COMPONENT-BASED SEM DENGAN PENDEKATAN PARTIAL LEAST SQUARE (STUDI KASUS : TECHNOLOGY ACCEPTANCE MODEL PADA BALAI KIPM KELAS II SEMARANG)

COMPONENT-BASED SEM DENGAN PENDEKATAN PARTIAL LEAST SQUARE (STUDI KASUS : TECHNOLOGY ACCEPTANCE MODEL PADA BALAI KIPM KELAS II SEMARANG) Indah Manfaati Nur dan Sony Sunaryo Institut Teknologi Sepuluh Nopember Surabaya [email protected]

ABSTRAK Optimalisasi penggunaan teknologi informasi dan komunikasi bagi tiap organisasi adalah untuk meningkatkan performansinya. Dalam era modern, pemilihan dan penerapan teknologi informasi dan sistem informasi yang tepatakan memberikan nilai tambah bagi keunggulan kompetitif organisasi.Sumber daya manusia, khususnya pengguna dari sistem tersebut merupakan unsur krusial bagi penerapan teknologi informasi dan komunikasi. Tujuan penelitian ini adalah untuk mengetahui penduga parameter TAM dan mendapatkan bukti empiris pengaruh antar faktor dalam variabel laten pada aplikasi teknologi informasi dan komunikasi di Balai KIPM Kelas II Semarang. Penelitian ini menggunakan pendekatan Technology Acceptance Model (TAM). Sedangkan teknik analisis pemodelannya menggunakan Component Based-SEM dengan pendekatan Partial Least Square. Hasil penelitian ini adalah, untuk estimasi parameter dalam PLS diperoleh tiga estimasi yaitu estimasi bobot, estimasi jalur, serta estimasi rata-rata dan lokasi parameter.Nilai R2 untuk konstruk Perceived Usefulness = 0,440,Intention to Use= 0,521, dan Actual Usage = 0,436, ini berarti variasi Perceived Usefulnessdapat dijelaskan Perceived Ease of Use sebesar44%, variasi Intention to Usedapat dijelaskan Perceived Usefulness dan Perceived Ease of Use sebesar52,1%,variasi Actual Usagedapat dijelaskan Intention to Use sebesar43,6%, sedangkan masing-masing sisanya dipengaruhi oleh variabel lain yang tidak terdapat dalam model penelitian ini. Selanjutnya dari nilai inner weightdapat dibentuk 3 persamaan model structural. Kata kunci : TAM, Component Based-SEM, PartialLeast Square

COMPONENT-BASED SEM BY USING PARTIAL LEAST SQUARE APPROACH (CASE STUDY : TECHNOLOGY ACCEPTANCE MODEL IN BALAI KIPM KELAS II SEMARANG) ABSTRACT Optimizing the use of information and communication technologies is to improve performance of organizations. In the modern era, the selection and application of information technology and information systems appropriate to provide competitive advantages. Human resources, especially users of the system is a crucial element for those application. The purpose of this study was to determine the TAM parameter estimators and obtain empirical evidence of the influence between factors in the latent variabels in the application of information and communication technologies in Balai KIPM Class II Semarang. This study approaches the Technology Acceptance Model (TAM). While analytical modeling techniques using Component-Based SEM with Partial Least Square approach. The results of this study is, to estimate the parameters in the PLS obtained three estimates of the weights estimates, path estimates, mean estimates and the location parameter. R 2 values for the constructs Perceived Usefulness = 0.440,Intention to Use = 0.521 and Actual Usage = 0.436, this means that variations of Perceived Usefulness, can be explained Perceived Ease of Use by 44%, analog to another constructs with a value amounted to 52.1% and 43.6%, while each the rest are influenced by other variabels that are not included in this research model. Further, inner weight values can be shaped 3 structural models. Keywords : TAM,Component Based-SEM, Partial Least Square

338

http://digilib.unimus.ac.id

PENDAHULUAN Latar Belakang Banyak sektor publik, baik swasta atau instansi pemerintah telah menyadari kegunaan dan manfaat dari teknologi informasi dan komunikasi,tujuannya tidak lain adalah untuk mencapai efisiensi dan efektifitas guna meningkatkan performansinya. Dalam era modern, pemilihan dan penerapan teknologi informasi dan sistem informasi yang tepatakan memberikan nilai tambah bagi keunggulan kompetitif organisasi. Berbagai bentuk aplikasi teknologi informasi dan komunikasi terus dibangun dan dikembangkan dalam berbagai bidang antara lain aplikasi e-goverment, e-community, e-commerce, e-learning, ebanking, dan lain sebagainya.Salah satu elemen krusial yang menentukan keberhasilandari penerapan teknologi informasi dan komunikasi dalam organisasi adalah sumberdaya manusia, khususnya adalah pengguna dari sistem yang telah dibangun tersebut. Beberapa model yang dibangun untuk menganalisis dan memahami faktorfaktor yang mempengaruhi diterimanya penggunaan teknologi yang tercatat dalam berbagai literatur dan referensi hasil riset dibidang teknologi informasi salah satunya adalah Technology Acceptance Model (TAM).Metode yang digunakan dalam penelitian ini adalah dengan menggunakan Component-Based SEM dengan pendekatan Partial Least Square (PLS).PLS merupakan metode alternatif dan alat analisis yang powerfull karena tidak didasarkan pada banyaknya asumsi yang rigid dimana data tidak harus berdistribusi normal multivariat dan dapat bekerja pada sampel kecil. Tujuan penelitian ini adalah yang pertama, untuk mengetahui bentuk penduga parameter TAM pada aplikasi teknologi informasi dan komunikasi berbasis jaringan di Balai KIPM Kelas II Semarang menggunakan pendekatan Component Based-SEM Partial Least Square. Tujuan berikutnya adalah untuk mendapatkan bukti empiris pengaruh antar faktor dalam variabel laten untuk membentuk TAM.Hasil yang diharapkan dari penelitian ini dapat menambah wawasan keilmuan dalam mengembangkan pemodelan persamaan struktural dan menerapkan pada model penerimaan teknologi dengan pendekatan Partial Least Square yang diterapkan di lingkungan instansi pemerintah.

339


METODE PENELITIAN Sumber Data Jenis data yang akan digunakan dalam penelitian ini adalah data subyek (self report data) yaitu jenis data penelitian yang berupa opini, sikap, pengalaman atau karakteristik dari seseorang atau sekelompok orang yang menjadi subyek penelitian atau responden. Data dalam penelitian ini adalah data primer dan data sekunder. Sumber data primer pada penelitian ini diperoleh langsung dari para pegawai di Balai KIPM Kelas II Semarang dengan cara membagikan kuesioner yang berisi daftar pertanyaan dan wawancara langsung.Sedangkan data sekunder diperlukan dalam penelitian ini sebagai pendukung penulisan. Sumber data ini diperoleh dari sumber internal pada institusi yang diteliti dan berbagai sumber informasi yang telah dipublikasikan baik jurnal ilmiah maupun literatur yang relevan dengan tema penulisan. Populasi dan Sampel Populasi dalam penelitian ini adalah sumber daya manusia Balai KIPM Kelas II Semarang yang telah menjadi pegawai tetap atau Pegawai Negeri Sipil (PNS) yang berjumlah 45 orang. Sampel yang diambil sebagai responden sebanyak 40 orang yang diambil secara acak, dengan terlebih dahulu semua unit analisis disusun dalam sample frame. Kemudian dari sample frame ditarik sebagai sampel beberapa unsur atau elemen yang akan diteliti. Adapun teknik sampling yang digunakan adalah probability sampling dengan metode pengambilan sampel penelitian dilakukan dengan teknik simple random sampling, dimana sampel yang diambil sedemikian rupa sehingga anggota populasi mempunyai kesempatan atau probabilitas yang sama untuk dipilih menjadi sampel. Jumlah sampel sebanyak 40 tersebut telah memenuhi kriteria jumlah sampel minimum yang direkomendasikan untuk dapat diolah menggunakan PLS (Ghozali, 2011). Identifikasi Variabel Penelitian Dimensi-dimensi yang digunakan dalam membentuk model TAM yang digunakan dalam penelitian ini terdiri dari variabel eksogenus dan endogenus.Variabel eksogenus (Independen) yang digunakan dalam penelitian ini adalahPerceived Ease of Use (kemudahan). Sedangkan Variabel endogenus (Dependen) yang digunakan dalam penelitian ini antara lain adalah Perceived Usefulness (Manfaat), Intention to Use (NiatPenggunaan), dan Actual Usage (Penggunaan Nyata) Selanjutnya dari variabel-variabel laten tersebutdidefinisikan dalam bentuk indikator sebagai berikut : a. Indikator dari Perceived Ease of Use (variabel eksogen / independen) 1. Fleksibilitas 2. Kemudahan untuk dipelajari/dipahami 3. Kemudahan untuk digunakan 4. Kemudahan untuk berinteraksi

340


b. Indikator dari Perceived Usefulness (variabel endogen / dependen) 1. Peningkatkan efektifitas 2. Pemenuhan kebutuhan informasi 3. Peningkatan kinerja 4. Peningkatkan efisiensi c. Indikator dari Intention to Use (variabel endogen / dependen) 1. Keinginanan menambah peripheral pendukung 2. Motivasi untuk tetap menggunakan 3. Keinginan untuk memotivasi pengguna lain d. Indikator dari variabel Actual Usage (variabel endogen / dependen) 1. Penggunaan secara nyata 2. Frekuensi penggunaan 3. Kepuasan pengguna Analisis ini dilakukan berdasarkan tujuan penelitian, adapun langkahlangkahnya sebagai berikut: 1. Estimasi ParameterSEM - Partial Least Square (PLS) : Estimasi parameter pemodelan SEM dengan pendekatan PLS diperoleh melalui proses iterasi tiga tahap dengan menggunakan Ordinary Last Square (OLS) yaitu sebagai berikut:  Tahap pertama menentukan estimasi bobot(Weight Estimate) untuk menetapkan skor atau menghitung data variabel laten.  Tahap kedua menentukan estimasi jalur (estimasi untuk inner dan outer model) yang menghubungkan antar variabel laten dan estimasi loading factor antara variabel laten dengan indikatornya.  Tahap ketiga menentukan estimasi rata-rata dan lokasi parameter untuk indikator dan variabel laten. 2. Langkah-langkah analisis Component Based SEM- Partial Least Square (PLS) : Dalam penelitian ini, analisis data pada SEM-PLS menggunakan bantuan software SmartPLS. a. Mendapatkan model berbasis konsep dan teori untuk merancang model struktural (hubungan antar variabel laten) b. Merancang model pengukuran, yaitu hubungan antara indikator-indikator dengan variabel laten. c. Membuat diagram jalur (path diagram) yang menjelaskan pola hubungan antara variabel laten dengan indikatornya. d. Konversi diagram jalur kedalam bentuk persamaan. e. Melakukan evaluasi goodness of fit yaitu dengan mengevaluasi model pengukuran (outer model) dengan melihat validitas dan reabilitas. Jika model pengukuran valid dan reliabel maka dapat dilakukan tahap selanjutnya yaitu evaluasi model struktural. Jika tidak, maka harus kembali mengkonstruksi diagram jalur. f. Intepretasi output yang diperoleh sesuai dengan model.

341


HASIL DAN PEMBAHASAN Estimasi Parameter SEM – Partial Least Square (PLS) Estimasi parameter pemodelan persamaan struktural dengan pendekatan partial least square diperoleh melalui proses iterasi tiga tahap dan di setiap tahap menghasilkan estimasi. 1. Tahap pertama menghasilkan estimasi bobot (weight estimate) Estimasi bobot bobot diperoleh melalui dua jalan, yaitu mode Idan mode II.Mode Idirancang untuk memperoleh estimasi bobot dengan tipe indikator refleksif, sedangkan mode II dirancang untuk memperoleh estimasi bobot dengan tipe indikator formatif. Mode I Pada modeI bobot adalah koefisien regresi dari pada estimasi inner model .

dalam regresi sederhana (1)

Estimasi untuk modeI diperoleh melalui metode OLS dengan cara meminimumkan jumlah kuadrat , sebagai berikut :

∑

∑(

Kemudian jumlah kuadrat bobot untuk modeI : ( ) ̂ (

diturunkan terhadap

�

Hitung � � : ��

(

(

sehingga diperoleh (2)

)

Mode II Pada modeII vektor dari pembobot berganda dari pada variabel indikator variabel laten : �

)

adalah vektor koefisien regresi yang dihubungkan ke sesama

(3)

) ( )(

) )

Kemudian � � diturunkan terhadap , sehingga diperoleh bobot untuk mode II : ̂( ) (4) Dimana adalah matriks dengan kolom yang didefinisikan oleh variabel indikator yang menghubungkan variabel laten ke-j. Vektor bobot inner

342


model kovarians adalah dari ( dan matriks antara variabel dan .

)(

() adalah) vektor dengan adalah kolom dari kovarians

2. Tahap kedua menghasilkan estimasi jalur yang diperoleh melalui estimasiinner modeldan outer model.

Estimasi Inner Model Dengan mengikuti algoritma PLS dari Wold (1985) dan yang telah diperbaiki ole Lo moller’s (1989), maka estimasi inner model dari standarized variabel laten ( ) didefinisikan dengan ∑

(5)

Dimana bobot inner model dapat dipilih melalui tiga skema yaitu : 1. Skema jalur (path schema) Variabel laten dihubungkan pada yang dibagi kedalam dua grup yaitu : variabel-variabel laten yang menjelaskan dan diikuti dengan variabelvariabel yang dijelaskan oleh . Jika dijelaskan oleh maka adalah koefisien regresi berganda dari . Jika dijelaskan oleh maka adalah korelasi antara dengan . {

(6) ( ) 2. Skema centroid (centroid schema) Bobot inner model merupakan korelasi tanda (sign correlation) antara dari , dan dapat ditulis sebagai berikut : ( ) (7) 3. Skema faktor (factor schema) Bobot inner model merupakan korelasi antara sebagai berikut : ( )

dari

, dan dapat ditulis (8)

Estimasi Outer Model

Estimasi outer model dari standarisasi variabel laten ( ) dengan ratarata = 0 dan standart deviasi = 1, diperoleh melalui kombinasi linear dari pusat variabel manifest melalui persamaan berikut : [∑

̅

]

(9)

Dimana simbol bermakna bahwa variabel sebelah kiri mewakili variabel sebelah kanan yang distandarisasi. Standarisasi variabel laten dapat ditulis dengan persamaan sebagai berikut : (10)

343


Dengan

̅

dan

Sehingga ̂

̃

∑

Dimana koefisien model.

̅

(11)

dan ̃ keduanya dinamakan sebagai pembobot outer

3. Tahap ketiga menghasilkan estimasi rata-rata (mean) dan lokasi parameter (konstanta). Pada tahap ini, estimasi didasarkan pada matriks data asli dan hasil estimasi bobot dan koefisien jalur pada tahap kedua, tujuannya untuk menghitung ratarata dan lokasi parameter. Estimasi Rata-rata (Mean) Estimasi rata-rata (mean) diperoleh melalui persamaan sebagai berikut : (12) Dengan ̃

∑

∑ ∑

Analogi : ̂∑

̃

̅ ̃ ̃

̅

∑

̃ ̅

̂

Sehingga: ̃ ̅ ∑ ̂ (13) ̃ Dimana didefinisikan sebagai pembobot dari outer model, dengan semua variabel indikator yaitu pengamatan pada skala pengukuran yang sama. Menurut Fornell (1982), mengatakan bahwa jika estimasi variabel laten pada skala asli maka : ∑

∑

̃

(14) ̃

Persamaan diatas dimungkinkan ketika semua pembobot dari outer model positif. Seringkali di dalam aplikasi nyata, estimasi variabel laten memerlukan skala 0 – 100 agar memiliki acuan skala untuk di bandingkan dengan score individu. Sehingga untuk kasus pengamatan ke-i, lebih muda diperoleh melalui transformasi sebagai berikut :

344


Dimana dan adalah nilai minimum dan maksimum dari skala pengukuran umum untuk semua variabel indikator.

Estimasi Lokasi Parameter Secara umum koefisien jalur adalah koefisien regresi berganda dari variabel laten endogen yang distandarisasi pada variabel laten eksogen . ∑

(15)

Pada saat variabel laten memusat (non centered) ̂ adalah sama dengan ̂. persamaan regresi pada saat variabel laten ̂ tidak memusat adalah : ̂∑

̂

(̂

∑

̂∑

̂

̂ )

(

̂

∑

̂

∑

̂

Dengan : ̂ ∑ ̂ Jadi lokasi parameternya adalah konstanta rata-rata ̂ untuk variabel laten eksogen.

̂ )

∑

̂

untuk variabel laten endogen dan

Estimasi Model Fit SEM - PLS

Analisis Model Persamaan Struktural dengan SEM - Partial Least Square (PLS) 1. Konstruksi Diagram Jalur

�1

�11

1

�21

�21

�2

�32

�3

Gambar 3.1 Kerangka Konseptual Penelitian Berdasarkan Model Persamaan Struktural

345


Konversi Diagram Jalur ke Persamaan Outer Model Untuk

variabel (refleksif)

Untuk variabel (refleksif)

laten � � � � � � � �

laten

eksogen

Untuk variabel (refleksif)

laten

endogen

2

endogen

3

�

endogen

1

Untuk

variabel (refleksif)

� � � � � � � � laten �

�

Inner Model

1

� � � � � � � � � � � ∑��

� � � � � � �

� ∑ �� Dimana : � variabel endogen � variabel eksogen � pengaruh variabel laten endogen ke-i terhadap variabel endogen ke-j � pengaruh variabel laten eksogen ke-b terhadap variabel endogen ke-j � residual (error) variabel laten endogen ke-j

346


Berikut ini adalah diagram jalur dari model konseptual penelitian

Gambar 3.2 Diagram jalur persamaan struktural PLS dengan software Smart PLS

2. Evaluasi Model a. Evaluasi Model Pengukuran (Outer Model) Convergen Validity(Validitas Konvergen) Untuk mengetahui apakah suatu indikator merupakan pembentuk konstruk dilakukan pengujian validitas konvergen.Berdasarkan hasil pengujian menunjukkan bahwa nilai loading factor untuk masing-masing konstruktelah memenuhi convergent validity karena semua loading factor >0,5. Selain itu dari hasil uji signifikansi dengan uji t, menunjukkan bahwa seluruh nilai Tstatistik> 1,96(uji dua sisi) dengan taraf signifikansi . Dengan demikian seluruh indikator dalam variabel konstruk dapat dinyatakan valid. Reliability Composite(Reliabilitas Komposit) Uji reliabilitas komposit bertujuan untuk mengukur reliabilitas variabel konstruk atau konsistensi dari alat ukur. Nilai reliabilitas komposit dikatakan baik jika telah memenuhi kriteria yang disarankan > 0,7 (Ghozali, 2006). Pada penelitian ini, nilai reliabilitas komposit masing-masing konstruk untuk Perceived Usefulness=0.894,Perceived Ease of Use = 0.923, Intention to Use= 0.920, dan Actual Usage = 0.887. Hal ini menunjukkan nilai reliabilitas komposit yang baik yaitu > 0,7. Dengan demikian dapat dikatakan bahwa masing-masing konstruk reliable.Reliabel disini berarti indikator-indikator yang digunakan mampu untuk mengukur konstruknya. Evaluasi Model Struktural (Inner Model) Model struktural dapat dievaluasi dengan melihat nilai R2 pada variabel endogen dan koefisien parameter jalur (path coeficient parameter). Berikut hipotesis yang diajukan dalam penelitian ini adalah : H1 :Persepsi kemudahan penggunaan teknologi berpengaruh terhadap persepsi kemanfaatan penggunaan teknologi

347


H2 :Persepsi kemudahan penggunaan teknologi berpengaruh terhadap perilaku penggunaan teknologi H3: Persepsi kemanfaatan penggunaan teknologi berpengaruh terhadap perilaku penggunaan teknologi H4 : Perilaku penggunaan teknologi yang berpengaruh terhadap penggunaan teknologi secara nyata Menguji model pertama �

�

�

Perceived Ease of Use (Kemudahan) berpengaruh positif dan signifikan terhadap Perceived Usefulness (Manfaat). Hal ini ditunjukkan melalui koefisien jalur yang bertanda positif sebesar 0,664 dengan nilai T-statistik 9,617 > T tabel 1,96 (uji dua sisi) dengan taraf signifikansi . Sehingga model yang dihasilkan �

Nilai R2 untuk Perceived Usefulness (Manfaat) sebesar 0,440 artinya variasi persepsi kemanfaatan dapatdijelaskan oleh Perceived Ease of Use (Kemudahan)sedangkan sisanya 56% dijelaskan oleh variabel lain yang tidak terdapat di dalam model penelitian ini. Menguji model kedua �

�

�

�

�

Perceived Ease of Use (Kemudahan) berpengaruh positif dan signifikan terhadap Intention to Use (Niat Penggunaan). Hal ini ditunjukkan melalui koefisien jalur yang bertanda positif sebesar 0,477 dengan nilai T-statistik 2,771> T tabel 1,96 (uji dua sisi) dengan taraf signifikansi . Sedangkan Perceived Usefulness (Manfaat) berpengaruh positif dan signifikan terhadap Intention to Use (Niat Penggunaan). Hal ini ditunjukkan melalui koefisien jalur yang bertanda positif sebesar 0,311 dengan nilai T-statistik 2,010 > T tabel 1,96 (uji dua sisi) dengan taraf signifikansi . Sehingga model yang dihasilkan : �

�

Nilai R2 untuk Intention to Use (Niat Penggunaan) sebesar 0,521 artinya variasi niat penggunaan dapat dijelaskan oleh Perceived Ease of Use (Kemudahan) danPerceived Usefulness (Manfaat) sebesar 52,1% sedangkan sisanya 47,9% dijelaskan oleh variabel lain yang tidak terdapat di dalam model penelitian ini. Menguji model ketiga 348


�

�

�

�

Intention to Use (Niat Penggunaan)berpengaruh positif dan signifikan terhadap Actual Usage (Penggunaan secara nyata). Hal ini ditunjukkan melalui koefisien jalur yang bertanda positif sebesar 0,660 dengan nilai T-statistik 8,246> T

349


tabel1,96 (uji dua sisi) dengan taraf signifikansi menjadi � �

. Sehingga model

Nilai R2 untuk Actual Usage (Penggunaan secara nyata) sebesar 0,436 artinya variasi penggunaan secara nyata dapat dijelaskan oleh Intention to Use (Niat Penggunaan) sebesar 43,6% sedangkan sisanya 56,4% dijelaskan oleh variabel lain yang tidak terdapat di dalam model ini.

KESIMPULAN Berdasarkan analisis data dan pembahasan hasil penelitian maka dapat ditarik kesimpulan sebagai berikut : 1. Estimasi parameter dari Structural Equation Modeling (SEM) berbasis varians dengan pendekatan Partial Least Squre (PLS)  Estimasi bobot yang diperoleh melalui mode I dan mode II Bobot pada mode I diperoleh melalui turunan pertama dari koefisien ( ) , sedangkan mode II regresi sederhana dari Zj yaitu ̂ (

2.

)

diperoleh melalui turunan pertama dari vektor koefisien regresi berganda Xjh yaitu ̂ ( )  Estimasi jalur yang diperoleh melalui estimasi inner model dan estimasi outer model yaitu diperoleh melalui skema centroid yaitu : ( ) , skema faktor yaitu : ( ) , dan skema jalur yang merupakan koefisien regresi berganda Yi dari Yj dan ( ). ̅ dan estimasi  Estimasi rata-rata yang diperoleh yaitu ̂ ∑ ̃ lokasi parameternya adalah konstanta untuk variabel laten endogen dan rata-rata ̂ untuk variabel laten eksogen. Sedangkan model fit dari Component-Based SEM dengan pendekatan Partial Least Square (PLS) untuk model TAM adalah sebagai berikut :  Perceived Ease of Use (Kemudahan) berpengaruh positif dan signifikan terhadap Perceived Usefulness (Manfaat). Model struktural yang dihasilkan adalah :�  Perceived Ease of Use (Kemudahan) berpengaruh positif dan signifikan terhadap Intention to Use (Intensitas Penggunaan). Begitu pula denganPerceived Usefulness (Manfaat) berpengaruh positif dan signifikan terhadap Intention to Use (Intensitas Penggunaan). Model struktural yang dihasilkan adalah : � �  Intention to Use (Intensitas Penggunaan)berpengaruh positif dan signifikan terhadap Actual Usage (Penggunaan Secara Nyata). Model struktural yang dihasilkan adalah : �

3.

�

Interpretasi nilai R2 350


Nilai R2 untukPerceived Usefulness (Manfaat) = 0,440, Intention to Use (Niat Penggunaan)= 0,521, Actual Usage(Penggunaan Nyata) = 0,436. Hal ini

351


berarti variabilitas (keragaman) variabel dependen yang dapat dijelaskan variabel independen secara berurutan masing-masing sebesar 44%, 52,1%, dan 43,6%. Sedangkan masing-masing prosentase sisanya dijelaskan oleh variabel lain yang tidak terdapat di dalam model penelitian ini. DAFTAR PUSTAKA Chin, W. 1998. The Partial Least Square Approach for Structural Equation Modeling. Cleveland. Ohio. Fornell, C. and Bookstein, F. 1982. Two Structural Equation Models: LISREL and PLS Applied to Consumer Exit-Voice Theory. Journal of Marketing Research.19. 440-452. Ghozali, Imam. 2011. Structural Equation Modeling Metode Alternatif dengan PLS. Badan Penerbit UNDIP : Semarang Lohmoller, J.B. 1989.Latent Variable Path Modeling eith Partial Least Squares.Heidelberg. Germany. Physica. Verlag Wold, H. 1985. Partial Least Square. In S Kotz & N.L.Johnson (Eds). Encyclopedia of Statistical Sciences. Vol 8 (pp. 587-599). New York. Wiley.

352


COMPONENT-BASED SEM DENGAN PENDEKATAN PARTIAL LEAST SQUARE (STUDI KASUS : TECHNOLOGY ACCEPTANCE MODEL PADA BALAI KIPM KELAS II SEMARANG)

Recommend Documents