ANALISIS TINGKAT PENERIMAAN IMPLEMENTASI JOBCARD BARCODING SYSTEM MENGGUNAKAN TECHNOLOGY ACCEPTANCE MODEL PADA UNIT BASE MAINTENANCE PT. GARUDA MAINTENANCE FACILITY AEROASIA Putu Yoga Widhi Yasa, Patdono Suwignjo, dan Syarifa Hanoum Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email:
[email protected] ;
[email protected] ;
[email protected]
ABSTRAK PT. Garuda Maintenance Facility AeroAsia (PT. GMF AA) adalah perusahaan MRO (Maintenance, Repair and Overhaul) terbesar di Indonesia. Dalam upaya meningkatkan daya saingnya, PT. GMF AA melakukan improvement melalui penerapan Jobcard Barcoding System yang bertujuan untuk mencatat manhours dalam penyelesaian suatu pengerjaan secara akurat. Tujuan penelitian ini adalah untuk memodelkan tingkat penerimaan pengguna terhadap Jobcard Barcoding System pada unit Base Maintenance dengan Technology Acceptance Model (TAM) untuk kemudian dirancang suatu langkah-langkah perbaikan untuk meningkatkan tingkat penerimaan yang ada. Tingkat penerimaan diukur menggunakan kuesioner dan kemudian diuji keseuaiannya terhadap TAM menggunakan Structural Equation Modelling (SEM). Dari hasil penilaian dan pengujian dapat disimpulkan bahwa tingkat penerimaan user terhadap implementasi Jobcard Barcoding System masih cukup rendah. Berdasarkan model yang dihasilkan, dapat diusulkan tiga langkah perbaikan terhadap tingkat penerimaan tersebut. Kata kunci: Jobcard Barcoding System; tingkat penerimaan; Technology Acceptance Model (TAM); Structural Equation Modelling (SEM).
ABSTRACT PT. Garuda Maintenance Facility AeroAsia (PT. GMF AA) is the largest MRO (Maintenance, Repair, and Overhaul) company in Indonesia. To Increase it’s competitiveness, PT. GMF AA is applying Jobcard Barcoding System so it can record accurately manhours used to finish a task. The goal of this research is to modelling Jobcard Barcoding System user acceptance at Base Maintenance using Technology Acceptance Model (TAM) then using it to design improvement step. User acceptance measured using questionaire then examined it’s fitness to TAM using Structural Equation Modelling (SEM). From output of the questionaire and the test, we can conclude that user acceptance for Jobcard Barcoding System is still low. From the model, we can arrange three suggestions to increase the user acceptance of Actual Usage construct. Keywords: Jobcard Barcoding System; user acceptance; Technology Acceptance Model (TAM); Structural Equation Modelling (SEM).
1.
Pendahuluan Industri Penerbangan merupakan salah satu industri dengan perkembangan yang cukup signifikan di Indonesia. Hal tersebut dapat dilihat dari indeks perkembangan industri penerbangan yang mencapai 15% dalam 4 tahun terakhir sebelum tahun 2009 (Detik finance, 30 Oktober 2009). Tidak hanya itu, industri penerbangan juga merupakan industri yang memiliki pengaruh besar terhadap pertumbuhan ekonomi dunia. Bahkan Oxford Economic memprediksi bahwa di tahun 2026 industri penerbangan akan menciptakan 60 juta lapangan pekerjaan dan pendapatan produk domestik
bruto (PDB) dunia sebesar 3,6 triliun dolar AS (Berita Sore, 30 Oktober 2009). Perkembangan industri penerbangan akan meningkatkan jumlah kebutuhan akan perawatan dan perbaikan pesawat dari maskapai-maskapai penerbangan yang ada. Bertambahnya kebutuhan tersebut secara otomatis akan semakin meningkatkan persaingan antar industri jasa perawatan dan perbaikan pesawat (MRO Industry). Oleh karena itu, setiap MRO Industry harus dapat melakukan peningkatan terhadap setiap proses yang telah ada di dalam industri tersebut agar dapat merebut pangsa pasar yang lebih besar. PT.
Garuda Maintenance Facility AeroAsia (PT. GMF AA) merupakan anak perusahaan dari PT. Garuda Indonesia yang bergerak di bidang industri jasa perawatan dan perbaikan pesawat (MRO Industry). Sebagai salah satu MRO Industry berskala internasional, PT.GMF AA melayani perawatan dan perbaikan pesawat yang meliputi perawatan line Maintenance hingga overhaul, perawatan dan perbaikan mesin serta komponen pesawat, modifikasi dan juga melaksanakan cabin refurbinshment. Untuk melaksanakan berbagai pelayanan tersebut, PT. GMF AA didukung oleh beberapa unit produksi antara lain Base Maintenance, Line Maintenance, Engine Maintenance, Component Maintenance. Untuk meningkatkan daya saingnya, PT. GMF AA berupaya untuk mengimplementasikan beberapa program yang diharapkan dapat meningkatkan produktifitas perusahaan. Salah satu program yang telah mulai diimplementasikan oleh perusahaan adalah Jobcard Barcoding System yang bertujuan untuk me-record manhours secara lebih tepat dan akurat. Latar belakang diimplementasikannya Jobcard Barcoding System ini adalah karena selama ini pencatatan manhours yang telah dilakukan masih menggunakan cara manual. Hal tersebut menyebabkan tingginya unsur subjektifitas dan sering terjadinya rekayasa dalam pencatatan manhours. Sehingga dengan adanya Jobcard Barcoding System diharapkan pencatatan manhours aktual yang diterapkan akan memberikan hasil yang benar-benar akurat dan dapat menjadi input bagi penentuan standar manhours yang ada saat ini. Namun dalam implementasi di lapangan, Jobcard Barcoding System belum sepenuhnya dapat diterima oleh pihak-pihak yang berkaitan terutama oleh mekanik selaku pengguna langsung dari Jobcard Barcoding System. Hal ini dapat dilihat dari masih adanya upaya mekanik untuk menolak penggunaan barcode dalam pencatatan manhours dengan masih tetap menggunakan pencatatan secara manual. Bahkan untuk beberapa pengerjaan pesawat, pencatatan manhours secara manual mencapai 50% dari keseluruhan manhours aktual yang tercatat sehingga data yang dihasilkan tidak seakurat yang diharapkan.
Oleh karena itu, dalam penelitian ini akan digunakan metode Technology Acceptance Model (TAM) yang akan memodelkan perilaku pengguna atau user dalam penerimaan terhadap implementasi teknologi baru, di dalam hal ini adalah teknologi Jobcard Barcoding System. Metode TAM digunakan di dalam penelitian ini karena telah terbukti dapat menunjukkan tingkat penerimaan implementasi teknologi baru, khususnya yang berbasis komputasi, berdasarkan hasil fase percobaan implementasi awal dari teknologi baru tersebut. Hal tersebut sesuai dengan keadaan pada perusahaan yang saat ini sedang melaksanakan fase implementasi awal Jobcard Barcoding System. Dengan demikian diharapkan metode tersebut dapat menangkap faktor-faktor utama dari perilaku user dalam menerima teknologi baru. Hubungan antara faktor-faktor dalam model tersebut kemudian akan diuji dengan menggunakan metode Structural Equation Modelling (SEM) yang dibantu dengan software LISREL v8.30. Dengan demikian akan diketahui faktor-faktor utama dalam perilaku penerimaan user yang saling berhubungan. Dari faktor-faktor tersebut diharapkan dapat diketahui faktor-faktor yang menimbulkan penerimaan user terhadap teknologi baru sehingga dapat disusun suatu langkah perbaikan untuk meningkatkan tingkat penerimaan user terhadap implementasi teknologi barcode yang telah diterapkan. Tujuan dari penelitian ini antara lain adalah memodelkan perilaku penerimaan user terhadap implementasi Jobcard Barcoding System. Kemudian dari model yang telah diuji, disusun suatu langkah perbaikan untuk meningkatkan tingkat penerimaan yang ada. Manfaat yang dapat diperoleh dari penelitian ini yaitu memberikan masukan sebagai bahan pertimbangan perusahaan dalam menyusun suatu langkah perbaikan yang dapat meningkatkan penerimaan user terhadap implementasi Jobcard Barcoding System. Pembahasan penelitian ini dibatasi pada implementasi Jobcard Barcoding System di unit Base Maintenance PT GMF AA yang meliputi perawatan pesawat wide body di Hangar 1 dan perawatan pesawat narrow body di Hangar 3. Selain itu, Data yang digunakan di dalam penelitian merupakan data primer berupa kuesioner tanggapan atau perilaku user terhadap implementasi Jobcard Barcoding System dari bulan Agustus-Desember 2009. Penelitian ini
2
menggunakan beberapa asumsi yaitu tidak terjadi perubahan proses perawatan pesawat maupun perubahan kebijakan dalam prosedur perawatan pesawat oleh pihak manajemen perusahaan. Asumsi lain yang digunakan adalah Tidak terdapat perubahan prosedur pelaksanaan pencatatan manhours dengan Jobcard Barcoding System oleh pihak manajemen perusahaan. 2.
Metodologi Penelitian Metodologi penelitian dibuat agar dalam penelitian ilmiah yang dilaksanakan tidak ada langkah yang terlewati sehingga tujuan penelitian tersebut dapat tercapai secara sistematis. Pembuatan metodologi penelitian tersebut disesuaikan dengan permasalahan apa yang akan diselesaikan.
Tahap identifikasi masalah dilakukan melalui proses brainstorming dengan berbagai pihak yang terkait dengan implementasi Jobcard Barcoding System pada unit Base Maintenance yang meliputi Tim Manhours Productivity, dan pihak internal unit Base maintenance PT. GMF AA. Selain itu, juga dilakukan observasi lapangan mengenai kondisi implementasi Jobcard Barcoding System pada unit Base Maintenance. Tujuan dari pelaksanaan proses brainstorming dan observasi lapangan tersebut adalah untuk memperoleh gambaran lengkap mengenai proses perawatan dan perbaikan pesawat terbang. Disamping itu, juga diharapkan dapat diperoleh gambaran mengenai proses dan kondisi implementasi Jobcard Barcoding System dilapangan beserta permasalahan yang terjadi. Setelah dilakukan identifikasi permasalahan, langkah selanjutnya adalah merumuskan permasalahan yang terdapat pada objek penelitian, yaitu implementasi Jobcard Barcoding System, serta menetapkan tujuan yang ingin dicapai dalam penelitian yang akan dilakukan. Penetapan tujuan dilakukan agar penelitian memiliki arah yang jelas. Selanjutnya dilakukan tahap studi pustaka dan literatur yang merupakan tahap pendalaman materi tentang permasalahan yang akan diangkat. Dimana guna mendukung pelaksanaan penelitian, diberikan wawasan dan landasan teori yang cukup seputar metode maupun solusi yang akan diimplementasikan sesuai dengan kondisi objek penelitian. Pada tahap ini dilakukan pemilihan TAM sebagai model dasar yang digunakan didalam penelitian.
Pemilihan TAM sebagai model dasar yang digunakan didalam penelitian didasarkan pada kondisi penerimaan user dilapangan. Dari hasil wawancara yang telah dilakukan, dapat diketahui bahwa penyebab munculnya resistensi user dikarenakan belum dirasakannya manfaat dan kemudahan penggunaan Jobcard Barcoding System. Hal tersebut sesuai dengan metode TAM yang menjelaskan bahwa tingkat penerimaan user dipengaruhi persepsi kemudahan penggunaan dan persepsi kemanfaatan dari teknologi baru tersebut. Pada saat yang bersamaan dilakukan tahap perencanaan penelitian yaitu suatu tahap perencanaan mengenai langkah–langkah yang harus ditempuh dalam pelaksanaan penelitian. Pembuatan perencanaan ini bertujuan untuk memberikan koridor atau tahap yang jelas terhadap pelaksanaan penelitian. Sehingga pelaksanaan penelitian dapat berjalan secara sistematis. Tahap selanjutnya adalah tahap pengumpulan data, dimana tahap pertama yang harus dilakukan adalah tahap pembuatan kuesioner. Pada tahap pembuatan kuesioner dilakukan penyusunan kuesioner berdasarkan indikator-indikator yang menjelaskan variabelvariabel atau construct dari TAM yang digunakan di dalam penelitian. Indikatorindikator tersebut dibentuk berdasarkan beberapa penelitian yang telah dilakukan sebelumnya serta berdasarkan kondisi riil dilapangan. Tahap selanjutnya adalah tahap penyebaran kuesioner. Tahap ini dilakukan dengan menyebarkan kuesioner yang telah dibuat kepada pihak-pihak yang terkait. Berdasarkan data yang telah diperoleh pada langkah sebelumnya, selanjutnya dilakukan pengolahan data berdasarkan metode SEM yang digunakan pada penelitian ini. Pengolahan data ini dilakukan sesuai dengan langkah-langkah di dalam metode SEM dengan bantuan software LISREL v8.30. Tahap awal yang harus dilakukan adalah tahap pengembangan model berbasis teori. Tahap ini merupakan tahapan awal dari proses SEM. Pada tahapan ini dilakukan pengembangan model berdasarkan konsep teori yang telah terdefinisikan sebelumnya dimana teori yang digunakan adalah TAM. Dimana fokus utama dari penelitian ini adalah untuk mengetahui tingkat penerimaan user terhadap implementasi Jobcard Barcoding System. Di dalam penjelasan
3
tentang metode TAM pada bab II, terdapat 6 variabel atau construct yang menyusun metode TAM tersebut. Namun dari keseluruhan construct tersebut, hanya 5 construct yang digunakan secara umum. Construct tersebut meliputi Perceived Ease of Use, Perceived Usefulness, Attitude Toward Using, Behavioral Intention dan Actual Usage. Oleh karena itu, di dalam penelitian ini digunakan 5 construct seperti yang telah dijelaskan tersebut. Berdasarkan model TAM yang digunakan sebagai model dasar di dalam penelitian, maka dapat dirumuskan beberapa hipotesis yang akan diuji didalam penelitian ini, yaitu :
model maka perlu dilakukan langkah respesifikasi model untuk memodifikasi model yang dihipotesiskan dan kemudian dilakukan pengulangan proses kembali dari tahap konstruksi diagram alur. Setelah itu dilakukan tahap konversi diagram alur ke dalam persamaan. Pada tahap ini, hubungan kausalitas yang telah dibuat di dalam path diagram yang telah dinyatakan valid kemudian diubah kedalam bentuk persamaan. Adapun tujuan dari langkah ini adalah untuk mengetahui nilai dari hubungan kausalitas antar variabel tersebut berdasarkan persamaan yang telah ditentukan tersebut.
H1: Variabel atau construct laten Perceived Usefulness dipengaruhi secara langsung oleh variabel laten Perceived Ease Of Use.
Setelah dilakukan pengolahan data dengan metode SEM, maka tahap selanjutnya adalah tahap analisis dan interpretasi data. Tahap pertama yang harus dilakukan adalah tahap analisis hasil pengolahan SEM dimana tahap tersebut dilakukan dengan melakukan analisa terhadap pengolahan data yang telah dilakukan dengan metode SEM menggunakan software LISREL v8.30. Analisis yang dilakukan meliputi analisis terhadap setiap langkah SEM yang telah digunakan di dalam pengolahan kuesioner. Dari hasil analisa ini akan dapat diketahui kecocokan model yang dapat menggambarkan tingkat penerimaan user terhadap implementasi Jobcard Barcoding System dilapangan. Tahap tersebut kemudian dilanjutkan dengan tahap analisis tahap-tahap perbaikan. Tahap analisis langkah-langkah perbaikan dilakukan berdasarkan hasil pengolahan data sebelumnya yang dapat menggambarkan tingkat penerimaan user terhadap implementasi Jobcard Barcoding System dilapangan. Dari model atau gambaran tersebut kemudian disusun suatu langkah perbaikan yang diharapkan dapat memecahkan hambatan implementasi Jobcard Barcoding System sehingga dapat meningkatkan tingkat penerimaan user dilapangan. Kemudian tahap tersebut dilanjutkan dengan tahap penarikan kesimpulan dan saran sebagai tahap terakhir di dalam penelitian.
H2: Variabel atau construct laten Attitude Toward Using dipengaruhi secara langsung oleh variabel laten Perceived Ease Of Use dan Perceived Usefulness. H3: Variabel atau construct laten Behavioral Intention dipengaruhi secara langsung oleh variabel laten Attitude Toward Using dan Perceived Usefulness. H4:
Variabel atau construct laten Actual Use dipengaruhi secara langsung oleh variabel laten Behavioral Intention.
Tahap selanjutnya adalah tahap mengkonstruksi diagram alur atau path diagram. Tahap tersebut dilakukan dengan menggambarkan model ke dalam bentuk path diagram. Tujuan pembentukan path diagram adalah untuk memberikan kemudahan dalam mengetahui hubungan kausalitas variabelvariabel yang diuji, yang meliputi variabel eksogen dan endogen. Selanjutnya adalah tahap estimasi parameter, dimana pada tahap ini dilakukan estimasi terhadap parameterparameter yang telah ditentukan sebelumnya. Dari hasil estimasi tersebut diharapkan akan dapat diketahui kedekatan antara matriks kovarians prediksi dengan matriks kovarians suatu sampel data. Kemudian dilakukan tahap uji kecocokan model dengan melakukan pengukuran terhadap kesesuaian model yang dihipotesiskan. Tujuan dari pengukuran tersebut adalah untuk mengetahui apakah model yang kita hipotesiskan merupakan model yang dapat merepresentasikan hasil dari penelitian yang dilakukan. Apabila terjadi ketidakcocokan
3.
Pengumpulan dan Pengolahan Data
3.1 Survey Tingkat Penerimaan Jobcard Barcoding System Di dalam memodelkan tingkat penerimaan user terhadap implementasi Jobcard Barcoding System dengan model TAM, diperlukan data primer yang berasal dari
4
kuesioner. Kuesioner yang digunakan harus dapat menggambarkan tingkat penerimaan user terhadap Jobcard Barcoding System dilapangan. Oleh karena itu di dalam proses penyusunan kuesioner, pertanyaan yang digunakan di dalam kuesioner tersebut harus disesuaikan dengan indikator-indikator yang dapat menjelaskan construct di dalam metode TAM yang digunakan di dalam penelitian. Seperti penjelasan tentang metode TAM pada bab II, terdapat 6 variabel atau construct yang menyusun metode TAM tersebut. Namun dari keseluruhan construct tersebut, hanya 5 construct yang digunakan secara umum. Construct tersebut meliputi Perceived Ease of Use (PEOU), Perceived Usefulness (PU), Attitude Toward Using (ATU), Behavioral Intention (BI), dan Actual Usage (AU). Oleh karena itu, di dalam penelitian ini digunakan 5 construct seperti yang telah dijelaskan. Tabel 3.1 merupakan penjelasan mengenai construct TAM dan indikatornya yang digunakan di dalam penelitian ini :
3
4
Tabel 3.1 Construct dan Indikator TAM No 1
2
Variabel/Construct TAM Perceived Ease of Use (PEOU)
Perceived Usefulness (PU)
Indikator Mudah untuk dipelajari (PEOU1) Kemudahan untuk digunakan (PEOU2) Kemudahan untuk dipahami (PEOU3) Kemudahan untuk diingat (PEOU4) Ketersediaan petunjuk penggunaan (PEOU5) Kemudahan untuk mengakses (PEOU6)
Memberikan hasil yang akurat (PU1)
Sumber Davis (1989)
5
Penting bagi pekerjaan (PU4) Menjadikan pekerjaan lebih mudah (PU5) Meningkatkan produktivitas user (PU6) Memotong waktu yang tidak produktif (PU7) Attitude Toward Rasa suka dalam Using menggunakan (ATU) (ATU1) Penggunaan menimbulkan antusiasme (ATU2) Keinginan untuk menggunakan secara mandiri (ATU3) Behavioral Motivasi untuk tetap Intention menggunakan (BI) (BI1) Rencana tetap menggunakan dimasa depan (BI2) Memotivasi pengguna lain untuk menggunakan (BI3) Motivasi untuk memberi masukan bagi penggunaan (BI4) Actual Usage Kejujuran dalam (AU) penggunaan (AU1)
Davis (1989)
Davis (1989)
Davis (1989)
Davis (1989) Lin et al (2008) Lin et al (2008) Berdasarkan kondisi riil Lin et al (2008) Lin et al (2008) Berdasarkan kondisi riil Berdasarkan kondisi riil Berdasarkan kondisi riil
Davis (1989)
Kesesuaian dengan prosedur (AU2)
Davis (1989)
Kepuasan Penggunaan Berdasarkan (AU3) kondisi riil
Davis (1989)
Kenyamanan dalam penggunaan (AU4)
Berdasarkan kondisi riil
Berdasarkan kondisi riil
Davis (1989)
Berdasarkan kondisi riil
Berdasarkan kondisi riil
Menjawab kebutuhan Davis (1989) (PU2) Kontrol bagi pekerjaan Davis (1989) (PU3)
Setelah dilakukan penyusunan kuesioner, maka langkah selanjutnya di dalam penelitian ini adalah penyebaran kuesioner tersebut. Penyebaran kuesioner dilakukan pada unit Base Maintenance PT. GMF AA, dimana responden dari kuesioner tersebut adalah leader mechanic, dan mekanik selaku pengguna langsung dari Jobcard Barcoding System. Jumlah kuesioner yang disebarkan berjumlah 150 lembar kuesioner, dimana jumlah kuesioner yang kembali dan dapat diolah lebih lanjut adalah sebanyak 106 lembar kuesioner. Hal tersebut sesuai dengan jumlah sampel yang dibutuhkan oleh metode SEM yang digunakan di dalam penelitian ini, dimana jumlah sampel
5
data yang disarankan adalah berkisar antara 100 hingga 200 data (Yamin dan Kurniawan, 2009). 3.2 Konstruksi Diagram Alur Setelah construct TAM dan indikatornya telah disusun di dalam langkah selanjutnya, maka langkah selanjutnya adalah menggambarkan construct TAM dan indikator tersebut kedalam bentuk path diagram. Tujuan penggambaran path diagram adalah untuk mengetahui hubungan kausalitas antara variable-variabel yang diuji di dalam penelitian ini. Gambar 3.1 adalah path diagram awal yang menjelaskan permasalahan penelitian : PU1 PU2 λ
η
PEOU1
PU4
PU PEOU2
β
β
PEOU
PEOU5
Tabel 3.5 Nilai t-statistik dan Faktor Loading Construct PEOU
PU6
ξ
PEOU4
3.4.1 CFA Perceived Ease Of Use (PEOU) Nilai validitas dapat diketahui dari nilai tstatistik muatan faktor (t-value) dan faktor loading (λ). Pada Tabel 3.5 berikut ini akan dijelaskan mengenai nilai t-value dan faktor loading untuk construct PEOU :
PU5
λ
γ PEOU3
PU3
CFA digunakan untuk menguji tingkat validitas dan reliabilitas dari variabel manifest atau indikator-indikator terhadap masing-masing construct latennya. Nilai validitas dapat diketahui dari nilai t-statistik muatan faktor (tvalue) dan faktor loadingnya (λ) yang dapat dilihat dari model t-value dan standardized solution. Sedangkan reliabilitas dapat diketahui dengan menghitung construct reliability dan variance extracted.
γ
tstatisti k
faktor loading
keterangan
PEOU1
-
keterangan variabel reference
0,91
Baik
PEOU2
14,62
Baik
0,89
Baik
PEOU3
12,03
Baik
0,84
Baik
PEOU4
8,30
Baik
0,72
Baik
PEOU5
2,53
Baik
0,28
Kurang Baik
PEOU6
4,10
Baik
0,45
Kurang Baik
Indikator PU7 ATU1
ATU
ATU2 ATU3
PEOU6 β
BI1
BI
BI2 BIU3 BI4
β
AU1 AU2
AU AU3 AU4
Gambar 3.1 Path Diagram Model TAM
3.3 Uji Normalitas Menurut Yamin dan Kurniawan (2009), asumsi yang harus dipenuhi sebelum melakukan pengolahan data dengan metode SEM adalah normalitas (normality) data. Uji Normalitas dilakukan dengan menggunakan software LISREL v8.30. Uji normalitas yang dilakukan menghasilkan univariate normality dan multivariate normality. Hasil univariate normality menunjukkan bahwa semua indikator berdistribusi normal. Sedangkan pada multivariate normality terdapat beberapa variabel yang tidak berdistribusi normal. Menurut Yamin dan Kurniawan (2009) untuk data yang tidak memenuhi asumsi normal multivariate dapat diatasi dengan menambahkan asymptotic covariance matrix pada input data. 3.4 Confirmatory Factor Analysis (CFA)
Berdasarkan nilai pada tabel dapat diketahui bahwa indikator PEOU1 tidak memiliki nilai tstatistik dikarenakan indikator PEOU1 adalah variabel reference yaitu indikator yang dianggap paling mewakili construct laten PEOU. Sedangkan nilai t-statistik dari indikator yang lain lebih besar dari 1,96 sehingga dapat disimpulkan bahwa tingkat validitas berdasarkan t-statistik untuk semua indikator adalah baik. Sedangkan berdasarkan nilai faktor loading, dapat diketahui bahwa terdapat 2 indikator, yaitu PEOU5 dan PEOU6, memiliki nilai faktor loading kurang dari 0,5. Hal tersebut menunjukkan bahwa kedua indikator tersebut memiliki kontribusi yang rendah dalam menggambarkan construct laten PEOU dan dapat dipertimbangkan untuk dihilangkan. Langkah selanjutnya adalah melakukan uji kecocokan model. Beberapa ukuran yang digunakan adalah uji kecocokan chi-kuadrat, root mean square error (RMR), goodness of fit index (GFI), root mean square error of approximation (RMSEA), adjusted goodness of fit index (AGFI), comparative fit index (CFI), normed fit index (NFI), incremental fit index (IFI), dan relative fit index (RFI). Tabel 3.6
6
menguraikan penjelasan mengenai hasil uji kecocokan model yang digunakan : Tabel 3.6 Uji Kecocokan Model Construct PEOU Parameter uji kecocokan model
gan
≥ 0,05
0,43
model fit
0,41
model fit
≥ 0,9
0,99
model fit
RMR
< 0,05
0,014
model fit
RMSEA
≤ 0,08
0,00
model fit
AGFI
≥ 0,9
0,95
good fit
CFI
≥ 0,9
1,00
good fit
model fit
NFI
≥ 0,9
0,99
good fit
0,052
model tidak fit
IFI
≥ 0,9
1,00
good fit
≤ 0,08
0,074
model fit
RFI
≥ 0,9
0,98
good fit
≥ 0,9
0,88
marginal fit
Keterangan
≥ 0,05
0,12
model fit
≥ 0,05
0,0022
model tidak fit
GFI
≥ 0,9
0,95
RMR
< 0,05
RMSEA AGFI CFI
≥ 0,9
0,97
good fit
NFI
≥ 0,10
0,95
good fit
IFI
≥ 0,11
0,97
good fit
RFI
≥ 0,12
0,91
good fit
Dari hasil uji kecocokan model dapat diketahui bahwa beberapa parameter atau ukuran uji kecocokan model yaitu Chi-Square Corrected for Non-Normality dan RMR menunjukkan bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi model dengan menghilangkan indikator PEOU5 dan PEOU6 yang memiliki tingkat validitas kurang baik. Pada Tabel 3.7 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading untuk construct PEOU setelah modifikasi : Tabel 3.7 Nilai t-statistik dan Faktor Loading Construct PEOU Setelah Modifikasi tstatisti k
keterangan
faktor loading
keterangan
PEOU1
-
variabel reference
0,92
Baik
PEOU2
15,15
Baik
0,89
Baik
PEOU3
12,21
Baik
0,84
Baik
PEOU4
8,19
Baik
0,71
Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih besar dari 0,5 sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct laten PEOU. Langkah selanjutnya adalah uji kecocokan model setelah modifikasi yang dapat dilihat pada tabel 3.8. Tabel 3.8 Uji Kecocokan Model Construct PEOU Setelah Modifikasi Parameter uji
output
≥ 0,05
Nilai output
Indikator
value
GFI
Cut off value
Satorra-Bentler Scaled Chi-Square Chi-Square Corrected for NonNormality
kecocokan model Satorra-Bentler Scaled Chi-Square Chi-Square Corrected for Non-Normality
Cut off
Nilai
Keteran
Dari hasil uji kecocokan model yang telah dimodifikasi, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik. Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah sebesar 0,91, sedangkan nilai variance extracted adalah sebesar 0,71. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct PEOU memiliki reliabilitas yang tinggi. 3.4.2 CFA Perceived Usefulness (PU) Pada Tabel 3.9 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading untuk construct PU : Tabel 3.9 Nilai t-statistik dan Faktor Loading Construct PU Indikator PU1
tstatisti k 8,44
keterangan
faktor loading
keterangan
0.78
Baik
PU2
-
Baik variabel reference
0,81
Baik
PU3
9,09
Baik
0,85
Baik
PU4
7,12
Baik
0,72
Baik
PU5
6,53
Baik
0,72
Baik
PU6
7,06
Baik
0,72
Baik
PU7
7,23
Baik
0,62
Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih
7
besar dari 0,5 sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct laten PU. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.10. Tabel 3.10 Uji Kecocokan Model Construct PU Parameter uji kecocokan model Satorra-Bentler Scaled Chi-Square Chi-Square Corrected for NonNormality
Cut off value
Nilai output
≥ 0,05
0,0093
≥ 0,05
0,031
Keterangan model tidak fit model tidak fit model tidak fit
GFI
≥ 0,9
0.89
RMR
< 0,05
0,049
RMSEA
≤ 0,08
0,10
AGFI
≥ 0,9
0,78
model fit model tidak fit model tidak fit
CFI
≥ 0,9
0,93
good fit
NFI
≥ 0,9
0,90
good fit
IFI
≥ 0,9
0,93
good fit
RFI
≥ 0,9
0,85
marginal fit
Berdasarkan hasil uji kecocokan model dapat diketahui bahwa perlu dilakukan modifikasi terhadap construct PU. Tabel 3.11 menjelaskan mengenai nilai t-statistik dan faktor loading dari construct PU setelah modifikasi. Tabel 3.11 Nilai t-statistik dan Faktor Loading Construct PU Setelah Modifikasi
RMR
< 0,05
0,043
model fit
RMSEA
≤ 0,08
0,066
model fit
AGFI
≥ 0,9
0,85
marginal fit
CFI
≥ 0,9
0,96
good fit
NFI
≥ 0,9
0,93
good fit
IFI
≥ 0,9
0,96
good fit
RFI
≥ 0,9
0,89
marginal fit
Dari hasil uji kecocokan model yang telah dimodifikasi, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik. Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah sebesar 0,90, sedangkan nilai variance extracted adalah sebesar 0,55. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct PU memiliki reliabilitas yang tinggi. 3.4.3 CFA Attitude Toward Using (ATU) Pada Tabel 3.13 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading untuk construct ATU :
faktor loading
keterangan
0,73
Baik
0,77
Baik
Baik
0,86
Baik
Indikator
7,14
Baik
0,74
Baik
ATU1
-
keterangan variabel reference
0,82
Baik
PU5
6,35
Baik
0,74
Baik
ATU2
6,05
Baik
0,94
PU6
7,29
Baik
0,74
Baik
PU7
7,09
Baik
0,61
Baik
ATU3
4,67
Baik
0,46
Baik Kurang Baik
Indikator
t-statistik
keterangan
PU1
8,02
PU2
-
Baik variabel reference
PU3
8,07
PU4
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator tetap memiliki nilai t-statistik lebih besar dari 1,96 dan nilai faktor loading lebih besar dari 0,5. Uji kecocokan model setelah modifikasi dapat dilihat pada tabel 3.12. Tabel 3.12 Uji Kecocokan Model Construct PU Setelah Modifikasi Parameter uji kecocokan model Satorra-Bentler Scaled Chi-Square Chi-Square Corrected for Non-Normality GFI
Cut off value
Nilai output
Keterangan
≥ 0,05
0,12
model fit
≥ 0,05
0,056
model fit
≥ 0,9
0,93
model fit
Tabel 3.13 Nilai t-statistik dan Faktor Loading Construct ATU tstatisti k
faktor loading
keterangan
Berdasarkan tabel dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Sedangkan untuk nilai faktor loading, hanya indikator ATU3 yang memiliki nilai faktor loading lebih kecil dari 0,5 sehingga memiliki kontribusi yang rendah dan dapat dipertimbangkan untuk dihilangkan. Kemudian dilakukan uji kecocokan model yang dapat dilihat pada tabel 3.14. Tabel 3.14 Uji Kecocokan Model Construct ATU Parameter uji kecocokan model Normal Theory
Cut off value
Nilai output
Keterangan
≥ 0,05
1,00
model fit
8
Weighted Least Squares Chi-Square RMSEA
≤ 0,08
0,00
model fit
Hasil uji kecocokan model yang muncul pada output software LISREL v8.30 menunjukkan saturated model. Hasil tersebut menandakan bahwa model construct ATU merupakan model saturasi, yaitu model yang memiliki tingkat kecocokan model-data yang terbaik sehingga indikator ATU3 tidak perlu dihilangkan. Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah sebesar 0,80, sedangkan nilai variance extracted adalah sebesar 0,59. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct ATU memiliki reliabilitas yang tinggi. 3.4.4 CFA Behavioral Intention (BI) Pada Tabel 3.15 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading untuk construct BI : Tabel 3.15 Nilai t-statistik dan Faktor Loading Construct BI Indikato r
tstatisti k
BI1
-
keterangan variabel reference
BI2
13,47
Baik
BI3 BI4
13,02 6,06
Baik Baik
faktor loading
Baik
0,96
Baik
0,59
Baik Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih besar dari 0,5 sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct laten BI. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.16. Tabel 3.16 Uji Kecocokan Model Construct BI Parameter uji kecocokan model Satorra-Bentler Scaled Chi-Square Chi-Square Corrected for NonNormality GFI
Cut off value ≥ 0,05
Nilai output 0,72
< 0,05
0,013
model fit
RMSEA
≤ 0,08
0,00
model fit
AGFI
≥ 0,9
0,98
good fit
CFI
≥ 0,9
1,00
good fit
NFI
≥ 0,9
1,00
good fit
IFI
≥ 0,9
1,00
good fit
RFI
≥ 0,9
0,99
good fit
Dari hasil uji kecocokan model, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik. Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah sebesar 0,88, sedangkan nilai variance extracted adalah sebesar 0,65. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct BI memiliki reliabilitas yang tinggi. 3.4.5 CFA Actual Usage (AU) Pada Tabel 3.17 berikut ini akan dijelaskan mengenai nilai t-statistik untuk construct AU : Tabel 3.17 Nilai t-statistik Construct AU
keterangan
0,82
0,80
RMR
Indikator
t-statistik
keterangan
AU1
-
variabel reference
AU2
4,97
Baik
AU3
4,54
Baik
AU4
0,94
Tidak Baik
Berdasarkan nilai t-statistik dapat diketahui bahwa indikator AU4 memiliki nilai t-statistik yang lebih rendah dari 1,96. Hal tersebut menunjukkan bahwa indikator AU4 tidak valid dalam menggambarkan construct laten AU dan model yang ada harus dimodifikasi. Tabel 3.18 berikut ini menjelaskan tentang nilai t-statistik dan faktor loading untuk construct AU setelah modifikasi: Tabel 3.18 Nilai t-statistik dan Faktor Loading Construct AU Setelah Modifikasi
Keterangan Indikato r
model fit
≥ 0,05
0,76
model fit
≥ 0,9
1,00
model fit
tstatisti k
faktor loading
keterangan
AU1
-
keterangan variabel reference
0,72
Baik
AU2
4,89
Baik
0,98
Baik
AU3
4,55
Baik
0,49
Baik
9
Berdasarkan tabel dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Sedangkan untuk nilai faktor loading, hanya indikator AU3 yang memiliki nilai faktor loading lebih kecil dari 0,5 sehingga memiliki kontribusi yang rendah dan dapat dipertimbangkan untuk dihilangkan. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.19. Tabel 3.19 Uji Kecocokan Model Construct AU Setelah Modifikasi Parameter uji kecocokan model
Cut off value
Nilai output
Keterangan
Normal Theory Weighted Least Squares Chi-Square Satorra-Bentler Scaled Chi-Square
≥ 0,05
1,00
model fit
≥ 0,05
1,00
model fit
RMSEA
≤ 0,08
0,00
model fit
Hasil uji kecocokan model yang muncul pada output software LISREL v8.30 menunjukkan saturated model sehingga indikator AU3 tidak perlu dihilangkan. Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah sebesar 0,79, sedangkan nilai variance extracted adalah sebesar 0,57. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct AU memiliki reliabilitas yang tinggi. 3.5 Structural Equation Modelling Setelah CFA dilakukan untuk tiap construct beserta indikator masing-masing, maka langkah selanjutnya adalah melakukan analisis model persamaan struktural sesuai keseluruhan model dasar TAM yang digunakan. Di dalam tahap ini akan ditinjau hubungan antara seluruh variabel atau construct di dalam model TAM yang meliputi construct PEOU, PU, ATU, BI, dan AU. Gambar 3.2 dan 3.3 menjelaskan tentang analisis model persamaan struktural yang telah dilakukan.
Gambar 3.2 Full Structural Equation Modelling Model TAM untuk t-values
Gambar 3.3 Full Structural Equation Modelling Model TAM untuk Standardized Solution
Berdasarkan hasil analisis model persamaan structural dapat diketahui bahwa nilai t-statistik dari semua construct yang saling berhubungan lebih besar dari 1,96 sehingga memiliki validitas yang baik. Sedangkan berdasarkan path diagram tersebut, dapat diketahui bahwa untuk hubungan PEOU-ATU dan PU-BI memiliki path coefficient atau nilai pengaruh yang paling kecil. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.20.
Tabel 3.20 Uji Kecocokan Model Full Structural Equation Modelling Model TAM Parameter uji kecocokan model
Cut off value
Nilai output
Keterangan
10
Normal Theory Weighted Least Squares ChiSquare
≥ 0,05
0,00
model tidak fit model tidak fit
GFI
≥ 0,9
0,76
RMR
< 0,05
0,089
model tidak fit
RMSEA
≤ 0,08
0,091
model tidak fit
AGFI
≥ 0,9
0,70
model tidak fit
CFI
≥ 0,9
0,87
marginal fit
NFI
≥ 0,9
0,78
model tidak fit
IFI
≥ 0,9
0,87
marginal fit
RFI
≥ 0,9
0,75
model tidak fit
Dari hasil uji kecocokan model dapat diketahui bahwa sebagian besar parameter atau ukuran uji kecocokan model yang digunakan menunjukkan bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi model agar diperoleh tingkat model fit yang baik. Modifikasi dilakukan atas dasar estimasi perbaikan yang terdapat pada output software LISREL v8.30. Berdasarkan nilai t-statistik yang terbentuk dari modifikasi yang dilakukan, hubungan antara construct PU terhadap BI memiliki nilai t-statistik < 1,96. Oleh karena itu, dapat disimpulkan bahwa hubungan antara construct PU terhadap BI tidak valid sehingga harus dilakukan modifikasi model kembali. Gambar 3.4 dan 3.5 menunjukkan hasil analisis model persamaan struktural yang telah dimodifikasi.
Gambar 3.4 Full Structural Equation Modelling Model TAM untuk t-values Setelah Modifikasi
Gambar 3.5 Full Structural Equation Modelling Model TAM untuk Standardized Solution Setelah Modifikasi
Berdasarkan hasil analisis model persamaan structural dapat diketahui bahwa nilai t-statistik dari semua construct yang saling berhubungan lebih besar dari 1,96 sehingga memiliki validitas yang baik. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.21. Tabel 3.20 Uji Kecocokan Model Full Structural Equation Modelling Model TAM Setelah Modifikasi Parameter uji kecocokan model
Cut off value
Nilai output
Normal Theory Weighted Least Squares ChiSquare
≥ 0,05
0,00
model tidak fit
GFI
≥ 0,9
0,82
model tidak fit
RMR
< 0,05
0,069
model tidak fit
RMSEA
≤ 0,08
0,066
model fit
AGFI
≥ 0,9
0,75
model tidak fit
CFI
≥ 0,9
0,93
good fit
NFI
≥ 0,9
0,84
marginal fit
IFI
≥ 0,9
0,94
good fit
RFI
≥ 0,9
0,81
marginal fit
Keterangan
Dari uji kecocokan model yang dilakukan dapat diketahui bahwa sebagian besar parameter atau ukuran uji kecocokan model menyatakan bahwa full structural equation modeling model TAM yang telah dimodifikasi adalah model fit. 4. Analisis dan Interpretasi Data Pada tahap ini akan dijelaskan mengenai analisis dan interpretasi dari hasil proses pengumpulan dan pengolahan data yang telah dilakukan sebelumnya. Proses analisis ini dilakukan untuk menterjemahkan model dasar
11
TAM yang digunakan di dalam penelitian dengan hasil pengujian metode SEM. 4.1 Analisis Hasil Penilaian Kuesioner Berdasarkan hasil penilaian kuesioner yang telah disebarkan dapat diketahui rata-rata penilaian para pengguna terhadap variabel atau construct TAM beserta tiap indikatornya. Construct yang memiliki nilai penerimaan paling rendah oleh para pengguna adalah construct AU yaitu sebesar 3,19. 4.2 Analisis CFA Perceived Ease Of Use (PEOU) Berdasarkan nilai faktor loading, tingkat validitas untuk indikator PEOU1, PEOU2, PEOU3, dan PEOU4 adalah baik. Sedangkan indikator PEOU5 dan PEOU6 memiliki tingkat validitas yang kurang baik. Berdasarkan hasil uji kecocokan model dapat diketahui bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi dengan menghilangkan indikator PEOU5 dan PEOU6. Indikator PEOU5 atau ketersediaan petunjuk penggunaan memiliki tingkat validitas kurang baik menurut nilai faktor loading dikarenakan tidak adanya petunjuk penggunaan bagi aplikasi Jobcard Barcoding System dilapangan. Sedangkan indikator PEOU6 atau kemudahan untuk mengakses juga memiliki tingkat validitas yang kurang baik menurut nilai faktor loading dikarenakan para pengguna dari Jobcard Barcoding System masih merasa kesulitan untuk dapat mengakses atau menggunakan perangkat dan aplikasi Jobcard Barcoding System. Hal tersebut terjadi karena belum adanya penyebaran tempat untuk pelaksanaan proses barcoding itu sendiri. Berdasarkan nilai faktor loading, dapat diketahui bahwa indikator PEOU1 atau kemudahan untuk dipelajari memiliki kontribusi terbesar bagi construct PEOU. Hal tersebut disebabkan karena proses penggunaan dari perangkat dan aplikasi Jobcard Barcoding System merupakan suatu proses yang sederhana dan tidak rumit sehingga dapat dengan mudah dipelajari. Sedangkan indikator PEOU4 atau kemudahan untuk diingat memiliki kontribusi terkecil karena pada kenyataannya meskipun proses penggunaan aplikasi Jobcard Barcoding System mudah dipelajari, tetapi proses tersebut memiliki prosedur yang cukup panjang sehingga agak menyulitkan pengguna untuk mengingatnya.
4.3 Analisis CFA Perceived Usefulness (PU) Berdasarkan hasil pengolahan CFA untuk construct PU dengan 7 indikator yang digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga keseluruhan indikator untuk construct PU memiliki tingkat validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, semua indikator juga memiliki nilai lebih besar dari 0,5. Namun, berdasarkan hasil uji kecocokan model dapat diketahui bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi tanpa menghilangkan salah satu indikator dari construct PU. Dari hasil CFA yang meliputi nilai t-statistik dan faktor loading, dapat diketahui bahwa semua indikator untuk construct PU yang telah dimodifikasi memiliki tingkat validitas yang baik. Berdasarkan nilai faktor loading, dapat diketahui bahwa indikator PU3 atau kontrol bagi pekerjaan memiliki kontribusi terbesar bagi construct PU. Hal tersebut disebabkan karena Jobcard Barcoding System mampu mencatat secara tepat waktu pelaksanaan dan penyelesaian suatu pekerjaan. Dimana hasil pencatatan tersebut dapat langsung dibandingkan dengan plan manhours untuk penyelesaian pekerjaan jobcard tersebut. Sedangkan indikator PU7 atau memotong waktu yang tidak produktif memiliki kontribusi terkecil karena pada kenyataannya, seringkali plan manhours yang saat ini digunakan sebagai panduan waktu pengerjaan suatu jobcard belum dapat secara tepat memperkirakan waktu yang dibutuhkan untuk penyelesaian jobcard tersebut. 4.4 Analisis CFA Attitude Toward Using (ATU) Berdasarkan hasil pengolahan CFA untuk construct ATU dengan 3 indikator yang digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga berdasarkan nilai t-statistik, keseluruhan indikator untuk construct ATU memiliki tingkat validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, hanya indikator ATU1 dan ATU2 yang memiliki nilai lebih besar dari 0,5. Hasil uji kecocokan model menunjukkan bahwa construct ATU adalah saturated model, yaitu model yang memiliki tingkat kecocokan antara model dengan data yang terbaik. Nilai faktor loading menunjukkan bahwa indikator ATU2 atau penggunaan menimbulkan
12
antusiasme memiliki kontribusi terbesar bagi construct ATU. Hal tersebut disebabkan karena kenyataannya implementasi dari Jobcard Barcoding System memberikan manfaat yang diharapkan oleh pengguna yaitu berupa hasil pencatatan yang lebih akurat sehingga di dalam pelaksanaannya para pengguna merasa tertarik atau antusias untuk dapat menggunakannya. Sedangkan indikator ATU3 atau keinginan untuk menggunakan secara mandiri memiliki kontribusi terkecil karena pada saat ini para pengguna masih dibantu oleh timekeeper untuk melaksanakan proses barcoding di dalam pencatatan manhours-nya. Keberadaan timekeeper bertujuan untuk membantu proses adaptasi dari pengguna terhadap pelaksanaan implementasi Jobcard Barcoding System. Namun, pada kenyataannya sebagian besar pengguna akhirnya merasa tergantung terhadap keberadaan timekeeper untuk melaksanakan proses barcoding di dalam pencatatan manhours. 4.5 Analisis CFA Behavioral Intention (BI) Berdasarkan hasil pengolahan CFA untuk construct BI dengan 4 indikator yang digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga berdasarkan nilai t-statistik, keseluruhan indikator untuk construct BI memiliki tingkat validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, semua indikator juga memiliki nilai lebih besar dari 0,5. Dari hasil uji kecocokan model dapat diketahui bahwa construct BI memiliki tingkat model fit yang baik sehingga tidak perlu dilakukan modifikasi. Nilai faktor loading menunjukkan bahwa indikator BI2 atau rencana tetap menggunakan di masa depan memiliki kontribusi terbesar bagi construct BI. Hal tersebut disebabkan karena para pengguna telah memahami bahwa pihak manajemen telah berencana untuk mengubah cara pencatatan manhours secara manual dengan Jobcard Barcoding System. Sedangkan indikator BI4 atau motivasi untuk memberikan masukan bagi penggunaan memberikan kontribusi terkecil dikarenakan para pengguna merasa tidak tahu bagaimana cara memberikan masukan bagi penggunaan Jobcard Barcoding System. Hal ini dikarenakan fungsi kontrol dari tim kecil bagian dari Manhours Productivity Team dilapangan belum terlalu intensif dilaksanakan. 4.6 Analisis CFA Actual Usage (AU)
Berdasarkan hasil pengolahan CFA untuk construct AU dengan 4 indikator yang digunakan, hanya indikator AU1, AU2, dan AU3 yang memiliki nilai t-statistik yang lebih besar dari 1,96. Penyebab dari tidak validnya indikator AU4 atau kenyamanan dalam penggunaan adalah karena para pengguna mayoritas masih mengalami kesulitan dalam mengakses atau menggunakan perangkat dan aplikasi Jobcard Barcoding System. Dari hasil CFA dapat diketahui bahwa seluruh indikator construct AU yang telah dimodifikasi memiliki nilai t-statistik yang lebih besar dari 1,96. Sedangkan berdasarkan nilai faktor loading, hanya indikator AU1 dan AU2 yang memiliki nilai lebih besar dari 0,5. Dari nilai faktor loading dapat diketahui bahwa indikator AU2 atau kesesuaian dengan prosedur memiliki kontribusi terbesar terhadap construct AU. Hal tersebut menjelaskan bahwa manfaat dan kemudahan dari implementasi Jobcard Barcoding System dapat membantu meraka untuk selalu berusaha mengimplementasikan Jobcard Barcoding System sesuai dengan prosedur yang ada. Sedangkan indikator AU3 atau kepuasan penggunaan memiliki kontribusi terkecil terhadap construct AU dikarenakan bahwa meskipun mengetahui manfaat dan kemudahan implementasi Jobcard Barcoding System, sebagian besar pengguna belum dapat mengetahui secara langsung hasil atau output dari pencatatan manhours dengan Jobcard Barcoding System yang telah mereka lakukan. 4.7 Analisis Structural Equation Modelling Berdasarkan hasil full structural equation modeling yang telah dilakukan dapat diketahui bahwa semua construct yang berhubungan memiliki nilai t-statistik yang lebih besar dari 1,96. Namun, berdasarkan hasil uji kecocokan full structural equation modeling, dapat diketahui bahwa sebagian besar parameter atau ukuran yang digunakan dalam uji kecocokan model menunjukkan bahwa model tidak fit. Oleh karena itu, harus dilakukan modifikasi terhadap model TAM. Dari modifikasi yang dilakukan, dapat diketahui bahwa hubungan antara construct PU dan BI tidak valid karena memiliki nilai tstatistik < 1,96 sehingga hubungan tersebut harus dihilangkan. Hal tersebut menunjukkan bahwa meskipun implementasi Jobcard Barcoding System memberikan kemudahan bagi pengguna hal tersebut tidak dapat secara
13
langsung mempengaruhi tingkat kecenderungan dari pengguna untuk tetap menggunakan Jobcard Barcoding System. Oleh karena itu, dilakukan modifikasi kembali terhadap model dengan menghilangkan hubungan antara construct PU terhadap BI. Dari hasil tersebut dapat diketahui bahwa tiap construct yang berhubungan memiliki nilai t-statistik dan path coefficient yang baik. Gambaran model TAM yang dihasilkan dari penelitian dapat dilihat pada Gambar 4.1.
Gambar 4.1 Model TAM Jobcard Barcoding System
4.8 Rekomendasi Berdasarkan Hasil Penelitian Berdasarkan hasil penelitian menggunakan hasil penilaian kuesioner dan metode TAM yang telah dilaksanakan, maka dapat disusun suatu langkah perbaikan. Pada metode TAM, variabel atau construct utama yang mempengaruhi tingkat penerimaan construct lainnya adalah construct PEOU dan PU. Dari hasil pengujian dengan SEM dapat diketahui bahwa hubungan antar construct pada metode TAM tersebut juga berlaku atau valid untuk implementasi Jobcard Barcoding System. Dari hasil wawancara yang telah dilakukan kepada user, dapat diketahui hal-hal yang menyebabkan terjadinya hambatan dalam penerimaan implementasi Jobcard Barcoding System dari sisi variabel PEOU, PU, dan AU di lapangan. Berdasarkan penyebab-penyebab yang telah diketahui tersebut, maka dapat disusun langkah-langkah perbaikan untuk mengatasi hal tersebut. Langkah perbaikan yang disusun meliputi : A. Langkah Perbaikan 1 Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM dapat diketahui bahwa pada construct PEOU, indikator yang memiliki penilaian penerimaan yang paling rendah adalah indikator PEOU3 yaitu kemudahan untuk dipahami dan indikator PEOU1 yaitu kemudahan untuk dipelajari. Oleh karena itu, langkah perbaikan yang dapat diusulkan untuk meningkatkan nilai penerimaan indikatorindikator tersebut adalah perlunya dilakukan
sosialisasi dan pelatihan secara intensif langsung kepada para pengguna atau mekanik mengenai fungsi dan penggunaan dari perangkat dan aplikasi Jobcard Barcoding System. Kemudian selanjutnya perlu disediakan suatu petunjuk penggunaan perangkat dan aplikasi dari Jobcard Barcoding System. B. Langkah Perbaikan 2 Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM dapat diketahui bahwa pada construct PU, indikator yang memiliki nilai penerimaan yang paling rendah adalah indikator PU7 yaitu memotong waktu yang tidak produktif dan indikator PU6 yaitu meningkatkan produktivitas user. Oleh karena itu, langkah perbaikan yang dapat diusulkan berdasarkan keadaan tersebut adalah dilakukannya perbaikan terhadap penentuan plan manhours yang ada saat ini. Hal tersebut sangat penting untuk dilakukan mengingat plan manhours yang ada saat ini belum dapat memperkirakan secara tepat waktu yang diperlukan untuk mengerjakan suatu jobcard. Tetapi untuk perbaikan terhadap plan manhours perlu didukung dengan menghilangkan tekanan terhadap para mekanik untuk berpatokan terhadap plan manhours yang ada. C. Langkah Perbaikan 3 Selain meningkatkan tingkat penerimaan pada construct PEOU dan PU, tingkat penerimaan pada construct AU juga dapat ditingkatkan dengan memperkuat tingkat penerimaan dari indikator construct AU tersebut. Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM, indikator yang memiliki nilai penerimaan yang paling rendah adalah indikator AU3 yaitu kepuasan penggunaan. . Oleh karena itu, langkah perbaikan yang dapat diusulkan adalah penyusunan suatu laporan bagi para pengguna atau mekanik yang memuat hasil pencatatan manhours yang telah mereka lakukan. 5. Kesimpulan Beberapa kesimpulan yang diperoleh dari hasil penelitian yang telah dilakukan antara lain adalah : 1. Berdasarkan hasil penilaian kuesioner dan pengujian dengan SEM, dapat diketahui bahwa tingkat penerimaan user terhadap implementasi Jobcard
14
Barcoding System saat ini masih cukup rendah. 2. Dari hasil pengolahan CFA yang telah dilakukan, dapat diketahui indikatorindikator yang memiliki tingkat validitas yang baik dalam merepresentasikan construct latennya. Indikator-indikator tersebut adalah : a. Indikator yang valid untuk construct PEOU adalah PEOU1-PEOU4 b. Indikator yang valid untuk construct PU adalah PU1-PU7 c. Indikator yang valid untuk construct ATU adalah ATU1-ATU3 d. Indikator yang valid untuk construct BI adalah BI1-BI4 e. Indikator yang valid untuk construct AU adalah AU1-AU3 3. Hasil dari full stuctural equation modelling yang telah dilakukan menunjukkan hubungan atau pengaruh antar construct yang ada. Construct yang berhubungan antara lain : a. Construct PEOU berpengaruh terhadap construct PU. b. Construct PEOU dan PU berpengaruh terhadap construct AU. c. Construct ATU berpengaruh terhadap construct BI d. Construct BI berpengaruh terhadap construct AU 4. Langkah Perbaikan yang dapat diusulkan antara lain : a. Pelaksanaan sosialisasi dan pelatihan intensif mengenai penggunaan perangkat dan aplikasi Jobcard Barcoding System yang didukung dengan penyediaan petunjuk penggunaan dalam bentuk hardcopy dan softcopy. b. Perbaikan terhadap plan manhours yang didukung dengan menghilangkan tekanan terhadap para pengguna atau mekanik. c. Penyusunan suatu laporan bagi para pengguna atau mekanik yang memuat hasil pencatatan manhours yang telah dilakukan 6. Daftar Pustaka Chang, Vin-Cent. 2004. The Validity of an Extended Technology Acceptance Model (TAM) for Predicting Intranet/Portal
Usage. A Master’s paper for the M.S. in I.S. degree, Chapel Hill, North Carolina. Davis, FD. 1989. Perceived Usefullness, Perceived ease of use of Information Technology. Management Information System Quarterly, 21(3). Heriansyah, Tengku. 2009. Perancangan Manajemen Perubahan Menggunakan Model Change Acceleration Process Untuk Implementasi Sistem Jobcard Barcode Automation (Studi Kasus : Base Maintenance, PT. GMF AA). Tugas Akhir Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember, Surabaya. Lin et al. 2009. Usefulness, Ease of Use, Attitude, and Their Interaction Effects on Usage Intention of Three Electronic Mail Systems. http://www.allacademic.com/meta/p230958_ index.html (diperoleh 23 November 2009) Rahadi, Dedi Rianto. 2007. Peranan Teknologi Informasi Dalam Peningkatan Pelayanan Di Sektor Publik. Seminar Nasional Teknologi 2007 (SNT 2007), Yogyakarta Tangke, Natalia. 2004. Analisa Penerapan Teknik Audit Berbantuan Komputer (TABK) Dengan Menggunakan Technology Acceptance Model (TAM) Pada Badan Pemeriksa Keuangan (BPK) RI. http://puslit.petra.ac.id. (diperoleh 26 Oktober 2009). Teo et al. 2008. A cross-cultural examination of the intention to use technology between Singaporean and Malaysian pre-service teachers: an application of the Technology Acceptance Model (TAM). Educational Technology & Society, 11 (4), 265–280. Yamin, Sofyan. Kurniawan, Heri. 2009. Structural Equation Modelling. Salemba Infotek, Jakarta.
15
