mampu menjelaskan 73,1% variasi kepuasan konsumen. Secara keseluruhan, lmodel memiliki kemampuan lpenjelasan lyang cukup lbaik lhingga lkuat, terutama pada variabel Y3 (Kepuasan Konsumen) yang memiliki nilai R² tertinggi.
Persamaan simultan dalam GSCA diperoleh dari lmodel lstruktural (inner model)i yang lmenggambarkan hubunganl antarl variabelllatenl lmelalui koefisien jalur. Setiap variabel endogen dirumuskan berdasarkan pengaruh variabel eksogen maupun endogen lainnya sesuai struktur model. Oleh karena itu, persamaan tidak ditampilkan secara langsung dalam output, tetapi disusun dari hubungan antar konstruk dalam model penelitian. Berikut persamaan simultan: Berdasarkan persamaan simultan, X1 (Harga), X2 (Kualitas Jaringan), dan X3 (Kualitas Layanan)l lberpengaruh positifl terhadapi Y1 (Minatl Beli), Y2 (Keputusan Pembelian), dan Y3 (Kepuasan Konsumen). Pada Y1 (Minat Beli), X3 (Kualitas Layanan) menjadi faktor dominan, diikuti X1 (Harga) dan X2 (Kualitas Jaringan). Pada Y2 (Keputusan Pembelian), X1 (Harga) memiliki pengaruh terbesar, sementara X2 (Kualitas Jaringan) dan X3 (Kualitas Layanan) berpengaruh lebih kecil dan relatif seimbang. Sedangkan pada Y3 (Kepuasan Konsumen), X1 (Harga) kembali menjadi faktor paling dominan, diikuti X3 (Kualitas Layanan), dan X2 (Kualitas Jaringan) sebagai faktor pendukung. Secara keseluruhan, lhasil ini menunjukkanl bahwa lvariabel hargal dan lkualitas llayanan berperan sebagai faktor utama dalaml memengaruhi perilaku lkonsumen.
Pada uji hipotesis, nilai interval kepercayaan (confidence interval) digunakan untuk melihat signifikansi pengaruh antar variabel. Hipotesis diterima apabila nilai interval tidak melewati angka nol, yang menunjukkan adanya pengaruh yang signifikan. Sebaliknya, apabila interval melewati angka nol, maka hipotesis ditolak lkarena tidak terdapatl pengaruh yang lsignifikan [15].
1. Pengaruhl Harga (X1) lterhadap Minat Beli (Y1)
Berdasarkan hasil pengujian hipotesis pertama, diperoleh koefisien jalur sebesar 0,264 dengan interval kepercayaan 95% antara 0,106–0,397 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien yang bernilai positif menandakan hubungan searahl bahwal semakin baikl persepsi harga, maka minat beli semakin meningkat. Dengan ldemikian, H0 lditolak ldan H1 lditerima, yang lmenunjukkan bahwa harga memiliki pengaruh positif dan signifikan terhadap minat beli.
2. Pengaruh Kualitas Jaringan (X2) terhadap Minat Beli (Y1)
Berdasarkanl hasil pengujianl hipotesisl kedua, diperoleh koefisien jalur sebesar 0,148 dengan interval kepercayaan 95% sebesar 0,006–0,313 yang tidak melewati nol, sehingga lmenunjukkan lpengaruh lsignifikan. Koefisien lpositif menandakan lbahwa peningkatanl kualitas jaringan akan meningkatkan minat beli, meskipun pengaruhnya relatif lemah. Dengan ldemikian, H0 ditolakl dan H1 lditerima, yang lberarti kualitasl jaringan berpengaruh positif dan signifikan terhadap minat beli.
3. Pengaruh Kualitas Layanan (X3) terhadap Minat Beli (Y1)
Berdasarkan hasil pengujian hipotesis ketiga, diperoleh koefisien jalur sebesar 0,521 dengan interval kepercayaan 95% sebesarl 0,366–0,688 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif dan relatif besar mengindikasikan lbahwa lkualitas llayanan lmemiliki lpengaruh kuat dalam meningkatkan lminat lbeli. Dengan demikian, H0 lditolak ldan H1 lditerima, yang mengindikasika lkualitas layanan lberpengaruh positif dan lsignifikan lterhadap lminat lbeli.
4. Pengaruh Harga (X1) terhadap Keputusan Pembelian (Y2)
Berdasarkan hasil pengujian hipotesisi keempat, ldiperoleh lkoefisien ljalur lsebesar 0,566 dengan interval kepercayaan 95% sebesar 0,406–0,661 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif dan cukup besar mengindikasikan lbahwa harga memiliki lpengaruh dominan ldalam meningkatkan keputusan pembelian. Dengan ldemikian, H0 iditolak dan H1 lditerima, yang lberarti harga berpengaruhl positifl dan lsignifikan lterhadap lkeputusan lpembelian.
5. Pengaruh Kualitas Jaringan (X2) terhadap Keputusan Pembelian (Y2)
Berdasarkan hasil pengujian hipotesis kelima, diperoleh koefisien jalur sebesar 0,173 dengan interval kepercayaan 95% sebesar 0,056–0,323 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif mengindikasikan bahwa lpeningkatan kualitas jaringan akan meningkatkanl keputusan pembelian. Dengan ldemikian, H0 ditolak dan H1 diterima, yang berarti lkualitas jaringan lberpengaruh positif dan signifikanl terhadap lkeputusan pembelian.
6. Pengaruh Kualitas Layanan (X3) terhadap Keputusan Pembelian (Y2)
Berdasarkan hasil pengujian hipotesis keenam, diperoleh koefisien jalur sebesar 0,139 dengan interval kepercayaan 95% sebesar -0,039–0,311 yang melewati nol, sehingga menunjukkan pengaruh tidak signifikan. Meskipun bernilai positif, pengaruh kualitas layanan relatif lemah terhadap keputusan pembelian.Dengan demikian, H0 iditerima dan H1 ditolak, yang berarti kualitas layanan tidak lberpengaruh signifikanm terhadap keputusanl pembelian.
7. Pengaruh Minat Beli (Y1) terhadap Keputusan Pembelian (Y3)
Berdasarkan hasil pengujian hipotesis ketujuh, diperoleh koefisien jalur lsebesar 0,082 dengan interval kepercayaan 95% sebesar -0,13–0,272 yang melewati nol, sehingga menunjukkan pengaruh tidak signifikan. Meskipun bernilai positif, pengaruh minat beli terhadap keputusan pembelian relatif lemah. Dengan ldemikian, H0 diterima dan H1 ditolak, yang berarti minat beli tidak berpengaruh signifikan terhadap keputusan pembelian.
8. Pengaruh Harga (X1) terhadap Kepuasan Konsumen (Y3)
Berdasarkan hasil pengujian hipotesis kedelapan, diperoleh lkoefisien ljalur lsebesar 0,234 dengan interval kepercayaan 95% sebesar 0,065–0,399 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif mengindikasikan bahwa semakin baik persepsi harga, maka kepuasan konsumen akan meningkat. Dengan ldemikian, H0 lditolak dan lH1 diterima, yang berarti harga berpengaruh positif dan signifikan terhadap kepuasan konsumen.
9. Pengaruh Kualitas Jaringan (X2) lterhadap Kepuasan Konsumen (Y3)
Berdasarkan hasi pengujian hipotesis kesembilan, diperoleh koefisien jalur lsebesar 0,125 dengan interval kepercayaan 95% sebesar 0,011–0,225 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif mengindikasikan bahwa peningkatan kualitas jaringan akan meningkatkan kepuasan konsumen, meskipun pengaruhnya relatif kecil. Dengan ldemikian, H0 ditolak dan H1 diterima, yang lberarti kualitas jaringanL berpengaruhh lpositif dan signifikan lterhadap lkepuasan lkonsumen.
10. Pengaru h Kualitas Layanan (X3) lterhadap Kepuasan Konsumen (Y3)
Berdasarkan hasil pengujian hipotesis kesepuluh, diperoleh koefisien jalur lsebesar 0,352 dengan interval kepercayaan 95% sebesar 0,229–0,49 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif dan cukup besar mengindikasikan bahwa kualitas layanan berpengaruh kuat dalam meningkatkan kepuasan konsumen. Dengan ldemikian, H0 iditolak dan H1 diterima, yang berarti kualitas layanan berpengaruh positif dan signifikan terhadap kepuasan konsumen.
11. Pengaruh Keputusan Pembelian (Y2) terhadap Kepuasan Konsumen (Y3)
Berdasarkan hasil pengujian hipotesis kesebelas, diperoleh koefisien jalur lsebesar 0,437 dengan interval kepercayaan 95% sebesar 0,305–0,606 yang tidak melewati nol, sehingga menunjukkan pengaruh signifikan. Koefisien positif dan cukup besar mengindikasikan bahwa keputusan pembelian berpengaruh kuat dalam meningkatkan kepuasan konsumen. Dengan ldemikian, H0 ditolak dan H1 diterima, yang berarti keputusan pembelian berpengaruh positif dan signifikan terhadap kepuasan konsumen.
Hasil penelitian menunjukkan bahwa harga, kualitasi jaringan, dan kualitas layanan secara umum berpengaruh positif terhadapi minat beli, keputusani pembelian, dan kepuasan konsumen layanan WiFi Biznet di Kota Surabaya. Pada iminat beli, kualitasi layanan menjadii variabel paling dominan, sedangkan pada keputusan pembelian hanya harga dan kualitas jaringan yangi berpengaruh signifikani karena konsumeni cenderung lebih mempertimbangkan faktor yang dapat diamati secara langsung sebelum pembelian. Berdasarkani persamaani simultan, harga menjadi variabel yang paling idominan memengaruhii kepuasan konsumen dengan total pengaruh sebesar 0,491, diikuti kualitas layanan sebesar 0,432 dan kualitas jaringan sebesar 0,206. Nilai R² sebesar 0,731 juga menunjukkan bahwa model memiliki kemampuan penjelasan yang kuat terhadap kepuasani konsumen. Secara praktis, Biznet perlu mempertahankani harga yang kompetitif, meningkatkan kestabilani jaringan, dan memperkuat kualitas layanan guna meningkatkan kepuasan konsumen. Penelitian ini masih terbatas pada imasyarakat di Kota Surabaya yang belum berlangganan WiFi Biznet sehinggai penelitiani selanjutnya disarankani memperluas wilayah penelitian dan imenambahkan variabel lain agar hasili penelitiani lebih komprehensif.
S. M. Prasetiyo, R. Gustiawan, F. R. Albani, et al., “Analisis pertumbuhan pengguna internet di Indonesia,” BIIKMA: Buletin Ilmiah Ilmu Komputer dan Multimedia, vol. 2, no. 1, pp. 65–71, 2024. https://jurnalmahasiswa.com/index.php/biikma/article/view/1032.
M. D. S. Lubis, T. S. Waruwu, and N. G. Silaen, “Perancangan sistem pelayanan internet sederhana untuk kawasan perumahan,” Jurnal Sains dan Teknologi Widya, vol. 1, pp. 178–187, 2022. https://garuda.kemdiktisaintek.go.id/documents/detail/2950307.
S. Desri, M. Zahra, S. Irwan, and R. Maharani, “Analisis pengaruh kualitas pelayanan dan harga terhadap minat beli jasa Indihome di Kota Payakumbuh,” Jurnal Ilmiah Wahana Pendidikan, vol. 10, no. 13, pp. 749–756, 2024. doi: https://doi.org/10.5281/zenodo.12813417.
M. Y. Abdillah, A. W. Rafisa, H. S. Al-Fauziah, N. Saragih, and M. T. Azhari, “Analisis pengaruh harga terhadap keputusan pembelian paket data internet Telkomsel,” EKONOM: Jurnal Ekonomi dan Bisnis, vol. 3, 2023. doi: https://doi.org/10.58432/ekonom.v3i2.418.
M. Febriana and L. Marlina, “Pengaruh harga paket dan kualitas jaringan terhadap kepuasan pelanggan (The Effect of Package Price and Network Quality on Customer Satisfaction),” Jurnal Ekonomi, Manajemen dan Akuntansi, vol. 27, no. 2, pp. 241–251, 2025. doi: 10.30872/jfor.v27i2.2913.
Awaluddin and A. Sakinah, “Pengaruh kualitas jaringan, persepsi harga dan promosi terhadap keputusan pembelian pada segmen milenial dengan minat beli sebagai variabel mediasi,” vol. 11, pp. 154–171, 2021. doi: 10.24252/assets.v11i2.22901.
Y. Rahmadi and Y. Elsandra, “Pengaruh kualitas jaringan, harga dan kualitas pelayanan terhadap loyalitas pelanggan yang dimediasi oleh kepuasan pelanggan,” Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi), vol. 9, no. 1, pp. 2162–2189, 2025. doi: 10.31955/mea.v9i1.5378.
W. Fadila and M. Herlina, “Penerapan metode Generalized Structure Component Analysis pada pengguna dompet digital menggunakan model UTAUT 2,” Jurnal Riset Statistika, vol. 3, pp. 27–34, 2023. doi: 10.29313/jrs.v3i1.1772.
H. Hwang, G. Cho, and H. Choo, “GSCA Pro: Free Stand-Alone Software for Structural Equation Modeling,” Structural Equation Modeling, 2023. doi: https://doi.org/10.1080/10705511.2023.2191823.
J. F. Hair, G. T. M. Hult, C. M. Ringle, and M. Sarstedt, A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd ed. Thousand Oaks, CA: Sage, 2022.
G. W. Cheung, H. D. Cooper-Thomas, R. S. Lau, and L. C. Wang, “Reporting Reliability, Convergent and Discriminant Validity with Structural Equation Modeling: A Review and Best-Practice Recommendations,” Asia Pacific Journal of Management, vol. 41, pp. 745–783, 2024. doi: https://doi.org/10.1007/s10490-023-09871-y.
A. S. Bahkia, Z. Awang, A. Rahman, N. Ayesha, N. A. Rahlin, and A. Afthanorman, “An Explicit Investigation of Occupational Stress and Safety Behavior on the Relationships Between Supportive Leadership and Safety Compliance in Sewerage Industry,” vol. 6, pp. 146–168, 2022. doi: https://doi.org/10.21744/lingcure.v6nS1.1987.
A. A. I. A. Peradnya Dewi, I. D. P. O. Suardi, and G. M. K. Arisena, “The Effectiveness of Communication as a Mediating Variable in Improving the Performance of Layer Chicken Farming,” Jurnal Sosial Ekonomi dan Kebijakan Pertanian, vol. 9, pp. 71–84, 2025.
F. A. Pratiwi, N. N. Debataraja, and S. Martha, “Analisis Derajat Kesehatan di Kalimantan Barat dengan Generalized Structured Component Analysis,” vol. 10, no. 2, pp. 277–286, 2021. doi: https://doi.org/10.26418/bbimst.v10i2.46541.
K. Chinna, “Statistical Significance, Effect Size and Confidence Intervals,” International Journal of Medical Sciences and Nursing Research, vol. 2, no. 4, pp. 3–4, Dec. 2022. doi: 10.55349/ijmsnr.20222434.