UNIVERSITAS INDONESIA
ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI PESERTA DALAM PENGGUNAAN SISTEM E-CLASS: STUDI KASUS PT. XYZ
KARYA AKHIR
DIMAS FEBRIAWAN 1006833073
FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JULI 2013
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
UNIVERSITAS INDONESIA
ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI PESERTA DALAM PENGGUNAAN SISTEM E-CLASS: STUDI KASUS PT. XYZ
KARYA AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknologi Informasi
DIMAS FEBRIAWAN 1006833073
FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JULI 2013
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
ii
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
iii
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
KATA PENGANTAR
Puji syukur saya panjatkan kehadirat Allah swt., karena atas berkat dan rahmatNya, saya dapat menyelesaikan Karya Akhir ini. Penulisan karya akhir ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer – Universitas Indonesia. Saya menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan karya akhir ini, sangatlah sulit bagi saya untuk menyelesaikannya. Oleh karena itu, saya mengucapkan terima kasih kepada: (1) Dr. Achmad Nizar Hidayanto, S.Kom, M.Kom, selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan karya akhir ini; (2) Pihak Manajemen PT. XYZ yang telah banyak membantu dalam menjelaskan mengenai latar belakang perusahaan dan mengenai gambaran umum sistem e-Class; (3) Para staf dari PT. XYZ yang telah banyak membantu dalam memberi penjelasan mengenai teknis sistem e-Class serta mengenai tata cara peserta mengikuti kegiatan pelatihan menggunakan sistem e-Class; (4) Orang tua dan keluarga saya yang telah memberikan bantuan dukungan material dan moral; (5) Teman-teman saya yang telah banyak membantu dalam memperoleh data dari para responden serta memberikan beragam masukan-masukan; (6) Teman-teman di MTI UI yang telah banyak memberikan dukungan berupa do’a dan moral dalam penyelesaian karya akhir ini; (7) Para responden, yang tidak dapat saya sebutkan satu persatu, yang bersedia dan yang tidak bersedia mengisi kuesioner penelitian saya; (8) Seluruh elemen Fakultas Ilmu Komputer Universitas Indonesia tanpa terkecuali.
iv
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
Akhir kata, saya berharap kepada Allah swt., berkenan membalas segala kebaikan semua pihak yang telah membantu. Semoga karya akhir membawa manfaat bagi pengembangan ilmu.
Jakarta, 21 Juni 2013 Penulis
Dimas Febriawan
v
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA AKHIR UNTUK KEPENTINGAN AKADEMIS
vi
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
ABSTRAK Nama : Dimas Febriawan Program Studi : Magister Teknologi Informasi Judul : Analisa faktor-faktor yang mempengaruhi peserta dalam penggunaan sistem e-Class: studi kasus PT. XYZ Pendidikan sangatlah penting karena merupakan salah satu faktor penentu kemajuan bangsa. Pendidikan dapat diperoleh melalui lembaga pendidikan formal dan non-formal. PT. XYZ merupakan sebuah lembaga penyelenggara pendidikan non-formal di bidang perpajakan yang menyelenggarakan kegiatan pendidikannya melalui kelas tatap muka serta melalui pembelajaran online menggunakan sistem e-Class. Alasan dilakukan penelitian ini adalah karena PT. XYZ memiliki strategi bisnis untuk menerapkan sistem e-Class secara penuh menggantikan seluruh kelas tatap muka yang ada saat ini. Akan tetapi, penerapan strategi bisnis ini mengalami kendala karena rendahnya minat peserta untuk menggunakan sistem e-Class. Tujuan penelitian ini adalah untuk menganalisa faktor-faktor yang mempengaruhi para peserta pengguna e-Class dengan menggunakan integrasi model penerimaan technology acceptance model dan task-technology fit. Data yang digunakan untuk penelitian ini diperoleh dari hasil penyebaran kuesioner terhadap para peserta yang pernah menggunakan sistem e-Class di PT. XYZ antara tahun 2011 hingga tahun 2012. Total terdapat 76 kuesioner yang terjawab dan kembali dari 110 kuesioner yang disebar. Data hasil penyebaran kuesioner kemudian dianalisa menggunakan pendekatan partial least squares. Kesimpulan dari penelitian ini adalah bahwa perceived ease of use, perceived usefulness dan task-technology fit merupakan faktor-faktor yang signifikan dalam mempengaruhi peserta pengguna e-Class. Kata kunci: E-Learning, e-Class, technology acceptance model, task-technology fit, partial least squares
vii
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
ABSTRACT Name Study Program Title
: Dimas Febriawan : Master of Information Technology : Analysis of factors that are influencing participants in using the e-Class system: case study of PT. XYZ
Education is one of the most important factor in determining the advancement of a nation. Education can be obtained from formal and non-formal educational institutions. PT. XYZ is a non-formal tax training educational institution that organizes its activities through conventional classes and electronic learning classes using e-Class system. The reason for this study is because PT. XYZ has the business strategy to replace all conventional classes with e-Class system completely. Unfortunately, this business strategy has an obstacle which is a very low number of e-Class participants. The aim of this study is to analyze the factors that are influencing the participants in using the e-Class system by using the integrated technology acceptance model and task-technology fit model. Data used for this study is acquired from questionnaires sent to users of e-Class system between the year of 2011 and 2012. There are 76 questionnaires answered out of 110 questionnaires being sent to the respondents. The data gathered will then be analyzed using partial least squares. This study found that perceived ease of use, perceived usefulness, and tasktechnology fit are the factors that are significantly influencing participants in using e-Class. Keyword: E-Learning, e-Class, technology acceptance model, task-technology fit, partial least squares
viii
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
DAFTAR ISI
HALAMAN JUDUL................................................................................................i HALAMAN PERNYATAAN ORISINALITAS....................................................ii HALAMAN PENGESAHAN................................................................................iii KATA PENGANTAR............................................................................................iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA AKHIR UNTUK KEPENTINGAN AKADEMIS...............................................................vi ABSTRAK ............................................................................................................ vii ABSTRACT ......................................................................................................... viii DAFTAR ISI .......................................................................................................... ix DAFTAR GAMBAR ............................................................................................. xi DAFTAR TABEL ................................................................................................. xii DAFTAR LAMPIRAN ........................................................................................ xiii BAB 1 PENDAHULUAN ..................................................................................... 1 1.1 Latar Belakang Penelitian.............................................................................. 1 1.2 Rumusan Masalah ......................................................................................... 4 1.3 Tujuan Penelitian ........................................................................................... 4 1.4 Manfaat Penelitian ......................................................................................... 5 1.5 Ruang Lingkup Penelitian ............................................................................. 5 1.6 Sistematika Penulisan .................................................................................... 5 BAB 2 TINJAUAN PUSTAKA ............................................................................ 9 2.1 Definisi E-learning ........................................................................................ 9 2.2 Model-Model Penerimaan Teknologi Sistem Informasi ............................. 11 2.2.1 Technology Acceptance Model (TAM) ................................................ 11 2.2.2 Task-Technology Fit (TTF) .................................................................. 14 2.2.3 Pengintegrasian Model Technology Acceptance Model dengan Model Task-Technology Fit (TAM/TTF) ........................................................16 2.3 Structural Equation Modeling (SEM) ......................................................... 18 2.4 Partial Least Squares (PLS)........................................................................ 20 2.5 Kajian Penelitian Terkait ............................................................................. 27 2.6 Perumusan Hipotesis dan Pengajuan Model Penelitian .............................. 30 2.6.1 Perumusan Hipotesis ............................................................................ 30 2.6.2 Pengajuan Model Penelitian ................................................................. 34 BAB 3 METODOLOGI PENELITIAN ............................................................ 35 3.1 Tahapan Penelitian ...................................................................................... 35 3.2 Operasionalisasi Variabel Penelitian ........................................................... 38 3.3 Tempat dan Waktu Penelitian ..................................................................... 43 3.4 Populasi dan Sampel ................................................................................... 44 3.5 Metode Pengumpulan Data ......................................................................... 46 3.6 Metode Analisis Data .................................................................................. 47 3.6.1 Verifikasi Data ...................................................................................... 48 3.6.2 Konstruksi Diagram Jalur ..................................................................... 49 3.6.3 Evaluasi Model Pengukuran ................................................................. 50 ix
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
3.6.4 Evaluasi Model Struktural .................................................................... 51 BAB 4 PROFIL ORGANISASI ......................................................................... 52 4.1 Profil Organisasi .......................................................................................... 52 4.2 Sistem E-Class ............................................................................................ 54 4.2.1 Gambaran Umum Sistem E-Class ........................................................ 54 4.2.2 Manfaat E-Class ................................................................................... 57 BAB 5 ANALISA DAN PEMBAHASAN ......................................................... 59 5.1 Deskripsi Profil Responden ......................................................................... 59 5.2 Analisa Statistik Deskriptif ......................................................................... 61 5.3 Analisa Partial Least Squares ..................................................................... 66 5.3.1 Verifikasi Data ...................................................................................... 67 5.3.2 Konstruksi Diagram Jalur Model Pengukuran ..................................... 68 5.3.3 Konversi Diagram Jalur Model Pengukuran ke Persamaan ................. 68 5.3.4 Evaluasi Model Pengukuran ................................................................. 70 5.3.5 Konstruksi Diagram Jalur Model Struktural......................................... 75 5.3.6 Konversi Diagram Jalur Model Struktural ke Persamaan .................... 76 5.3.7 Estimasi Weight Relation ...................................................................... 76 5.3.8 Estimasi Parameter PLS ....................................................................... 76 5.3.9 Evaluasi Model Struktural .................................................................... 79 5.3.10 Penulisan Persamaan Hasil Evaluasi .................................................. 82 5.4 Pengujian Hipotesis ..................................................................................... 83 5.5 Model Akhir Penelitian ............................................................................... 89 5.6 Diskusi ......................................................................................................... 90 5.7 Implikasi ...................................................................................................... 93 5.8 Keterbatasan Penelitian ............................................................................... 94 BAB 6 KESIMPULAN DAN SARAN ............................................................... 95 6.1 Kesimpulan .................................................................................................. 95 6.2 Saran ............................................................................................................ 96 DAFTAR PUSTAKA .......................................................................................... 98 Lampiran 1: Kuesioner Penelitian....................................................................... 103 Lampiran 2: Hasil Pre-processed Data Menggunakan Aplikasi WarpPLS ....... 108 Lampiran 3: Hasil Standard Error Model Pengukuran Menggunakan Aplikasi WarpPLS........................................................................................ 117
x
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
DAFTAR GAMBAR
Gambar 2.1 Theory of reasoned action ................................................................. 12 Gambar 2.2 Theory of planned behavior .............................................................. 13 Gambar 2.3 Technology acceptance model .......................................................... 14 Gambar 2.4 Task-technology fit ............................................................................ 15 Gambar 2.5 Integrasi TAM dan TTF .................................................................... 17 Gambar 2.6 Hubungan antar variabel dan indikator dalam PLS .......................... 22 Gambar 2.7 Model penelitian yang diajukan ........................................................ 34 Gambar 3.1 Diagram tahapan penelitian............................................................... 35 Gambar 4.1 Tampilan Situs Web XYZ ................................................................. 53 Gambar 4.2 Tampilan situs web e-Class ............................................................... 54 Gambar 4.3 Tampilan sistem e-Class ................................................................... 56 Gambar 5.1 Model pengukuran (outer model) penelitian ..................................... 68 Gambar 5.2 Model struktural (inner model) penelitian ........................................ 75 Gambar 5.3 Hasil analisa diagram jalur menggunakan aplikasi WarpPLS .......... 79 Gambar 5.4 Model akhir penelitian ...................................................................... 90
xi
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
DAFTAR TABEL
Tabel 1.1 Perbandingan peserta e-Class tahun 2011 dan 2012............................... 3 Tabel 1.2 Perbandingan peserta e-Class tahun 2011 dan 2012 yang unik .............. 3 Tabel 2.1 Sejarah dari pendidikan jarak jauh .......................................................... 9 Tabel 2.2 Rangkuman kajian penelitian terkait..................................................... 29 Tabel 3.1 Variabel PEU ........................................................................................ 39 Tabel 3.2 Variabel PU ........................................................................................... 39 Tabel 3.3 Variabel AT .......................................................................................... 40 Tabel 3.4 Variabel IU............................................................................................ 40 Tabel 3.5 Variabel AU .......................................................................................... 41 Tabel 3.6 Variabel TTF ......................................................................................... 42 Tabel 3.7 Peserta e-Class tahun 2011 ................................................................... 44 Tabel 3.8 Peserta e-Class tahun 2012 ................................................................... 45 Tabel 3.9 Peserta uji coba e-Class tahun 2011 hingga tahun 2012 ....................... 46 Tabel 3.10 Constructs dan indikator hubungan yang digunakan .......................... 50 Tabel 3.11 Rangkuman indikator evaluasi model pengukuran ............................. 51 Tabel 5.1 Deskripsi profil responden .................................................................... 59 Tabel 5.2 Statistik deskriptif untuk construct kemudahan yang dirasakan (perceived ease of use)..........................................................................61 Tabel 5.3 Statistik deskriptif untuk construct manfaat yang dirasakan (perceived usefulness).............................................................................................62 Tabel 5.4 Statistik deskriptif untuk construct sikap selama penggunaan (attitude towards use)...........................................................................................63 Tabel 5.5 Statistik deskriptif untuk construct niat untuk menggunakan (intention to use)....................................................................................................63 Tabel 5.6 Statistik deskriptif untuk construct penggunaan yang sebenarnya (actual usage).....................................................................................................64 Tabel 5.7 Statistik deskriptif untuk construct task-technology fit (TTF) .............. 64 Tabel 5.8 Pengukuran central tendency dari setiap constructs penelitian ............ 65 Tabel 5.9 Hasil nilai loading yang pertama menggunakan aplikasi WarpPLS..... 70 Tabel 5.10 Hasil nilai AVE menggunakan aplikasi WarpPLS ............................. 73 Tabel 5.11 Hasil nilai Akar Kuadrat AVE menggunakan aplikasi WarpPLS ...... 73 Tabel 5.12 Hasil nilai CR menggunakan aplikasi WarpPLS ................................ 74 Tabel 5.13 Hasil dari nilai β menggunakan aplikasi WarpPLS ............................ 80 Tabel 5.14 Hasil dari p-value menggunakan aplikasi WarpPLS .......................... 80 Tabel 5.15 Hasil dari nilai R2 menggunakan aplikasi WarpPLS........................... 81 Tabel 5.16 Hasil dari nilai Q2 menggunakan aplikasi WarpPLS .......................... 82 Tabel 5.17 Hasil uji hipotesis terhadap model penelitian ..................................... 84
xii
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
DAFTAR LAMPIRAN
Lampiran 1: Kuesioner Penelitian...................................................................103 Lampiran 2: Hasil Pre-processed Data Menggunakan Aplikasi WarpPLS....108 Lampiran 3: Hasil Standard Error Model Pengukuran Menggunakan Aplikasi WarpPLS....................................................................................117
xiii
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 1 PENDAHULUAN PENDAHULUAN Pada bagian ini penulis menjelaskan mengenai latar belakang penelitian, rumusan masalah, tujuan penelitian, manfaat penelitian, ruang lingkup penelitian, serta sistematika penulisan.
1.1 Latar Belakang Penelitian
Pendidikan sangatlah penting karena merupakan kebutuhan utama untuk bisa menjadi bangsa yang lebih baik. Pendidikan dapat diperoleh melalui institusi pendidikan formal seperti sekolah dan perguruan tinggi, serta melalui institusi pendidikan non-formal seperti lembaga penyelenggara kursus dan pelatihan. Berbagai cara dilakukan oleh beragam institusi pendidikan dalam rangka mencerdaskan bangsa, seperti melalui penyelenggaraan kelas tatap muka ataupun melalui pemanfaatan teknologi informasi. Salah satu contoh pemanfaatan teknologi informasi adalah sistem pembelajaran e-learning. Sistem e-learning memiliki kelebihan yaitu memungkinkan para peserta dan tenaga pengajar untuk saling berinteraksi dalam rangka kegiatan belajar-mengajar tanpa mengenal waktu dan tempat. E-learning adalah sebuah metode pembelajaran yang efisien, relevan dengan tugas, dan tepat pada waktunya (Stojanovic, Staab, & Studer, 2001). Menurut Maurer dan Sapper (2001), e-learning bertujuan untuk menggantikan metode pembelajaran yang kuno dengan metode pembelajaran yang tepat pada waktunya, dapat berada dimana saja, dapat dimodifikasi, dan materi dapat disesuaikan dengan permintaan (Stojanovic, Staab, & Studer, 2001). E-learning menghapus batasan waktu dan tempat serta memberikan personalisasi tingkat tinggi kepada pengguna dan materinya. Dengan semua kelebihan-kelebihan tersebut, e-learning akan menciptakan pengalaman belajar yang lebih intim dan berkesan untuk para penggunanya. PT. XYZ (XYZ) merupakan lembaga penyelenggara pendidikan luar sekolah dan/atau pelatihan perpajakan yang dikelola secara professional serta berbadan hukum. XYZ didirikan pada tahun 2005 dan berdomisili di Jakarta Selatan. XYZ 1
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
2
memberikan pelayanan khusus kepada masyarakat yang ingin mengetahui dan memperdalam ilmu perpajakan lebih jauh. Guna meningkatkan layanan pendidikan serta pelatihannya, XYZ saat ini sedang melakukan upaya pengembangan proses belajar-mengajar melalui pemanfaatan teknologi informasi (TI). Hasil dari pengembangan tersebut adalah sebuah sistem e-learning yang disebut e-Class. Sistem e-Class adalah sistem yang memungkinkan para peserta dan tenaga pengajar untuk saling berinteraksi dalam rangka penyelenggaran kegiatan pendidikan serta pelatihan layaknya mengikuti kelas tatap muka biasa tanpa mengenal waktu dan tempat. Hal ini dapat dicapai berkat adanya fitur-fitur seperti video conference, desktop sharing, chatting dan lain sebagainya yang berbasiskan TI. XYZ merupakan pelopor dari penggunaan sistem e-Class diantara penyelenggara kursus perpajakan di Indonesia lainnya. Dalam rangka uji coba serta perkenalan sistem, XYZ memutuskan untuk menjalankan sistem e-Class secara bersamaan dengan kelas tatap muka mereka. XYZ telah menyelenggarakan kegiatan pendidikan dan pelatihannya secara bersamaan antara sistem e-Class dengan sistem kelas tatap mukanya sejak tahun 2010. Setelah melakukan wawancara dengan pihak XYZ, penulis mendapati bahwa salah satu strategi bisnis XYZ adalah untuk menutup kelas tatap mukanya dan menggantinya dengan sistem e-Class. Hal ini dilakukan karena penggantian sistem kelas tatap muka dengan e-Class akan memberikan beberapa manfaat, salah satunya berupa pengurangan biaya secara signifikan. Di samping itu, sistem e-Class juga telah menjadi andalan XYZ dalam bersaing dengan para kompetitor pendidikan perpajakan lainnya. Oleh karena itu, XYZ mengharapkan para peserta untuk dapat menggunakan sistem e-Class ini semaksimal mungkin. Akan tetapi rata-rata jumlah pengguna e-Class pada tahun 2012 justru mengalami penurunan apabila dibandingkan dengan tahun 2011. Tabel 1.1 berikut menampilkan keseluruhan peserta e-Class antara tahun 2011 hingga tahun 2012.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
3
Tabel 1.1 Perbandingan peserta e-Class tahun 2011 dan 2012
No. Tahun
Jumlah Peserta
Jumlah Kelas
Rata-rata peserta per
e-Class
e-Class
kelas
1 2011
50
13
3,846154
2 2012
73
28
2,607143
Sumber: Daftar peserta e-Class PT. XYZ
Tabel 1.1 diatas menunjukkan bahwa walaupun jumlah peserta e-Class hingga bulan Desember 2012 meningkat, akan tetapi hal itu disebabkan oleh jumlah kelas yang diselenggarakan lebih banyak pada tahun 2012 dibandingkan dengan tahun 2011. Sehingga apabila dilakukan penghitungan rata-rata jumlah peserta untuk setiap kelas yang diselenggarakan, maka ditemukan bahwa pada tahun 2012 terjadi penurunan rata-rata. Selisih antara rata-rata peserta pada tahun 2011 dengan tahun 2012 mencapai 1,2 peserta, atau lebih dari 1 orang per kelas. Kemudian Tabel 1.2 berikut menampilkan jumlah peserta e-Class yang unik (jumlah peserta yang tidak termasuk peserta berulang) pada tahun 2011 dan tahun 2012.
Tabel 1.2 Perbandingan peserta e-Class tahun 2011 dan 2012 yang unik Tahun
2011
Jumlah Peserta
2012 41
27
Sumber: Daftar peserta e-Class PT. XYZ
Tabel 1.2 diatas menunjukkan bahwa jumlah peserta e-Class yang unik pada tahun 2012 menurun apabila dibandingkan dengan tahun 2011. Selisih peserta eClass yang unik antara tahun 2012 dengan tahun 2011 mencapai 14 orang peserta. Hal ini menunjukkan bahwa terdapat sekitar 14 orang peserta e-Class yang mengikuti program e-Class pada tahun 2011 kemudian memutuskan untuk tidak mengikutinya kembali pada tahun 2012. Berdasarkan data-data pada Tabel 1.1 dan Tabel 1.2 tersebut, penulis memutuskan untuk meneliti faktor-faktor yang menjadi penyebab menurunnya rata-rata peserta kelas e-Class. Pada penelitian ini penulis menggunakan model yang terintegrasi antara model technology acceptance model dengan model task-technology fit (TAM/TTF). Kedua model ini, model technology acceptance model (TAM) dan model taskUniversitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
4
technology fit (TTF), memberikan basis-basis teori yang sangat dibutuhkan untuk mencari tahu faktor-faktor yang dapat menjelaskan penggunaan sebuah aplikasi TI serta hubungannya dengan kinerja pengguna (Dishaw & Strong, 1999). Oleh karena itu, pengintegrasian model TAM dan TTF bermanfaat untuk lebih memahami perilaku penggunaan aplikasi TI serta dalam kondisi yang lebih beragam. Pemahaman terhadap perilaku pengguna sistem e-Class akan membantu PT. XYZ untuk mengembangkan sistem e-Class menjadi lebih baik.
1.2 Rumusan Masalah
Berdasarkan hasil wawancara dengan staf PT. XYZ, salah satu strategi bisnis perusahaan adalah untuk menutup kelas tatap mukanya dan menggantinya dengan sistem e-Class. Akan tetapi strategi ini mengalami kendala karena semenjak penerapannya pada tahun 2010 hingga sekarang, jumlah peserta e-Class tidak sesuai harapan. Sebagai tambahan, selama ini PT. XYZ belum pernah melakukan penelitian mengenai faktor-faktor penerimaan peserta terhadap sistem e-Class, sehingga perusahaan tidak memiliki strategi yang tepat untuk mengatasi kendala rendahnya jumlah peserta tersebut. Berdasarkan uraian diatas, maka pertanyaan penelitian (research question) yang akan dipelajari kedalam penelitian ini adalah “Faktor-faktor apa saja yang mempengaruhi minat peserta dalam menggunakan sistem e-Class milik PT. XYZ?”.
1.3 Tujuan Penelitian
Tujuan penelitian adalah untuk mencari faktor yang mempengaruhi peserta dalam penggunaan sistem e-Class. Oleh karena itu, penelitian ini meliputi: 1. Mengembangkan model yang sesuai untuk menggambarkan penerimaaan peserta terhadap sistem e-Class; 2. Mengidentifikasi
faktor-faktor
yang
mempengaruhi
peserta
untuk
menggunakan sistem e-Class;
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
5
3. Merumuskan strategi untuk membantu XYZ dalam menyukseskan penerapan sistem e-Class.
1.4 Manfaat Penelitian
Hasil dari penelitian ini dapat digunakan untuk: 1. Memberi masukan kepada peneliti lain untuk penelitian lebih lanjut mengenai analisa penerimaan sistem e-learning; 2. Memperkaya jumlah penelitian yang menggunakan integrasi model TAM dan TTF terhadap analisa penerimaan sistem e-learning; 3. Membantu manajemen XYZ untuk meningkatkan kualitas sistem e-Class menjadi lebih baik; 4. Membantu manajemen XYZ dalam memperbaiki strategi mereka terkait penggunaan sistem e-Class.
1.5 Ruang Lingkup Penelitian
Penelitian ini terbatas hanya untuk pembahasan-pembahasan sebagai berikut: 1. Penelitian ini terbatas hanya pada PT. XYZ yang berlokasi di Jakarta; 2. Penelitian ini terbatas hanya membahas sistem e-Class yang terdapat pada PT. XYZ; 3. Penelitian ini terbatas hanya untuk menganalisa faktor-faktor yang mempengaruhi penerimaan peserta pengguna sistem e-Class antara tahun 2011 hingga tahun 2012.
1.6 Sistematika Penulisan
Sistematikan penulisan karya akhir ini adalah sebagai berikut: BAB 1. PENDAHULUAN Bagian ini berisi tentang latar belakang penelitian, rumusan masalah, tujuan penelitian, manfaat penelitian, ruang lingkup penelitian, serta sistematika penulisan. Latar belakang dari penelitian ini adalah rata-rata jumlah pengguna Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
6
sistem e-Class yang menurun pada tahun 2012 apabila dibandingkan dengan tahun 2011. Masalah penelitian ini adalah belum diketahuinya faktor-faktor yang mempengaruhi peserta dalam menggunakan sistem e-Class. Tujuan dari penelitian ini adalah untuk mencari faktor-faktor yang mempengaruhi peserta tersebut. Hasil dari penelitian ini akan memberikan manfaat untuk peneliti lain serta untuk manajemen PT. XYZ. Sementara ruang lingkup penelitian terbatas pada PT. XYZ dan pengguna sistem e-Class antara tahun 2011 hingga tahun 2012.
BAB 2. TINJAUAN PUSTAKA Bagian ini membahas tentang definisi e-learning, model penerimaan teknologi sistem informasi, metode uji statistik, kajian penelitian sebelumnya, dan perumusan hipotesis serta pengajuan model penelitian. Pembahasan e-learning mencakup sejarah perkembangan pendidikan jarak jauh, mulai dari penggunaan surat-menyurat hingga ke penggunaan teknologi. Model penerimaan teknologi sistem informasi yang dibahas adalah model technology acceptance model (TAM), model task-technology fit (TTF) serta integrasi antara model technology acceptance model dan model task-technology fit (TAM/TTF). Metode statistik yang digunakan dalam penelitian ini adalah structural equation modeling dengan pendekatan partial least squares. Pada akhir dari bab 2, penulis membahas lima penelitian terkait penerimaan teknologi sistem informasi dan perumusan hipotesis serta pengajuan model penelitian.
BAB 3. METODOLOGI PENELITIAN Pada
bagian
ini
penulis
menjabarkan
mengenai
tahapan
penelitian,
operasionalisasi variabel, tempat dan waktu penelitian, penentuan populasi dan sampel, metode pengumpulan data serta metode analisis data. Tahapan dari penelitian ini diantaranya adalah identifikasi masalah, tinjauan literatur, perumusan hipotesis dan pengajuan model penelitian, pembuatan kuesioner, penentuan populasi dan sampel, pengumpulan data, analisis data dan pembuatan kesimpulan serta saran. Operasionalisasi variabel menjabarkan bagaimana constructs dari technology acceptance model dan task-technology fit digunakan untuk menyusun variabel-variabel penelitian. Di samping itu, pada bagian ini Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
7
penulis juga menjabarkan mengenai tempat dilakukannya penelitian, waktu penelitian, serta penentuan populasi dan sampel. Pada akhir dari bab 3, penulis menjabarkan mengenai metode pengumpulan data, metode untuk menganalisa data dan aplikasi yang digunakan dalam analisa.
BAB 4. PROFIL ORGANISASI Pada bagian ini penulis menjabarkan mengenai profil organisasi PT. XYZ serta gambaran umum sistem e-Class. Bagian profil organisasi membahas mengenai latar belakang organisasi, tujuan didirikannya PT. XYZ dan pelatihan-pelatihan yang diselenggarakan oleh PT. XYZ. Bagian pembahasan e-Class berisi tentang gambaran umum serta manfaat dari sistem e-Class. Penjabaran mengenai fiturfitur dan tampilan sistem e-Class terdapat pada bagian gambaran umum sistem. Sementara manfaat dari sistem e-Class dijabarkan menjadi manfaat untuk PT. XYZ serta manfaat untuk peserta e-Class.
BAB 5. HASIL PENELITIAN Pada bagian ini penulis menjabarkan tentang profil responden, analisa statistik deskriptif, analisis data, pengujian hipotesis, diskusi, implikasi dan batasan penelitian. Pertama-tama, data yang terkumpul digunakan untuk menjabarkan profil responden serta analisis deskriptif. Setelah itu data dianalisis menggunakan metode partial least squares dengan aplikasi WarpPLS versi 3.0. Tahapantahapan dalam analisis data diantaranya adalah verifikasi data, konstruksi diagram jalur, evaluasi model pengukuran, evaluasi struktural dan uji hipotesis. Pada akhir dari bab 5, penulis menjabarkan mengena temuan dari analisis data pada bagian diskusi dan implikasi.
BAB 6. KESIMPULAN DAN SARAN Pada bagian ini penulis memberikan kesimpulan dari penelitian serta saran untuk penelitian selanjutnya. Kesimpulan dari penelitian ini berupa faktor-faktor yang mempengaruhi peserta dalam menggunakan sistem e-Class. Salah satu faktor tersebut adalah kualitas dari sistem e-Class itu sendiri. Sementara saran untuk
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
8
penelitian ini meliputi saran untuk PT. XYZ serta saran untuk penelitian selanjutnya.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 2 TINJAUAN PUSTAKA TINJAUAN PUSTAKA Pada bab ini penulis menjabarkan mengenai tinjauan pustaka dari teori-teori yang digunakan, diantaranya teori e-learning, technology acceptance model, tasktechnology fit, dan structural equation model. Di samping itu, bab ini juga menjabarkan mengenai kajian penelitian-penelitian terkait, dan perumusan hipotesis serta pengajuan model penelitian.
2.1 Definisi E-learning
Sistem e-Class yang dikembangkan oleh XYZ merupakan bagian dari pemanfaatan e-learning dalam proses belajar-mengajar. E-learning itu sendiri merupakan pengembangan dari pendidikan jarak jauh (distance learning). Pada awalnya, pendidikan jarak jauh terdiri dari korespondensi pendidikan, pelajaran yang disiarkan melalui televisi, sekumpulan videotape, dan rekaman kaset. TV kabel, video player, dan TV satelit memungkinkan siswa untuk berapartisipasi dalam kelas-kelas diwaktu yang telah mereka tentukan sendiri. Internet, Intranet, dan penemuan local area networks (LAN) serta wide area networks (WAN) telah memberikan siswa-siswa kesempatan untuk mengikuti pendidikan jarak jauh melebihi penggunaan film dan hasil rekaman dikelas (Harper, Chen, & Yen, 2004).
Tabel 2.1 Sejarah dari pendidikan jarak jauh Tahun
Karakteristik
Kejadian Penting
1700-1900
Penggunaan surat untuk mengirim
Berdirinya Sistem Pos AS
materi pelajaran
Penggunaan korespondensi pendidikan
Korespondensi pendidikan
dalam pendidikan tinggi
Penggunaan radio dan televisi untuk
Negara bagian di AS mengeluarkan
korespondensi pendidikan
undang-undang yang mengharuskan
1920-1960
siswa untuk datang ke sekolah Penggunaan korespondensi pendidikan di militer
9
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
10
Tabel 2.1 Sejarah dari pendidikan jarak jauh (sambungan) Tahun
Karakteristik
Kejadian Penting
1970-1980
Penggunaan video rekaman Penggunaan kaset rekaman Penggunaan “koleksi” Saluran broadcast yang tersedia secara terbatas Umumnya digunakan dalam riset dan penelitian untuk berbagi informasi
1980-1990
Telekonferensi
Lahirnya Arpanet, yang merupakan
Konferensi video
asal-usul World Wide Web
Perekam video yang lebih murah Jaringan televisi kabel menyediakan layanan untuk murid-murid K-12 Lebih banyak program televisi 1990-
Komputer yang lebih murah
Dominasi dari World Wide Web
Sekarang
Akses yang lebih baik ke teknologi
Lahirnya teknologi nirkabel
Penggunaan internet di kelas-kelas
Lebih banyak pendanaan dari
Lebih banyak institusi pendidikan
perusahaan swasta dan universitas-
dan bisnis yang menggunakan
universitas
pelatihan jarak jauh berbasis komputer (CBTs) Komunikasi synchronous dan asynchronous Sumber: (Harper, Chen, & Yen, 2004)
Tabel 2.1 diatas menunjukkan evolusi pendidikan jarak jauh dari penggunaan surat-menyurat hingga ke penggunaan komputer. Perkembangan yang cepat di bidang teknologi informasi serta berkaitan dengan apa yang dikenal sebagai revolusi elektronik pada tahun 1980-an, membuka jalan untuk lahirnya e-learning atau pendidikan jarak jauh berbasiskan elektronik (Keegan, 2002). E-learning dapat menghubungkan siswa dan pengajar yang berada di berbagai lokasi berbeda kedalam sebuah kelas maya (virtual classroom). Melalui internet, e-learning yang terintegrasi antara teks, audio, video diakses oleh siapapun dan dimanapun.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
11
2.2 Model-Model Penerimaan Teknologi Sistem Informasi
Model penerimaan teknologi sistem informasi yang digunakan dalam penelitian ini adalah integrasi antara technology acceptance model (TAM) dan tasktechnology fit (TTF). Hal ini karena TAM sudah dikenal dan diterima secara luas dalam studi terhadap perilaku yang bertujuan untuk memahami bagaimana kepercayaan dan sikap pengguna mempengaruhi perilaku penggunaan teknologi mereka (Pittalis & Christou, 2011). Sementara TTF, memperluas fungsi dari TAM dengan cara mempertimbangkan bagaimana sebuah tugas akan mempengaruhi penggunaan teknologi sistem informasi (Klopping & McKinney, 2004). Oleh karena itu, penggunaan model TAM yang terintegrasi dengan model TTF (TAM/TTF) akan memberikan sebuah model yang lebih kuat daripada penggunaan model TAM atau TTF sendirian (Dishaw & Strong, 1999).
2.2.1 Technology Acceptance Model (TAM)
Technology acceptance model (TAM) pertama kali dikenalkan oleh Davis (1989), yang dikembangkan dari theory of reasoned action (TRA) (Ajzen & Fishbein, 1980) dalam sebuah penelitian psikologi (Masrom, 2006). Menurut Ajzen dan Fishbein (1980), theory of reasoned action (TRA) adalah sebuah model untuk memprediksi niat (intention) dari sebuah perilaku (behavior) berdasarkan sikap (attitudinal) dan keyakinan normatif (normative beliefs) setiap individu (Southey, 2011). Sikap (attitudinal) serta keyakinan normatif (normative beliefs) dari TRA mewakili constructs yang terlibat dalam sebuah perilaku moral. Oleh karena itu, berdasarkan TRA, saat seseorang berhadapan dengan sebuah situasi moral, seperti berbuat curang saat ujian, sesorang akan memutuskan untuk melakukan kecurangan tersebut atas dasar sikapnya terhadap perilaku berbuat curang dan atas dasar persepsinya terhadap apa yang akan dilakukan oleh orang-orang yang dianggapnya penting. Sehingga, seseorang akan berbuat curang saat ujian karena sikapnya sangat positif dan dia merasa bahwa orang-orang yang dianggapnya penting akan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
12
mendorongnya untuk melakukan hal tersebut (Vallerand, Deshaies, Cuerrier, Pelletier, & Mongeau, 1992). Hubungan antar constructs dari TRA dapat dilihat secara lebih jelas pada Gambar 2.1.
Gambar 2.1 Theory of reasoned action Sumber: (Vallerand, Deshaies, Cuerrier, Pelletier, & Mongeau, 1992)
Menurut Ajzen (1991), Theory of planned behavior (TPB) adalah pengembangan dari theory of reasoned action (TRA) (Ajzen & Fishbein, 1980) yang dibuat karena adanya keterbatasan pada TRA dalam menangani perilaku yang mana tidak dikendalikan oleh kehendak seseorang. Selayaknya pada TRA, faktor sentral pada TPB adalah niat seseorang dalam menjalankan sebuah perilaku. Niat adalah indikasi dari seberapa keras seseorang bersedia untuk mencoba atau seberapa besar usaha yang mau dikeluarkan dalam rangka menjalankan sebuah perilaku. Theory of planned behavior mengemukakan tiga komponen (constructs) pembentuk niat yang independen secara konseptual, yaitu: komponen sikap terhadap perilaku (attitude toward the behavior), komponen norma subyektif (subjective norm) dan komponen tingkat dari kendali terhadap perilaku yang dirasakan (perceived behavioral control). Ketiga komponen tersebut pada akhirnya akan menentukan niat seseorang dalam melakukan
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
13
sebuah perilaku (Ajzen I. , 1991). Gambar 2.2 memberikan gambaran yang lebih jelas terhadap hubungan antar constructs dari TPB.
Gambar 2.2 Theory of planned behavior Sumber: (Ajzen I. , 1991)
Sementara TRA dan TPB mencoba untuk menjelaskan dan memprediksi perilaku seseorang melalui wilayah domain yang luas, technology acceptance model (TAM) telah diajukan sebagai adaptasi dari TRA yang secara lebih spesifik bertujuan untuk menjelaskan perilaku penggunaan komputer/teknologi informasi (Gong, Xu, & Yu, 2004). TAM memiliki dua constructs utama, yaitu constructs manfaat yang dirasakan (perceived usefulness) dan constructs kemudahan yang dirasakan (perceived ease of use). Perceived usefullness didefinisikan sebagai tingkat keyakinan individu bahwa penggunaan sistem informasi tertentu akan meningkatkan kinerjanya. Sementara perceived ease of use didefinisikan sebagai tingkat dimana seseorang meyakini bahwa penggunaan sistem informasi merupakan hal yang mudah dan tidak memerlukan usaha keras dari pemakainya (Davis, 1989). Gambar 2.3 memberikan gambaran mengenai hubungan constructs dari model TAM.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
14
Gambar 2.3 Technology acceptance model Sumber: (Davis, 1989)
2.2.2 Task-Technology Fit (TTF)
TAM dan TTF adalah dua model analisa perilaku pemanfaatan teknologi informasi (TI) yang saat ini sangat umum digunakan dalam berbagai literatur sistem informasi. Kedua model tersebut memberikan basis teori yang
sangat
dibutuhkan
untuk
menjelaskan
faktor-faktor
yang
mempengaruhi pemanfaatan perangkat lunak serta hubungannya dengan kinerja pengguna. Penggabungan TAM dan TTF dapat menghasilkan sebuah model yang lebih kuat daripada hanya menggunakan model TAM atau TTF saja. TAM dan TTF dikembangkan untuk memahami pilihanpilihan dan penilaian pengguna terhadap TI. Penggunaan dari TAM biasanya fokus pada awal dari niat untuk menggunakan atau saat penggunaan sebenarnya, sementara penggunaan TTF fokus pada akhir dari penggunaan atau pada kinerja seseorang yang disebabkan oleh penggunaan tersebut (Dishaw & Strong, 1999).
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
15
Gambar 2.4 Task-technology fit Sumber: (Goodhue & Thompson, 1995)
Berdasarkan Gambar 2.4 diatas, TTF dipengaruhi oleh dua constructs utama, yaitu karakteristik tugas (task characteristics) dan karakteristik teknologi (technology characteristics). Goodhue dan Thompson (1995) menyatakan bahwa dalam teori task-technology fit (TTF), TI sangat mungkin untuk memberikan dampak positif terhadap kinerja seseorang (performance impacts) dan digunakan (utilization) apabila kemampuan dari TI (technology characteristics) sesuai dengan tugas-tugas yang harus dilakukan (tasks characteristics) oleh para pengguna. Komponen (construct) tugas (tasks) dapat diterjemahkan sebagai tindakan-tindakan yang dilakukan oleh seseorang untuk merubah input menjadi output. TTF menyarankan bahwa pengadopsian sebuah teknologi sangat bergantung pada seberapa jauh teknologi tersebut dapat digunakan untuk memenuhi persyaratan-persyaratan dari sebuah tugas. Menurut teori TTF, construct karakteristik tugas, teknologi serta pengguna merupakan komponen penting
yang
memberi
banyak
kontribusi
terhadap
kesuksesan
pengimplementasian sebuah sistem informasi (Goodhue & Thompson, 1995). Menurut Goodhue & Thompson (1995), ada delapan faktor umum yang digunakan untuk mengukur TTF, yaitu: 1. Kualitas (quality) yang mengukur ketepatan data serta seberapa detil sebuah data; 2. Kemudahan dalam navigasi (locatability) yang mengukur kemudahan untuk menemukan sebuah data;
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
16
3. Hak akses (authorization) yang mengukur hak akses untuk mengakses sebuah data; 4. Kecocokan (compatibility) yang mengukur kecocokan data yang dibutuhkan oleh pengguna maupun sistem yang berbeda; 5. Aktualitas produksi (production timeliness) yang mengukur ketepatan waktu dari sebuah proses produksi; 6. Kehandalan sistem (system reliability) yang mengukur tingkat kehandalan dari sebuah sistem; 7. Kemudahan/pelatihan (ease of use/training) yang mengukur tingkat kemudahan dalam penggunaan serta pelatihan; dan 8. Hubungan dengan pengguna (relationship with users) yang mengukur kemudahan pengguna dalam memahami penggunaan sistem.
2.2.3 Pengintegrasian Model Technology Acceptance Model dengan Model Task-Technology Fit (TAM/TTF)
Model yang pertama, TAM dikembangkan untuk menjelaskan dan memprediksi perilaku penggunaan-komputer (Klopping & McKinney, 2004). Salah satu kelemahan dari model TAM adalah model tersebut kurang fokus terhadap tugas. Walaupun konsep manfaat yang dirasakan (perceived usefulness) dari TAM secara tersirat telah mencakup tugas, akan tetapi model TAM telah dikritik karena tidak fokus terhadap tugas dan pengaplikasiannya mengungkapkan hasil yang beragam dalam hal evaluasi teknologi informasi (Dishaw & Strong, 1999). Model penerimaan teknologi yang kedua, TTF, memperluas model TAM dengan cara mempertimbangkan bagaimana sebuah tugas mempengaruhi penggunaan (Klopping & McKinney, 2004). landasan teori dari model TTF terletak pada asumsi bahwa teknologi akan digunakan apabila, dan hanya bila, fungsi-fungsi yang tersedia untuk pengguna sesuai dengan aktivitas serta kebutuhan pengguna. Oleh karena itu, TTF secara jelas memasukkan karakteristik tugas dan menguji dampak langsung dari karakteristik tugas serta teknologi dalam penggunaan (Pittalis & Christou, 2011). Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
17
Dishaw dan Strong (1999), menyarankan untuk mengintegrasikan model TAM dengan model TTF karena penambahan konstruksi TTF kedalam TAM mampu memberi penjelasan terhadap variasi-variasi dalam penggunaan teknologi secara lebih signifikan. Pengintegrasian dari TAM dan TTF akan bermanfaat untuk memahami penggunaan aplikasi dalam kondisi yang lebih beragam, yang mana hal ini sangat bermanfaat bagi perusahaan penyedia aplikasi tersebut. Perusahaan penyedia aplikasi seperti PT. XYZ perlu untuk memahami bagaimana pengguna memutuskan untuk menggunakan atau tidak menggunakan aplikasi eClass. Kunci dari pemahaman penggunaan aplikasi e-Class terletak pada memahami bagaimana fungsi-fungsi e-Class dapat memenuhi kebutuhan yang dirasakan oleh para pengguna aplikasi. Hasil dari pengintegrasian model TAM dan TTF (TAM/TTF) yang digunakan dalam penelitian ini dapat dilihat pada Gambar 2.5.
Gambar 2.5 Integrasi TAM dan TTF Sumber: (Dishaw & Strong, 1999)
Berdasarkan model TAM/TTF tersebut, model TTF mengukur kecocokan antara tugas dan teknologi. Pengukuran dari model TTF ini mempengaruhi construct
kegunaan
dan
produktivitas.
construct
kegunaan
yang
dipengaruhi di dalam model TAM adalah construct kemudahan yang dirasakan (perceived ease of use), manfaat yang dirasakan (perceived of usefulness), dan niat untuk menggunakan (intention to use). Walaupun model TTF lebih efektif daripada model TAM untuk memprediksi penggunaan dalam tugas-tugas pekerjaan; namun, studi yang dilakukan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
18
oleh Dishaw dan Strong (1999) menunjukkan bahwa kombinasi antara model TTF dan model TAM dalam suatu model yang diperluas merupakan sebuah model yang superior (Klopping & McKinney, 2004). Oleh karena kesimpulan ini, maka penulis menggunakan model yang terintegrasi antara model TAM dan model TTF (TAM/TTF).
2.3 Structural Equation Modeling (SEM)
Metode statistik generasi pertama, seperti pendekatan berbasis regresi (multiple regression analysis, discriminant analysis, logistic regression, analysis of variance) dan pendekatan analisa faktor atau kelompok (cluster) memiliki beberapa keterbatasan. Salah satu keterbatasannya adalah asumsi bahwa semua variabel dapat diobservasi (Haenlein & Kaplan, 2004). Menurut McDonald (1996), sebuah variabel dapat diobservasi (observable) apabila nilainya dapat diperoleh melalui eksperimen percobaan dunia nyata (real-world sampling experiment). Sementara menurut Dijkstra (1983), setiap variabel yang tidak dapat diobservasi akan dikategorikan sebagai unobservable. Oleh karena keterbatasan tersebut penelitian ini menggunakan metode statistik SEM yang merupakan metode statistik generasi kedua (Haenlein & Kaplan, 2004). Menurut Gefen, Straub, dan Boudreau (2000), SEM dapat mengatasi keterbatasan dari metode statistik generasi pertama karena SEM memungkinkan permodelan hubungan antara beberapa construct yang independen dengan construct tanggungan secara bersamaan. Sementara metode statistik berbasis regresi hanya menganalisa satu lapisan hubungan antara variabel independen dan variabel tanggungan disaat yang bersamaan (Haenlein & Kaplan, 2004). Menurut Hoyle (1995), structural equation modeling (SEM) adalah sebuah pendekatan statistik yang komprehensif untuk menguji hipotesa mengenai hubungan antara variabel yang tersembunyi dengan yang terpantau (Suhr, 2006). Menurut Rigdon (1998), SEM adalah sebuah metodologi untuk mewakili, memperkirakan, dan menguji sebuah jaringan teoretis yang terdiri dari (kebanyakan) hubungan linear antar variabel (Suhr, 2006). Menurut MacCallum dan Austin (2000), SEM menguji
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
19
pola-pola hipotesa hubungan directional dan nondirectional diantara beberapa variabel yang terpantau (observed) dan tidak terpantau (unobserved) (Suhr, 2006). Menurut Chin (1998), secara umum terdapat dua pendekatan dalam melakukan estimasi terhadap parameter-paratemer dari SEM, yaitu pendekatan berbasis kovarian (covariance-based approach) dan pendekatan berbasis varian (variancebased approach) (Haenlein & Kaplan, 2004). Ada beberapa alat bantu (tools) yang dapat digunakan untuk melakukan analisa dengan pendekatan berbasis kovarian, seperti EQS, AMOS, SEPATH, COSAN dan LISREL. LISREL merupakan program yang paling populer untuk digunakan dalam analisa dengan pendekatan berbasis kovarian dari SEM. Sementara alat bantu (tools) yang digunakan untuk melakukan analisa dengan pendekatan berbasis varian adalah Partial Least Squares analysis (PLS) (Haenlein & Kaplan, 2004). Salah satu faktor penentu dalam pemilihan antara menggunakan pendekatan berbasis kovarian atau pendekatan berbasis varian untuk penelitian ini adalah berdasarkan ukuran besaran sampel. SEM dengan pendekatan berbasis kovarian disarankan untuk digunakan dengan besaran sampel diatas 100 responden, sementara SEM dengan pendekatan berbasis varian dapat digunakan dengan besaran sampel hanya 50 responden (Haenlein & Kaplan, 2004). Sebagai tambahan, penggunaan PLS sebagai pendekatan dari SEM telah menjadi sangat populer dalam 10 tahun terakhir dan telah diaplikasikan dalam berbagai jurnal yang berhubungan dengan sistem informasi (Poelmans, Wessa, Milis, Bloemen, & Doom, 2008). Di samping itu, beberapa penelitian terkait penerimaan teknologi elearning juga menggunakan pendekatan PLS. Penelitian tersebut diantaranya usability and acceptance of e-learning in statistics education, based on the compendium platform (Poelmans, Wessa, Milis, Bloemen, & Doom, 2008), open source e-learning anxiety, self-efficacy and acceptance – a partial least square approach (Mohamed & Karim, 2012), dan a comparison analysis on the intention to continued use of a lifelong learning website (Liao & Liu, 2012).
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
20
2.4 Partial Least Squares (PLS)
PLS pertama kali diperkenalkan oleh H. Wold (1975) dengan nama Non-linear Iterative Partial Least Squares (NIPALS). PLS fokus pada pemaksimalan perubahan (variance) dari variabel-variabel tanggungan (dependent variables) yang dijelaskan oleh variabel-variabel independen (independent variabels) daripada melakukan reproduksi ulang terhadap empirical covariance matrix (Haenlein & Kaplan, 2004). Regresi PLS adalah sebuah metode yang melakukan generalisasi dan menggabungkan fitur-fitur dari principal component analysis dan multiple regression. PLS sangat bermanfaat saat digunakan untuk memprediksi serangkaian dependent variables yang berasal dari serangkaian independent variables yang sangat beragam (Abdi, 2007). Menurut Bagozzi (1984), ada tiga tipe untuk variabel yang tidak dapat diobservasi: 1. Variabel-variabel yang secara prinsip tidak dapat diobservasi, seperti istilah-istilah teoritis; 2. Variabel-variabel yang secara prinsip tidak dapat diobservasi akan tetapi menyatakan secara tidak langsung konsep-konsep empiris atau dapat diperoleh melalui observasi, seperti perilaku yang dapat dilihat melalui evaluasi; dan 3. Variabel-variabel yang tidak dapat diobservasi akan tetapi didefinisikan didalam istilah-istilah variabel yang dapat diobservasi.
Oleh karena seluruh tipe variabel yang tidak dapat diobservasi ini tidak dapat diukur secara langsung, sehingga peneliti perlu untuk mengukur indikator yang mana mencakup aspek lain dari variabel-variabel tersebut. Menurut Bollen dan Lennox (1991), secara umum PLS memiliki dua kelompok indikator: 1. Indikator reflective Model indikator reflective dikembangkan berdasarkan pada teori pengujian klasik (classical test theory) yang mengasumsikan bahwa variasi skor pengukuran construct merupakan fungsi dari true score ditambah error
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
21
(Jaya & Sumertajaya, 2008). Menurut Jaya dan Sumertajaya (2008), ciriciri model indikator reflective adalah: -
Arah hubungan kausalitas seolah-olah berasal dari construct kearah indikator;
-
Antar indikator diharapkan saling berkorelasi (memiliki internal consistency reliability);
-
Menghilangkan satu indikator dari model pengukuran tidak akan merubah maksud dan arti construct;
-
Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator.
2. Indikator formative Construct dengan indikator formative mempunyai karakteristik berupa komposit, seperti yang digunakan dalam literatur ekonomi yaitu index of sustainable economics welfare, the human development index, dan the quality of life index. Oleh karena itu, pada model formative variabel komposit seolah-olah dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas seolah-olah dari indikator ke variabel yang tersembunyi (latent variable) (Jaya & Sumertajaya, 2008). Menurut Jaya dan Sumertajaya (2008), ciri-ciri model indikator formative adalah: -
Arah hubungan kausalitas seolah-olah dari indikator ke construct;
-
Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji konsistensi internal atau alpha cronbach);
-
Menghilangkan satu indikator berakibat perubahan makna dari construct;
-
Kesalahan pengukuran diletakkan pada tingkat construct (zeta).
Ilustrasi hubungan antar variabel dan indikator dalam PLS dapat dilihat pada Gambar 2.6 berikut.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
22
Gambar 2.6 Hubungan antar variabel dan indikator dalam PLS Sumber: (Jaya & Sumertajaya, 2008)
Notasi dalam Gambar 2.6 tersebut memiliki arti sebagai berikut: -
ξ (ksi) = latent exogenous variable
-
η (eta) = latent endogenous variable
-
λx (lambda kecil x) = loading factor dari latent exogenous variable
-
λy (lambda kecil y) = loading factor dari latent endogenous variable
-
Λx (lambda besar x) = matriks loading factor dari latent exogenous variable
-
Λy (lambda besar y) = matriks loading factor dari latent endogenous variable
-
β (beta) = koefisien pengaruh variabel endogen terhadap variabel eksogen
-
γ (gamma) = koefisien pengaruh variabel eksogen terhadap variabel endogen
-
ζ (zeta) = galat model
-
δ (delta) = galat pengukuran pada variabel nyata (manifest variable) untuk variabel yang tersembunyi eksogen (latent exogenous variable)
-
ε (epsilon) = galat pengukuran pada variabel nyata (manifest variable) untuk variabel yang tersembunyi endogen (latent endogenous variable) Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
23
Menurut Jaya dan Sumertajaya (2008), langkah-langkah permodelan persamaan struktural berbasis PLS dengan menggunakan aplikasi adalah sebagai berikut: 1. Merancang model struktural (inner model) Perancangan model struktural hubungan antar variabel yang tersembunyi pada PLS didasarkan pada rumusan masalah atau hipotesis penelitian.
2. Merancang model pengukuran (outer model) Perancangan model pengukuran dalam PLS sangat penting karena menentukan apakah indikator PLS termasuk dalam kelompok reflective atau formative.
3. Mengkonstruksi diagram jalur Supaya dapat lebih dipahami, hasil perancangan inner model dan outer model akan dinyatakan dalam bentuk diagram jalur.
4. Konversi diagram jalur ke dalam sistem persamaan a. Outer model Model indikator reflective untuk outer model atau measurement model dapat ditulis melalui persamaan sebagai berikut: x = Λxξ + δ
(2,1)
y = Λyη + ε
(2,2)
Di mana x dan y adalah indikator untuk variabel yang tersembunyi eksogen (ξ) dan endogen (η). Sedangkan Λx dan Λy merupakan matriks loading factor dari latent variables. Residual yang diukur dengan δ dan ε dapat diinterpretasikan sebagai kesalahan pengukuran atau noise. Sementara model indikator formative untuk outer model atau measurement model dapat ditulis melalui persamaan sebagai berikut: ξ = ΠξXi + δ
(2,3)
η = ΠηYi + ε
(2,4)
Dimana ξ, η, X, dan Y memiliki arti yang sama dengan persamaan sebelumnya. Dengan Πξ dan Πη adalah seperti koefisen regresi Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
24 berganda dari latent variable terhadap indikator, sedangkan δ dan ε adalah sisa (residual) dari regresi.
b. Inner model Inner model atau structural model dapat ditulis melalui persamaan sebagai berikut: η = βη + Γξ + ζ
(2,5)
PLS didesain sebagai model recursive atau sering disebut sebagai causal chain system dari latent variables dan dapat dispesifikasikan melalui persamaan sebagai berikut: ηj = ∑iβjiηi + ∑iγjbξb + ζj
(2,6)
Dimana γjb (dalam bentuk matriks dilambangkan dengan Γ) adalah koefisien jalur yang menghubungkan variabel yang tersembunyi endogen (η) dengan eksogen (ξ). Sedangkan βji (dalam bentuk matriks dilambangkan dengan β) adalah koefisien jalur yang menghubungkan variabel yang tersembunyi eksogen (ξ) dengan endogen (η); untuk range index i dan b. Parameter ζj adalah variabel inner residual. c. Weight relation Weight relation adalah estimasi nilai kasus variabel yang tersembunyi. Inner dan outer model memberikan spesifikasi yang diikuti dengan estimasi weight relation dalam persamaan sebagai berikut: ξb = ∑kb wkb xkb
(2,7)
ηi = ∑ki wki yki
(2,8)
Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk estimasi variabel yang tersembunyi ξb dan ηi. Estimasi variabel yang tersembunyi adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS.
5. Estimasi Metode estimasi parameter di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan berulang Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
25
(iterative), dimana pengulangan akan berhenti apabila telah tercapai kondisi konvergen (convergent). Estimasi parameter di dalam PLS meliputi tiga hal, yaitu: a. Weight estimate, digunakan untuk menciptakan skor variabel yang tersembunyi; b. Estimasi jalur (path estimate) yang menghubungkan antar variabel yang tersembunyi dan estimasi loading antara variabel yang tersembunyi tersebut dengan indikatornya; c. Means dan lokasi parameter (nilai konstanta regresi, intercept) untuk indikator dan variabel yang tersembunyi.
6. Menentukan derajat kecocokan (goodness of fit) a. Outer model -
Convergent validity Convergent validity menggambarkan korelasi antara skor indikator reflective dengan skor variabel tersembunyinya (variable latent). Convergent validity dievaluasi dengan mengukur nilai faktor loading untuk mendapatkan nilai yang signifikan. Menurut Jaya dan Sumertajaya (2008) nilai loading minimal 0,5 sampai 0,6 dianggap convergent validity sudah tercapai. Sementara menurut Mohamed dan Karim (2012), convergent validity dianggap telah tercapai apabila nilai loading pengukuran dari masing-masing komponen (constructs) minimal 0,6.
-
Discriminant validity Discriminant validity diperoleh dari membandingkan nilai square root of average varianced extracted (Akar Kuadrat AVE) setiap construct dengan korelasi antar construct lainnya dalam model. Jika construct’s square root of average varianced extracted (akar Kuadrat AVE) lebih besar dari korelasi dengan seluruh construct lainnya maka dikatakan memiliki discriminant validity yang baik. Jaya dan Sumertajaya (2008), merekomendasikan nilai Akar Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
26
Kuadrat AVE harus lebih besar dari 0,5. Hal ini juga didukung oleh Mohamed dan Karim (2012), yang menyatakan nilai Akar Kuadrat AVE di atas 0,6 cukup untuk mendukung nilai dari convergent reliability.
-
Composite reliability (ρϲ) Composite reliability merupakan indikator kehandalan yang mengukur konsistensi dan ketepatan sebuah variabel dari suatu model (Meilani, Lemy, & Bernarto, 2013). Sebuah variabel dikatakan memiliki reliabilitas komposit yang baik jika memiliki composite reliability ≥ 0.7 (Jaya & Sumertajaya, 2008). Sementara menurut Mohamed dan Karim (2012), nilai composite reliability di atas 0,6 cukup untuk mendukung nilai dari convergent reliability.
b. Inner model Goodness of fit model diukur menggunakan koefisien R-square terhadap variabel latent yang mandiri (dependent latent variable) dengan interpretasi yang sama dengan regresi; koefisien Q-square predictive relevance untuk model struktural, mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Nilai koefisien Q-square > 0 menunjukkan model memiliki predictive relevance; sebaliknya jika nila koefisien Q-square ≤ 0 menunjukkan model kurang memiliki predictive relevance. Perhitungan koefisien Qsquare dilakukan dengan rumus: 2
Q = 1 – ( 1 – R12 ) ( 1 – R22 ) ... ( 1 – Rp2 )
(2,9)
Dimana R12, R22 ... Rp2 adalah R-square variabel endogen dalam model persamaan. Besaran Q2 memiliki nilai dengan rentang 0< Q2 <1, dimana semakin mendekati 1 berarti model semakin baik. Besaran Q2 ini setara dengan koefisien determinasi total pada analisis jalur (path analysis).
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
27
7. Pengujian hipotesis Pengujian hipotesis (β, γ, dan λ) dilakukan dengan metode resampling bootstrap, jackknife maupun blindfold. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free), tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30 responden). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value ≤ 0,05 (alpha 5%), maka disimpulkan signifikan, dan sebaliknya. Bilamana hasil pengujian hipotesis pada outer model signifikan, hal ini menunjukkan bahwa indikator dipandang dapat digunakan sebagai alat pengukur variabel yang tersembunyi. Sedangkan bilamana hasil pengujian pada inner model adalah signifikan, maka dapat diartikan bahwa terdapat pengaruh yang bermakna variabel tersembunyi terhadap variabel tersembunyi lainnya.
2.5 Kajian Penelitian Terkait
Masrom (2006), melakukan penelitian terhadap penerimaan teknologi e-learning di Universiti Teknologi Malaysia menggunakan model penerimaan TAM. Penelitian Masrom (2006) fokus pada investigasi penerimaan setiap pengguna terhadap teknologi e-learning di perguruan tinggi sebagai alat pembelajaran yang efektif. Masrom (2006) menyatakan bahwa manfaat yang dirasakan (perceived usefulness) lebih penting dalam menentukan niat untuk menggunakan daripada perilaku saat penggunaan. Sehingga persepsi yang positif terkait kegunaan sebuah teknologi sangatlah penting untuk menjaga pengguna tetap menggunakan teknologi tersebut. Masrom (2006) menyimpulkan bahwa TAM bukanlah sebuah model deskriptif, karena TAM tidak memiliki kemampuan untuk mendiagnosa kekurangan tertentu dari sebuah teknologi, melainkan TAM bermanfaat untuk mengevaluasi dan memprediksi penerimaan sebuah teknologi. Al-alak dan Alnawas (2011), melakukan penelitian terhadap penerimaan teknologi e-learning di Yordania menggunakan model penerimaan TAM. Penelitian Al-alak dan Alnawas (2011) fokus pada pengukuran sikap tenaga pengajar Yordania Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
28
terhadap pengadopsian teknologi e-learning sebagai sebuah cara baru dalam mengajar. Al-alak dan Alnawas (2011) menyimpulkan bahwa kemudahan yang dirasakan (perceived ease of use) dan manfaat yang dirasakan (perceived usefulness) merupakan variabel yang signifikan, tapi bukan yang terkuat dalam memprediksi niat dan perilaku. Melainkan pengalaman dan pengetahuan terhadap komputer yang merupakan indikator terkuat untuk memprediksi niat dan perilaku. McGill dan Hobbs (2006), melakukan penelitian terhadap penerimaan teknologi virtual learning environments (VLE) menggunakan model penerimaan TTF. Fokus dari penelitian McGill dan Hobbs (2006) adalah untuk menginvestigasi penerimaan teknologi VLE terhadap dua grup pengguna: instruktur dan siswa. McGill dan Hobbs (2006) menyatakan bahwa walaupun para instruktur merasakan adanya dukungan dari atasan dalam menggunakan VLE, namun para instruktur tersebut tidak puas, karena menurut mereka VLE tidak membantu kegiatan mengajar mereka sementara para siswa yakin kalau VLE membantu kegiatan belajar mereka. Adanya perbedaan ini harus segera diatasi, dan penelitian lebih lanjut sebaiknya dapat mengeksplorasi peran dari TTF dalam mengatasi perbedaan ini. Wang dan Tang (2012), melakukan penelitian terhadap kesuksesan dari penggunaan blog sebagai aplikasi e-learning menggunakan model penerimaan information system success models (ISSM) dan TTF. Penelitian mereka fokus pada pengajuan model yang dapat memberikan beberapa implikasi penting secara teoretis dan praktis dalam pengembangan sebuah model penelitian kesuksesan untuk e-learning blog. Wang dan Tang (2012) mengajukan sebuah e-learning blog success model yang menggambarkan hubungan antara kualitas informasi dan pengetahuan, kualitas sistem, penggunaan siswa, kepuasan siswa, TTF, dan performa belajar siswa. Penelitian Wang dan Tang (2012) akan memberikan kontribusi terhadap pemahaman yang lebih menyeluruh dalam mempromosikan kinerja belajar siswa perguruan tinggi menggunakan e-learning blogs. Klopping dan McKinney (2004) melakukan penelitian terhadap penerimaan teknologi e-commerce oleh konsumen menggunakan model TAM dan TTF. Penelitian mereka fokus pada prediksi aktivitas belanja online, baik itu yang masih niat untuk belanja online serta pembelian yang telah terjadi. Klopping dan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
29
McKinney (2004) menyatakan bahwa model TTF merupakan tambahan yang berharga untuk model TAM dalam menganalisa tugas-tugas belanja online. Menurut Klopping dan McKinney (2004), manfaat dari sebuah situs merupakan faktor yang juga harus diperhatikan oleh pengembang situs, dan tidak hanya faktor kemudahan dalam penggunaan saja.
Tabel 2.2 Rangkuman kajian penelitian terkait Peneliti
Teknologi
Model Penelitian
Masrom
e-learning
TAM
Constructs -
Manfaat yang dirasakan
-
Kemudahan yang dirasakan
-
Sikap terhadap penggunaan
-
Behavioral intention to use
-
Manfaat yang dirasakan
Alnawas
-
Kemudahan yang dirasakan
(2011)
-
Normative pressure
-
Pengalaman
-
Computer anxiety
-
Pengetahuan komputer
-
Dukungan manajemen
-
Task-technology fit
Hobbs
-
Kepuasan pengguna
(2006)
-
Sikap terhadap penggunaan
-
Konsekuensi yang
(2006)
Al-alak dan
McGill dan
e-learning
e-learning
TAM
TTF
diantisipasi dari penggunaan -
Norma-norma sosial
-
Facilitating conditions
-
Penggunaan
-
Dampak
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
30
Tabel 2.2 Rangkuman kajian penelitian terkait (sambungan) Peneliti
Teknologi
Model Penelitian
Constructs
Wang dan
e-learning
ISSM dan TTF
-
Kualitas pengetahuan
Tang
-
Kualitas sistem
(2012)
-
Task-technology fit
-
Kepuasan siswa
-
Penggunaan e-learning blog
-
Efektivitas belajar
-
Manfaat yang dirasakan
dan
-
Kemudahan yang dirasakan
McKinney
-
Behavioral intention to use
(2004)
-
Penggunaan yang
Klopping
e-commerce
TAM dan TTF
sebenarnya -
Task-technology fit
2.6 Perumusan Hipotesis dan Pengajuan Model Penelitian
Pada bagian ini penulis menjabarkan mengenai perumusan hipotesis penelitian serta model penelitian berdasarkan hipotesis tersebut. Hipotesis pada penelitian ini disusun berdasarkan enam constructs utama model penerimaan TAM/TTF, yaitu manfaat yang dirasakan (perceived usefulness), kemudahan yang dirasakan (perceived ease of use), perilaku selama penggunaan (attitude towards use), niat untuk menggunakan (intention to use), penggunaan yang sebenarnya (actual usage) dan task-technology fit (TTF). Kemudian diagram model yang diajukan dapat dilihat pada bagian pengajuan model penelitian.
2.6.1 Perumusan Hipotesis
Enam constructs model penerimaan TAM/TTF yang dijadikan hipotesis diantaranya:
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
31
1. Manfaat yang Dirasakan (Perceived Usefulness) Manfaat yang dirasakan (perceived usefulness) merupakan salah satu komponen (construct) utama dari model TAM. Construct manfaat yang dirasakan (perceived usefulness) memiliki dampak yang signifikan terhadap niat untuk menggunakan (intention to use) (Gong, Xu, & Yu, 2004). Sebagai tambahan, manfaat yang dirasakan (perceived usefulness) juga memiliki pengaruh yang signifikan terhadap perilaku selama penggunaan (attitude towards use) teknologi (Masrom, 2006). Melalui penelitian ini, diharapkan bahwa manfaat yang dirasakan (perceived usefulness) akan mempengaruhi perilaku selama penggunaan (attitude towards use) sistem e-Class. Melalui penelitian ini juga diharapkan bahwa manfaat yang dirasakan (perceived usefulness) akan mempengaruhi niat untuk menggunakan (intention to use) sistem e-Class yang kemudian akan mempengaruhi peserta dalam menggunakan sistem e-Class. Oleh karena itu, hipotesis yang muncul dari construct manfaat yang dirasakan (perceived usefulness) adalah: H1: Manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem e-Class. H2: Manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem eClass.
2. Kemudahan yang Dirasakan (Perceived Ease of Use) Construct kemudahan yang dirasakan (perceived ease of use) memiliki pengaruh yang signifikan terhadap perilaku selama penggunaan (attitude towards use) para pengguna dan juga terhadap manfaat yang dirasakan (perceived usefulness) secara bersamaan (Gong, Xu, & Yu, 2004). Sebagai tambahan, Kemudahan yang dirasakan (perceived ease of use) juga memiliki dampak yang signifikan terhadap perilaku selama penggunaan (attitude towards use) teknologi (Masrom, 2006). Melalui penelitian ini diharapkan bahwa kemudahan yang dirasakan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
32
(perceived ease of use) akan mempengaruhi perilaku selama penggunaan (attitude towards use) sistem e-Class dan juga terhadap manfaat yang dirasakan (perceived usefulness) saat menggunakan sistem e-Class secara bersamaan. Hal ini kemudian diharapkan akan mempengaruhi peserta dalam menggunakan sistem e-Class. Oleh karena itu, hipotesis yang muncul dari construct kemudahan yang dirasakan (perceived ease of use) adalah: H3: Kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. H4: Kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class.
3. Perilaku Selama Penggunaan (Attitude Towards Use) Menurut Pittalis dan Christou (2011), perilaku selama penggunaan (attitude towards use) sebuah aplikasi berpengaruh secara signifikan terhadap niat untuk menggunakan (intention to use) teknologi. Melalui penelitian ini, diharapkan bahwa perilaku selama penggunaan (attitude towards use) sistem e-Class akan mempengaruhi niat untuk menggunakan (intention to use) sistem e-Class. Hal ini kemudian diharapkan akan mempengaruhi peserta dalam menggunakan sistem eClass. Oleh karena itu, hipotesis yang diajukan dari construct perilaku selama penggunaan (attitude towards use) adalah: H5: Perilaku selama penggunaan (attitude towards use) berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem eClass.
4. Niat untuk Menggunakan (Intention to Use) Menurut Klopping dan McKinney (2004), niat untuk menggunakan (intention to use) dapat mempengaruhi penggunaan yang sebenarnya (actual usage) dari sistem informasi. Melalui penelitian ini diharapkan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
33
bahwa niat untuk menggunakan (intention to use) akan mempengaruhi peserta dalam penggunaan yang sebenarnya (actual usage) dari sistem e-Class. Oleh karena itu, hipotesis yang muncul dari construct niat untuk menggunakan (intention to use) adalah: H6: Niat untuk menggunakan (intention to use) berpengaruh secara positif terhadap penggunaan yang sebenarnya (actual usage) dari sistem e-Class.
5. Penggunaan yang Sebenarnya (Actual Usage) Penggunaan yang sebenarnya (actual usage) merupakan salah satu construct dari model TAM dan merupakan bentuk nyata dari penggunaan sistem e-Class.
6. Task-Technology Fit (TTF) Task-technology fit (TTF) merupakan construct terakhir dalam model TAM/TTF yang digunakan pada penelitian ini. Menurut Dishaw dan Strong (1999), task-technology fit (TTF) mempengaruhi kemudahan yang dirasakan (perceived ease of use) dan penggunaan yang sebenarnya (actual usage) (Klopping & McKinney, 2004). Sebagai tambahan, task-technology fit (TTF) juga mempengaruhi manfaat yang dirasakan (perceived usefulness) (Klopping & McKinney, 2004). Melalui penelitian ini, diharapkan bahwa kemampuan teknologi dalam memenuhi karakteristik tugas para peserta (task-technology fit) akan mempengaruhi persepsi kemudahan yang dirasakan (perceived ease of use) dan manfaat yang dirasakan (perceived usefulness) para peserta saat menggunakan sistem e-Class. Di samping, melalui penelitian ini juga diharapkan bahwa keseuaian antara teknologi dengan tugas peserta (task-technology fit) akan mempengaruhi peserta dalam menggunakan sistem e-Class secara langsung. Oleh karena itu, penulis mengajukan hipotesis sebagai berikut: H7: Task-technology fit (TTF) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
34
H8:
Task-technology
fit
(TTF)
berpengaruh
positif
terhadap
kemudahan yang dirasakan (perceived ease of use) dari penggunaan sistem e-Class. H9:
Task-technology
fit
(TTF)
berpengaruh
positif
terhadap
penggunaan yang sebenarnya (actual usage) dari penggunaan sistem eClass.
2.6.2 Pengajuan Model Penelitian
Berdasarkan hipotesis-hipotesis yang telah dirumuskan diatas, selanjutnya penulis menggambarkan hubungan antara hipotesis tersebut dengan komponen-komponen model TAM/TTF. Hubungan tersebut dapat dilihat pada diagram model penelitian yang penulis ajukan pada Gambar 2.7 berikut.
TAM
Attitude Towards Use
H5
Intention to Use
H6
Actual Usage
H4 H2
Perceived Ease of Use
H3
H8
H1
H9
Perceived Usefulness
H7
TTF
Gambar 2.7 Model penelitian yang diajukan
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 3 METODOLOGI PENELITIAN METODOLOGI PENELITIAN Pada bab ini penulis menjabarkan mengenai tahapan penelitian, operasionalisasi variabel penelitian, tempat dan waktu penelitian, populasi dan sampel penelitian, metode pengumpulan data serta metode analisis data.
3.1 Tahapan Penelitian
Untuk memahami bagaimana penelitian ini dibuat, penulis menjabarkannya melalui diagram tahapan penelitian seperti yang bisa dilihat pada Gambar 3.1 berikut.
Identifikasi dan Perumusan Masalah
Tinjauan Pustaka
Perumusan Hipotesis dan Pengajuan Model Penelitian
Pembuatan Kuesioner
Penentuan Populasi dan Sampel
Pengumpulan Data
Analisis Data
Kesimpulan dan Saran
Gambar 3.1 Diagram tahapan penelitian 35
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
36
Tahapan penelitian tersebut dapat dijabarkan sebagai berikut: 1. Identifikasi dan perumusan masalah Masukan terhadap identifikasi dan perumusan masalah diperoleh dari hasil wawancara dengan staf serta pimpinan PT. XYZ. Sebagai tambahan, masukan juga diperoleh dari daftar peserta e-Class serta daftar jumlah kelas yang dibuka pada tahun 2011 dan 2012. Tujuan dari identifikasi dan perumusan masalah adalah untuk mengetahui latar belakang serta permasalahan yang terdapat di PT. XYZ terkait implementasi e-Class. Hasil dari tahap identifikasi dan perumusan masalah adalah bab 1 dari penelitian ini, yaitu bab pendahuluan.
2. Tinjauan pustaka Masukan terhadap tinjauan pustaka diperoleh dari beragam buku, jurnal penelitian, tesis serta literatur terkait lainnya. Literatur-literatur tersebut diantaranya memiliki topik mengenai e-learning, TAM, TTF, integrasi TAM/TTF, SEM serta PLS sebagai pendekatan dari SEM. Tujuan dari tinjauan pustaka adalah untuk menentukan model yang tepat untuk menganalisa penerimaan teknologi e-Class. Hasil dari tahap tinjauan pustaka terdapat pada bab 2 dari penelitian ini.
3. Perumusan hipotesis dan pengajuan model penelitian Pada tahap ini penulis merumuskan hipotesis berdasarkan teori-teori yang diperoleh dari tahap sebelumnya. Tujuan dari perumusan hipotesis adalah untuk membantu penulis dalam menguji teori-teori model penerimaan TAM/TTF. Hipotesis yang dirumuskan mencakup komponen-komponen (constructs) dari model penerimaan TAM/TTF, seperti, komponen manfaat yang dirasakan (perceived usefulness), kemudahan yang dirasakan (perceived ease of use), sikap selama penggunaan (attitude towards use), niat untuk menggunakan (intention to use), penggunaan yang sebenarnya (actual use), dan komponen task-technology fit (TTF). Oleh karena itu, model penelitian diajukan berdasarkan hipotesis yang telah dirumuskan.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
37
4. Pembuatan kuesioner Pada tahap ini penulis menyusun kuesioner yang digunakan untuk mengumpulkan data penelitian. Kuesioner tersebut mencakup komponenkomponen dari model penerimaan yang diajukan, seperti, komponen manfaat yang dirasakan (perceived usefulness), kemudahan yang dirasakan (perceived ease of use), sikap selama penggunaan (attitude towards use), niat untuk menggunakan (intention to use), penggunaan yang sebenarnya (actual use), dan komponen task-technology fit (TTF). Total pertanyaan kuesioner berjumlah 32 pertanyaan, yang terdiri dari 4 pertanyaan untuk komponen manfaat yang dirasakan (perceived usefulness), 4 pertanyaan untuk komponen kemudahan yang dirasakan (perceived ease of use), 4 pertanyaan untuk komponen sikap selama penggunaan (attitude towards use), 3 pertanyaan untuk komponen niat untuk menggunakan (intention to use), 3 pertanyaan untuk komponen penggunaan yang sebenarnya (actual usage), dan 6 pertanyaan untuk komponen task-technology fit (TTF). Selain itu, terdapat 6 pertanyan terkait informasi demografi responden, dan 2 pertanyaan terkait hambatan dalam menggunakan sistem serta saran pengembangan sistem dimasa yang akan datang.
5. Penentuan populasi dan sampel Populasi dari penelitian adalah seluruh pengguna sistem e-Class antara tahun 2011 hingga tahun 2012, termasuk diantaranya peserta yang mengikuti uji coba/trial sistem e-Class pada tahun-tahun tersebut. Total populasi untuk penelitian ini berjumlah 185 orang responden akan tetapi hanya 110 orang responden yang dinyatakan sah (valid). Oleh karena jumlah populasi yang tidak terlalu banyak, penulis menggunakan metode sampling jenuh. Berdasarkan metode sampling jenuh, maka seluruh populasi dijadikan sebagai sampel penelitian.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
38
6. Pengumpulan data Pada tahap ini peneliti melakukan pengumpulan data dari sampel penelitian. Pengumpulan data dilakukan menggunakan penyebaran kuesioner melalui surat elektronik dan telepon. Tujuan dari pengumpulan data adalah untuk mendapatkan data yang diinginkan terkait penelitian ini. Hasil dari penelitian ini adalah data penelitian yang siap untuk dianalisa.
7. Analisis data Data hasil kuesioner kemudian dianalisa menggunakan metode uji statistik structural equation modeling (SEM) dengan pendekatan partial least squares (PLS). Dalam melakukan analisa, penulis menggunakan aplikasi WarpPLS versi 3.0. Tahapan-tahapan dalam analisis data diantaranya adalah verifikasi data, konstruksi diagram jalur, evaluasi model pengukuran, evaluasi struktural dan uji hipotesis. Selengkapnya proses analisis data dapat dilihat pada bab 5 dari penelitian ini.
8. Kesimpulan dan saran Pada tahap ini penulis memberikan kesimpulan dari penelitian serta saran untuk penelitian selanjutnya. Kesimpulan dari penelitian ini berupa faktorfaktor yang mempengaruhi peserta dalam menggunakan sistem e-Class. Sementara saran untuk penelitian ini meliputi saran untuk PT. XYZ serta saran untuk penelitian selanjutnya. Selengkapnya dapat dilihat pada bab 6 dari penelitian ini.
3.2 Operasionalisasi Variabel Penelitian
Setiap variabel penelitian untuk pembuatan kuesioner diperoleh dari penelitian sebelumnya yang terkait. Variabel tersebut kemudian dimodifikasi dan disesuaikan dengan kondisi sistem e-Class pada PT. XYZ. Variabel penelitian disusun berdasarkan hubungannya dengan komponen-komponen (constructs) dari model penelitian yang penulis ajukan. Komponen-komponen tersebut diantaranya:
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
39
1. Perceived ease of use (PEU) Perceived ease of use (PEU) diukur menggunakan 4 variabel yang diperoleh dari (Davis, 1989). Variabel-variabel tersebut dapat dilihat pada Tabel 3.1 berikut.
Tabel 3.1 Variabel PEU Kode
Variabel Teramati
Sumber Penelitian
PEU1
Saya sering merasa bingung saat menggunakan (Davis, 1989) sistem (negatif)
PEU2
Berinteraksi dengan sistem sering membuat saya (Davis, 1989) frustrasi (negatif)
PEU3
Saya merasa mudah untuk melakukan apa yang (Davis, 1989) saya inginkan menggunakan sistem
PEU4
Secara keseluruhan, saya mendapati bahwa (Davis, 1989) sistem mudah untuk digunakan
2. Perceived usefulness (PU) Perceived usefulness (PU) diukur menggunakan 4 variabel yang diperoleh dari (Davis, 1989). Variabel-variabel tersebut adalah:
Tabel 3.2 Variabel PU Kode PU1
Variabel Teramati Saya
kesulitan
untuk
mengikuti
Sumber Penelitian kegiatan (Davis, 1989)
pelatihan tanpa sistem PU2
Menggunakan sistem memperbaiki kinerja saya
(Davis, 1989)
PU3
Menggunakan sistem menghemat waktu saya
(Davis, 1989)
PU4
Secara keseluruhan, saya mendapati bahwa (Davis, 1989) sistem sangat bermanfaat dalam mengikuti kegiatan pelatihan
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
40
3. Attitude towards use (AT) Attitude towards use (AT) diukur menggunakan 4 variabel yang diperoleh dari (Šumak, Heričko, Pušnik, & Polančič, 2011) dan (Masrom, 2006). Variabel-variabel tersebut adalah:
Tabel 3.3 Variabel AT Kode
Variabel Teramati
Sumber Penelitian
AT1
Menggunakan sistem merupakan ide yang (Šumak, Heričko, Pušnik, & Polančič, 2011)
buruk (negatif) AT2
Secara
umum
saya
tidak
suka (Masrom, 2006)
menggunakan sistem (negatif) AT3
Menggunakan sistem membuat kegiatan (Šumak, Heričko, Pušnik, pelatihan menjadi lebih menarik
AT4
& Polančič, 2011)
Secara umum saya suka menggunakan (Masrom, 2006) sistem
4. Intention to use (IU) Intention to use (IU) diukur menggunakan 3 variabel yang diperoleh dari (Šumak, Heričko, Pušnik, & Polančič, 2011), (Masrom, 2006) dan (Chang, 2004). Variabel-variabel tersebut adalah:
Tabel 3.4 Variabel IU Kode
Variabel Teramati
IU1
Saya berencana untuk menggunakan sistem (Šumak, Heričko, Pušnik, untuk kegiatan pelatihan berikutnya
IU2
Sumber Penelitian & Polančič, 2011)
Saya akan sering menggunakan sistem (Masrom, 2006) setiap kali mengikuti kegiatan pelatihan
IU3
Saya berencana untuk selalu menggunakan (Chang, 2004) sistem secara reguler dimasa depan karena bermanfaat untuk saya
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
41
5. Actual usage (AU) Actual usage (AU) diukur menggunakan 3 variabel yang diperoleh dari (Chang, 2004) dan (Klopping & McKinney, 2004). Variabel-variabel tersebut adalah:
Tabel 3.5 Variabel AU Kode
Variabel Teramati
AU1
Saya
selalu
menggunakan
Sumber Penelitian sistem
setiap (Chang, 2004)
mengikuti kegiatan pelatihan AU2
Saya sering menggunakan sistem lain yang (Klopping serupa
AU3
&
McKinney, 2004)
Saya selalu menggunakan sistem yang serupa (Klopping
&
setiap mengikuti kegiatan pelatihan ditempat McKinney, 2004) lain.
6. Task-technology fit (TTF) Task-technology fit (TTF) diukur menggunakan 6 variabel yang diperoleh dari (Goodhue & Thompson, 1995). Ada delapan faktor umum yang digunakan untuk mengukur TTF, yaitu kualitas (quality), kemudahan dalam navigasi (locatability), hak akses (authorization), kecocokan (compatibility), aktualitas produksi (production timeliness), kehandalan sistem (system reliability), kemudahan/pelatihan (ease of use/training), dan hubungan dengan pengguna (relationship with users) (Goodhue & Thompson, 1995). Akan tetapi pada penelitian ini penulis menyesuaikan dengan kondisi sistem e-Class dan membuang faktor kecocokan (compatibility) karena pengguna sistem e-Class hanya memperoleh data dari satu sumber sehingga tidak perlu memeriksa kecocokan data apapun. Sebagai tambahan, penulis juga membuang faktor aktualitas produksi (production timeliness) karena sistem e-Class tidak berhubungan dengan proses produksi apapun. Sehingga 6 faktor umum yang diukur pada penelitian ini adalah: kualitas (quality), kemudahan dalam navigasi (locatability), hak akses (authorization), kehandalan sistem (system Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
42
reliability), kemudahan/pelatihan (ease of use/training), dan hubungan dengan pengguna (relationship with users).
Tabel 3.6 Variabel TTF Kode
Variabel Teramati
TTF1
Saya merasakan kualitas suara, gambar (Goodhue & Thompson, serta video dari sistem cukup baik
TTF2
1995)
Saya merasa mudah untuk menemukan (Goodhue & Thompson, fitur-fitur dari sistem yang saya inginkan
TTF3
1995)
Saya tidak dapat mengakses fungsi-fungsi (Goodhue & Thompson, dari sistem yang tidak ditujukan untuk 1995) pengguna umum seperti saya
TTF4
Sistem sering tidak bisa diakses sehingga (Goodhue & Thompson, mengganggu kegiatan pelatihan saya 1995) (negatif)
TTF5
Saya merasa mudah mempelajari dan (Goodhue & Thompson, menggunakan
sistem
pada
saat 1995)
penggunaan pertama TTF6
Sistem dapat memenuhi kebutuhan saya (Goodhue & Thompson, dalam mengikuti kegiatan pelatihan
1995)
Secara keseluruhan, pada penelitian ini terdapat 6 construct/latent variable (LV), yang terdiri dari 5 latent endogeneous variable dan 1 latent exogeneous variable. Latent endogeneous variable pada penelitian ini adalah perceived ease of use (PEU), perceived usefulness (PU), attitude towards use (AT), intention to use (IU) dan actual usage (AU). Serta latent exogeneous variable pada penelitian ini adalah task-technology fit (TTF). Kemudian, pada penelitian ini terdapat 24 variabel teramati/indikator untuk LV, yang terdiri dari 18 indikator latent endogeneous variable dan 6 indikator latent exogeneous variable. Indikator-indikator latent endogeneous variable dari penelitian ini adalah: Y1: PEU1 Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
43
Y2: PEU2 Y3: PEU3 Y4: PEU4 Y5: PU1 Y6: PU2 Y7: PU3 Y8: PU4 Y9: AT1 Y10: AT2 Y11: AT3 Y12: AT4 Y13: IU1 Y14: IU2 Y15: IU3 Y16: AU1 Y17: AU2 Y18: AU3 Sementara 6 indikator latent exogeneous variable pada penelitian ini adalah: X1: TTF1 X2: TTF2 X3: TTF3 X4: TTF4 X5: TTF5 X6: TTF6
3.3 Tempat dan Waktu Penelitian
Penelitian ini dilakukan di PT. XYZ yang berlokasi di daerah Kuningan, Jakarta Selatan. Penelitian membutuhkan waktu sekitar 8 bulan, yang dimulai dari bulan Agustus 2012 hingga Maret 2013. Waktu tersebut digunakan untuk pengumpulan data, tinjauan literatur terkait, analisis data, uji coba instrumen dan penulisan hasil analisa. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
44
3.4 Populasi dan Sampel
Populasi adalah wilayah generalisasi yang terdiri dari subyek/obyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya (Sugiyono, 2004). Populasi dari penelitian adalah para peserta yang pernah menggunakan sistem e-Class antara tahun 2011 hingga tahun 2012. Sebagai tambahan, para peserta yang pernah mengikuti uji coba/trial dari sistem e-Class juga akan dijadikan populasi karena para peserta uji coba tersebut menggunakan sistem e-Class secara penuh layaknya peserta biasa. Populasi peserta e-Class tahun 2011 dapat dilihat pada Tabel 3.7 berikut.
Tabel 3.7 Peserta e-Class tahun 2011 No
Kelas Pelatihan
Jumlah Peserta
1
LU-11
1
2
PJK-007
1
3
KUP-003
1
4
LE-001
10
5
PJK-010
3
6
PJK-011
9
7
PI-002
8
8
PI-003
2
9
PI-004
3
10
TA-002
8
11
KB-76
1
12
KB-84
2
13
BB-34(AB)
1
Total Peserta
50
Sumber: Daftar peserta e-Class PT. XYZ
Sementara populasi peserta e-Class pada tahun 2012 dapat dilihat pada Tabel 3.8 berikut.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
45
Tabel 3.8 Peserta e-Class tahun 2012 No
Kelas Pelatihan
Jumlah Peserta
1
TD-001
2
2
UP-10
2
3
UP-11
1
4
PI-05
2
5
KU-05
7
6
KU-06
7
7
LP-01
4
8
PJ-13
4
9
LP-02
1
10
LP-03
2
11
IF-01
9
12
PJ-14
3
13
GA-01
2
14
UP-13
1
15
UP-15
1
16
PJ-15
4
17
LK-03
4
18
PJ-16
1
19
BB-37B
1
20
BB-38A
1
21
BB-40B
1
22
KB-89
1
23
KB-96
2
24
KB-97
2
25
KB-99
1
26
KB-100
1
27
BB-43A
1
28
Diskusi Perpajakan IKPI
5
Total Peserta
73
Sumber: Daftar peserta e-Class PT. XYZ Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
46
Kemudian populasi dari para peserta uji coba/trial sistem e-Class untuk tahun 2011 hingga 2012 dapat dilihat pada Tabel 3.9 berikut.
Tabel 3.9 Peserta uji coba e-Class tahun 2011 hingga tahun 2012 Keterangan
Jumlah Peserta
Peserta uji coba sistem e-Class tahun 2011-2012
62
Sumber: Daftar peserta e-Class PT. XYZ
Dari Tabel 3.7 didapati jumlah peserta e-Class pada tahun 2011 adalah 50 orang peserta dan pada Tabel 3.8 didapati bahwa total jumlah peserta e-Class untuk tahun 2012 adalah 73 orang peserta. Sementara dari Tabel 3.9 didapati jumlah peserta uji coba e-Class pada tahun 2011 hingga tahun 2012 adalah 62 orang peserta. Sehingga total jumlah peserta secara keseluruhan adalah 185 orang. Akan tetapi, dari keseluruhan 185 orang peserta tersebut, 75 orang peserta dinyatakan tidak sah karena merupakan peserta yang pernah mengikuti e-Class secara berulang kali ataupun peserta uji coba yang akhirnya terdaftar sebagai peserta biasa. Oleh karena itu, total populasi untuk penelitian ini menjadi 110 orang responden. Sampel adalah bagian dari populasi yang menjadi bagian dari sumber data yang sebenarnya, dengan kata lain sampel adalah bagian dari populasi (Singarimbun & Effendi, 1989). Dikarenakan jumlah keseluruhan populasi penelitian hanya 110 orang, maka penulis menggunakan teknik sampling jenuh dalam menentukan sampel penelitian. Sampling jenuh adalah teknik penentuan sampel apabila semua anggota populasi dijadikan sampel (Sugiyono, 2004). Oleh karena itu, seluruh populasi penelitian ini dijadikan sampel penelitian.
3.5 Metode Pengumpulan Data
Kuesioner dibuat menggunakan aplikasi Google Docs yang menyediakan tautan supaya responden dapat mengisi kuesioner secara online. Kuesioner terdiri dari 6 pertanyaan mengenai demografi responden, 24 pertanyaan terkait variabel penelitian menggunakan skala Likert, dan 2 pertanyaan terbuka. Setiap pertanyaan yang terkait variabel penelitian akan dijawab menggunakan sekala Likert dengan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
47
skala dari 1 – 5. Skala 1 memiliki arti sangat tidak setuju dan skala 5 memiliki arti sangat setuju. Waktu yang dibutuhkan untuk menyelesaikan kuesioner tersebut diperkirakan sekitar 10 menit. Metode pengumpulan data dilakukan dengan cara menyebar kuesioner kepada para peserta serta peserta uji coba e-Class antara tahun 2011 hingga tahun 2012. Penyebaran kuesioner dilakukan dengan dua cara, yaitu menggunakan surat elektronik dan menggunakan telepon. Penyebaran menggunakan surat elektronik dilakukan dengan cara mengirimkannya ke masing-masing alamat surat elektronik dari para responden. Surat elektronik tersebut berisi tautan dari kuesioner yang telah dibuat. Sementara penyebaran menggunakan telepon dilakukan dengan cara menghubungi para responden yang tidak menanggapi surat elektronik yang telah dikirim terlebih dahulu.
3.6 Metode Analisis Data
Dalam penelitian ini, pengambilan data dilakukan sebanyak satu kali melalui penyebaran kuesioner. Dari seluruh 110 kuesioner yang disebar, hanya 76 kuesioner yang kembali dan terjawab atau response rate setara dengan 69%. Dari kuesioner yang kembali dan terjawab tersebut, data kemudian dianalisa untuk mengetahui profil dari responden, nilai rata-rata dari setiap variabel penelitian dan measures of central tendency. Setelah itu data diolah menggunakan structural equation modeling (SEM) dengan pendekatan partial least squares (PLS) untuk menguji hipotesis penelitian. Partial least squares (PLS) merupakan salah satu tools dari SEM dalam melakukan analisa dengan pendekatan berbasis varian (Haenlein & Kaplan, 2004). Salah satu alasan penggunaan PLS adalah karena PLS dapat digunakan pada penelitian dengan jumlah sampel yang tidak terlalu besar (Kumar & Ravindran, 2012). Pada penelitian ini, analisa PLS dilakukan dengan bantuan aplikasi WarpPLS versi 3.0. Salah satu kelebihan dari aplikasi WarpPLS adalah karena aplikasi WarpPLS menyediakan nilai P yang lebih bermanfaat daripada nilai T untuk uji hipotesis (Belkhamza & Wafa, 2012).
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
48
Aplikasi WarpPLS versi 3.0 memiliki tiga pilihan metode resampling, yaitu bootstrapping, jackknifing dan blindfolding. Bootstrapping adalah algoritma resampling yang menciptakan sejumlah resamples secara bebas menggunakan metode yang dikenal sebagai resampling with replacement. Jackknifing menciptakan sejumlah resamples yang setara dengan jumlah sampel, dan setiap resample akan membuang 1 sampel. Sementara blindfolding adalah algoritma resampling yang menciptakan sejumlah resamples secara bebas menggunakan metode yang mana setiap resample memiliki sejumlah baris tertentu yang digantikan dengan nilai rata-rata dari masing-masing kolom. Pada penelitian ini, penulis menggunakan metode resampling jackknifing karena jackknifing menghasilkan resample path coefficients yang lebih stabil dan nilai P yang lebih handal pada penelitian dengan jumlah sampel dibawah 100 dan memiliki outliers pada data (Kock, 2011). Penelitian ini menggunakan pendekatan dua-langkah (two-step approach), sesuai rekomendasi dari Anderson dan Gerbing (1988), untuk menganalisa data hasil survei. Pendekatan dua-langkah ini menekankan pada analisa dari dua konsep model latent variable yang berbeda: model pengukuran (outer model) dan model struktural (inner model). Sementara tahapan analisa PLS diperoleh dari tahapan yang dimiliki aplikasi WarpPLS. Tahapan tersebut dimulai dari tahapan verifikasi data, tahapan konstruksi diagram jalur, tahapan evaluasi terhadap model pengukuran dan tahapan evaluasi terhadap model struktural.
3.6.1 Verifikasi Data
Pada tahapan ini, data yang terkumpul akan diidentifikasi apakah terdapat data yang bersifat asing (outlier) atau tidak. Pertama-tama data mentah akan diverifikasi terlebih dahulu dengan melakukan pengecekan terhadap adanya nilai yang hilang (missing values), varian nol (zero variance), kolom dengan nama yang identik (identical column name) dan masalah pemeringkatan data (rank problems). Setelah pada semua pengecekan tersebut tidak terdapat masalah, WarpPLS kemudian melakukan proses standarisasi data. Data yang telah distandarisasi umumnya memiliki Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
49
rentang nilai antara -4 sampai 4, dan data yang bersifat outlier umumnya memiliki nilai diluar rentang tersebut (Kock, 2010). Data yang bersifat outlier dapat berasal dari kesalahan sewaktu pengumpulan data (Kock, 2011). WarpPLS memiliki tiga metode untuk membuang outlier, yaitu menambahkan variabel-variabel latent sebagai indikator (addition of latent variables as indicators), melakukan pemeringkatan data (ranked data) dan melakukan pembatasan rentang (restricted ranges). Akan tetapi tidak semua outlier harus dibuang dari penelitian karena outliers dapat saja menyoroti skenario-skenario yang pada awalnya tidak diduga (Boaretto, 2009). Oleh karena itu, pada penelitian ini penulis tidak membuang outlier dan juga karena outlier yang ada bukan berasal dari kesalahan dalam pengumpulan data.
3.6.2 Konstruksi Diagram Jalur
Tahapan berikutnya adalah konstruksi diagram jalur yang dibuat berdasarkan model penelitian pada Gambar 2.7. Diagram jalur tersebut bertujuan untuk memudahkan pemahaman model struktural (inner model) dan model pengukuran (outer model) yang telah dibuat. Model pengukuran dilakukan untuk mengkonfirmasi kecocokan dari skala yang diajukan menggunakan kriteria kehandalan dan keabsahan yang telah diestimasi (Anderson & Gerbing, 1988). Sementara model struktural menggambarkan hubungan antar variabel latent dan didasarkan pada rumusan masalah atau hipotesis penelitian (Jaya & Sumertajaya, 2008). Dalam melakukan konstruksi diagram jalur, PLS memiliki dua tipe indikator yang menggambarkan hubungan kausalitas antara komponen penelitian (construct) dengan indikatornya, yaitu indikator reflective dan formative. Construct biasanya dipandang sebagai sebab dari indikator, artinya variasi didalam sebuah construct menghasilkan variasi pada indikator-indikatornya. Sebuah indikator dikatakan “reflective” karena indikator tersebut mewakili pantulan atau manifestasi dari sebuah construct. Sementara indikator dikatakan “formative” apabila indikatorUniversitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
50
indikator tersebut menjadi sebab dari sebuah construct karena construct tersebut dibentuk oleh indikator-indikator. Pilihan antara mengukur constructs menggunakan indikator reflective atau formative tergantung pada tujuan penelitian, substansi teori dari latent construct tersebut dan kondisi-kondisi empiris (Kumar & Ravindran, 2012). Pada penelitian ini penulis menggunakan indikator reflective karena setiap variabel teramati/indikator mewakili pantulan atau manifestasi dari setiap komponen (construct). Tabel 3.10 berikut menjabarkan constructs yang digunakan pada penelitian ini beserta indikator hubungan yang digunakan.
Tabel 3.10 Constructs dan indikator hubungan yang digunakan Constructs
Jumlah indikator
Indikator hubungan
Perceived Ease of Use (PEU)
4
Reflective
Perceived usefulness (PU)
4
Reflective
Attitude towards use (AT)
4
Reflective
Intention to use (IU)
3
Reflective
Actual usage (AU)
3
Reflective
Task-technology fit (TTF)
6
Reflective
3.6.3 Evaluasi Model Pengukuran
Evaluasi terhadap model pengukuran dilakukan untuk mengetahui seberapa baik indikator yang digunakan dalam mengukur variabel tersembunyinya (latent variable). Menurut Jaya dan Sumertajaya (2008), terdapat tiga indikator untuk mengevaluasi model pengukuran, yaitu convergent validity, discriminant validity dan composite reliability. Convergent validity menggambarkan korelasi antara skor indikator reflective dengan skor variabel tersembunyinya (variable latent). Discriminant validity diperoleh dari membandingkan nilai square root of average varianced extracted (Akar Kuadrat AVE) setiap construct dengan korelasi antar construct lainnya dalam model. Composite reliability merupakan indikator kehandalan yang mengukur konsistensi dan ketepatan sebuah variabel dari suatu model (Meilani, Lemy, & Bernarto, 2013). Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
51
Rangkuman dari ketiga indikator evaluasi terhadap model pengukuran tersebut dapat dilihat pada Tabel 3.11 berikut.
Tabel 3.11 Rangkuman indikator evaluasi model pengukuran Indikator Pengukuran
Nilai Rujukan
Convergent validity (loading)
Minimal 0,5 sampai 0,6 (Jaya & Sumertajaya, 2008) Diatas 0,6 (Mohamed & Karim, 2012)
Discriminant validity (Akar Diatas 0,5 (Jaya & Sumertajaya, 2008) Kuadrat AVE)
Diatas 0,6 (Mohamed & Karim, 2012)
Composite reliability (CR)
≥ 0.7 (Jaya & Sumertajaya, 2008) Diatas 0,6 (Mohamed & Karim, 2012)
3.6.4 Evaluasi Model Struktural
Setelah model pengukuran berhasil dievaluasi, tahapan selanjutnya adalah mengevaluasi model struktural. Menurut Jaya dan Sumertajaya (2008), evaluasi terhadap model struktural dapat diukur menggunakan koefisien Rsquare (R2) dan koefisien Q-square (Q2). Menurut Liao dan Liu (2012), nilai koefisien R-square (R2) mewakili variance yang dijelaskan oleh independent constructs. Menurut Jaya dan Sumertajaya (2008), nilai koefisien Q-square (Q2) mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Sebaiknya Q2 memiliki nilai dengan rentang 0< Q2 <1, dimana semakin mendekati 1 berarti model semakin baik.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 4 PROFIL ORGANISASI PROFIL ORGANISASI Pada bab ini penulis menjabarkan mengenai profil organisasi dan produk pelatihan PT. XYZ, sebagai tambahan penulis juga menjabarkan mengenai tampilan, fitur dan manfaat dari sistem e-Class.
4.1 Profil Organisasi
PT. XYZ (XYZ) merupakan lembaga penyelenggara pendidikan luar sekolah dan/atau pelatihan perpajakan yang dikelola secara professional serta berbadan hukum. XYZ memberikan pelayanan khusus kepada publik yang ingin mengetahui dan memperdalam ilmu perpajakan lebih jauh. XYZ melalui lembaga pelatihannya
telah
menyandang
perijinan
dari
Kemendiknas
untuk
menyelenggarakan pendidikan luar sekolah bidang perpajakan serta perijinan dari Kemenakertrans untuk penyelenggaraan pelatihan bidang perpajakan. Dengan berbekal perijinan tersebut, saat ini XYZ telah menjadi salah satu tempat penyelenggaraan pendidikan ahli kepabeanan resmi. Dibentuknya XYZ diharapkan mampu menjadi wadah para konsultan pajak yang handal dan ingin terus mengembangkan ilmu perpajakan baik dengan cara mempelajari dan mengajarkan kepada para peserta yang tergabung di Lembaga Pendidikan ini. Disamping itu XYZ bertujuan untuk mendidik calon pendidik pajak yang handal, kompeten dan mampu bersaing di dunia perpajakan indonesia. XYZ turut serta dalam mensosialisakan perpajakan dengan cara menyiapkan tenaga pendidik pajak yang kompeten. Guna memberikan layanan pendidikan luar sekolah serta pelatihan untuk peningkatan kompetensi bidang perpajakan bagi khalayak di seluruh tanah air, XYZ saat ini sedang melakukan upaya pengembangan proses belajar mengajar melalui pemanfaatan teknologi informasi. Salah satu contoh pemanfaatan teknologi informasi tersebut adalah melalui penyelenggaraan sistem kelas online atau e-Class. Selain itu, XYZ juga melakukan kerja sama dengan perbankan serta pihak-pihak lain yang menggunakan basis teknologi informasi dalam rangka kemudahan pelaksanaan kewajiban perpajakan utnuk membuat suatu modul 52
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
53
pembelajaran bagi masyarakat umumnya dan konsultan pajak berijin pada khususnya. Tampilan awal dari situs web XYZ dapat dilihat pada Gambar 4.1 berikut.
Gambar 4.1 Tampilan Situs Web XYZ Sumber: Situs Web PT. XYZ
Beberapa produk pelatihan tatap muka maupun e-Class yang diselenggarakan oleh XYZ diantaranya: -
Pendidikan perpajakan (KSKP/brevet pajak A-B-C).
-
Pendidikan profesi konsultan pajak.
-
Pendidikan perpajakan internasional tingkat 1.
-
Pendidikan perpajakan internasional tingkat 2.
-
Pendidikan perpajakan internasional tingkat 3.
-
Pendidikan perpajakan internasional tingkat 4.
-
In-house training perpajakan.
-
Workshop perpajakan per bidang usaha.
-
Pendidikan dan sertifikasi ahli kepabeanan.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
54
4.2 Sistem E-Class
Saat ini XYZ menyelenggarakan kegiatan pendidikan dan pelatihannya melalui kelas tatap muka maupun kelas online, atau yang lebih dikenal dengan istilah eClass. Pada bagian ini penulis menjabarkan mengenai gambaran umum serta manfaat dari sistem e-Class.
4.2.1 Gambaran Umum Sistem E-Class
Gambar 4.2 Tampilan situs web e-Class Sumber: Situs Web PT. XYZ
Sistem e-Class merupakan sebuah sistem yang memungkinkan peserta dan tenaga pengajar untuk berinteraksi di dalam sebuah kegiatan belajar mengajar layaknya di sebuah kelas tatap muka. Sistem e-Class merupakan suatu proses menimba ilmu jarak jauh dari pengajar (narasumber) secara langsung melalui web dengan online memanfaatkan jaringan internet. Para peserta sistem e-Class dapat melihat materi yang sedang ditayangkan oleh pengajar di monitor komputernya, peserta dapat pula melihat aktifitas pengajar seperti gerak-gerik dan mimik saat mengajar, selain itu peserta dapat pula melakukan interaksi langsung dengan pengajar via percakapan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
55
lisan maupun tulisan. Interaksi secara langsung inilah yang membedakan sistem e-Class dengan sistem e-Learning lainnya. Persyaratan bagi peserta untuk mengikuti kegiatan e-Class: - Komputer berupa desktop atau laptop/notebook; - Koneksi internet dengan kecepatan minimum 100kbps - Aplikasi perambah web (web browser), seperti Microsoft Internet Explorer, Mozilla Firefox, Google Chrome dan lain-lain.
Hadirnya e-Class memungkinkan para peserta dari XYZ untuk menimba ilmu secara langsung dari narasumber tidak lagi dibatasi oleh ruang dan waktu, berada di belahan Indonesia manapun peserta dapat mengikuti kegaitan sistem e-Class dengan baik, seperti halnya berada dalam kelas yang nyata tanpa beranjak dari tempat duduk. Sistem e-Class tersebut memiliki fitur-fitur sebagai berikut: 1. Sistem pendaftaran online Para peserta dapat melakukan pendaftaran sistem e-Class secara online melalui tautan “pendaftaran” yang terdapat pada situs web PT. XYZ.
2. Video conferencing Fitur ini memungkinkan para peserta untuk melihat tenaga pengajar secara langsung, dan juga memungkinkan tenaga pengajar untuk melihat pesertanya apabila peserta tersebut memiliki webcam.
3. Desktop sharing Fitur ini memungkinkan para peserta untuk melihat aplikasi, serta dokumen yang sedang diakses oleh tenaga pengajar di komputer yang digunakan untuk proses belajar-mengajar secara langsung.
4. File sharing Fitur ini memungkinkan para peserta maupun tenaga pengajar untuk saling bertukar file disaat proses belajar mengajar berlangsung. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
56
5. Chatting Fitur ini memungkinkan para peserta untuk bertanya kepada tenaga pengajar melalui teks kemudian tenaga pengajar menjawabnya disaat proses belajar-mengajar sedang berlangsung.
Gambar 4.3 berikut merupakan contoh tampilan dari sistem e-Class yang akan dilihat oleh para peserta di layar komputer mereka.
Gambar 4.3 Tampilan sistem e-Class Sumber: Sistem e-Class PT. XYZ
Penjelasan dari sistem e-Class pada Gambar 4.3 adalah sebagai berikut: 1. Tools. Menu tools memiliki fungsi sebagai menu untuk membantu peserta sistem e-Class, seperti menu pengaturan, kirim file dan lainlain. 2. Desktop sharing. Pada menu desktop sharing, peserta akan melihat semua file yang sedang diakses oleh tenaga pengajar pada komputernya, seperti file presentasi materi pelatihan.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
57
3. Kamera 1. Pada menu kamera 1, peserta akan melihat papan tulis dari dekat dan melihat semua yang ditulis oleh tenaga pengajar di papan tulis. 4. Kamera 2. Pada menu kamera 2, peserta akan melihat suasana kelas dari belakang karena posisi kamera 2 yang diletakkan dibelakang kelas. Hal ini dilakukan untuk memberikan kesan bahwa peserta turut serta hadir di kelas secara nyata. 5. Daftar peserta e-Class. Pada menu ini peserta dapat melihat daftar peserta e-Class lain yang mengikuti kegiatan pelatihan yang sama serta tenaga pengajar. Hal ini bertujuan untuk memungkinkan peserta berinteraksi dengan tenaga pengajar atau dengan peserta e-Class lainnya. 6. Menu chat. Menu ini untuk peserta melakukan pertukaran pesan teks (chatting) dengan tenaga pengajar atau dengan peserta e-Class lainnya.
4.2.2 Manfaat E-Class
Manfaat e-Class dapat dilihat dari dua sisi, yaitu manfaat dari sisi perusahaan penyelenggara e-Class (PT. XYZ) dan manfaat untuk para peserta sebagai pengguna. Manfaat untuk PT. XYZ diantaranya: 1. Mengurangi biaya transportasi yang dikeluarkan perusahaan untuk biaya transportasi tenaga pengajar dan staf; 2. Mengurangi biaya untuk sewa ruangan kelas tatap muka; 3. Mengurangi biaya penyediaan konsumsi untuk peserta dan tenaga pengajar; 4. Pengeluaran biaya dapat lebih difokuskan hanya ke pembelian bandwidth dan gaji staf; 5. Jumlah staf dapat dikurangi; 6. Staf dapat melakukan pekerjaannya dari mana saja, tidak harus hadir di kantor; 7. Dapat menjangkau pelanggan secara lebih luas; Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
58
8. Tenaga pengajar dapat lebih fokus ke peserta e-Class; 9. Minimal enam orang peserta yang terdaftar untuk e-Class sudah cukup
untuk
menutup
biaya
pengeluaran
untuk
satu
kali
penyelenggaraan kegiatan belajar-mengajar; 10. Terintegrasi dengan sistem pendaftaran peserta dan sistem keuangan perusahaan.
Sementara itu manfaat untuk peserta sebagai pengguna diantaranya: 1. Menghemat waktu dan biaya karena peserta tidak perlu hadir di kelas, akan tetapi dapat mengikuti kegiatan e-Class dimana saja; 2. Seorang peserta yang terdaftar sebagai peserta e-Class dapat berbagi dengan rekan-rekan lainnya yang tidak terdaftar sebagai peserta; 3. Peserta dapat merasakan pengalaman yang sama saat mengikut kegiatan e-Class dengan peserta lain yang mengikuti kelas tatap muka.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 5 ANALISA DAN PEMBAHASAN ANALISA DAN PEMBAHASAN Pada bab ini penulis menjabarkan mengenai profil responden, analisa deskriptif, analisis data menggunakan pendekatan PLS, pengujian hipotesis, hasil diskusi, implikasi dan batasan penelitian.
5.1 Deskripsi Profil Responden
Dari seluruh 110 kuesioner yang disebar, hanya 76 kuesioner yang kembali dan terjawab atau response rate setara dengan 69%. Kemudian 2 kuesioner dinyatakan tidak sah, sehingga total terdapat 74 kuesioner yang terjawab dan dinyatakan sah. Berdasarkan 74 kuesioner yang dinyatakan sah, terdapat 55 orang responden yang menjawab melalui telepon (74%) dan 19 orang responden yang menjawab melalui surat elektronik (26%). Tabel 5.1 memberikan gambaran mengenai profil dari seluruh 74 orang responden yang menjawab kuesioner.
Tabel 5.1 Deskripsi profil responden Informasi Demografi Responden Jenis kelamin
Jumlah Persentase (%)
Laki-laki
60
81
Perempuan
14
19
< 25 tahun
2
3
25-35 tahun
18
24
> 35 tahun
54
73
Lokasi saat menggunakan
Jakarta
21
28
sistem e-Class
Diluar Jakarta
53
72
Lama bekerja
< 5 tahun
7
10
5-10 tahun
9
12
> 10 tahun
58
78
Usia
59
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
60
Tabel 5.1 Deskripsi profil responden (sambungan) Informasi Demografi Responden
Jumlah Persentase (%)
Pengalaman dalam
< 5 tahun
6
8
menggunakan internet
5-10 tahun
24
32
> 10 tahun
44
60
4
5
S1
50
68
S2
19
26
1
1
Pendidikan formal terakhir
D3 atau setara
S3 atau setara
Dari Tabel 5.1 diperoleh bahwa 60 orang responden adalah pria (81%) dan 14 orang responden adalah wanita (19%). Kemudian 54 orang responden berusia diatas 35 tahun (73%), 18 orang responden berusia antara 25 hingga 35 tahun (24%) dan 2 orang responden berusia kurang dari 25 tahun (3%). Sejumlah 53 orang responden berada diluar Jakarta saat mengikuti kegiatan e-Class (72%) dan 21 orang responden berada di Jakarta saat mengikuti kegiatan e-Class (28%). Sejumlah 58 orang responden memiliki pengalaman bekerja diatas 10 tahun (78%), 9 orang responden memiliki pengalaman bekerja antara 5 hingga 10 tahun (12%) dan 7 orang responden yang memiliki pengalaman bekerja kurang dari 5 tahun (10%). Sejumlah 44 orang responden memiliki pengalaman dalam menggunakan internet diatas 10 tahun (60%), 24 orang responden memiliki pengalaman dalam menggunakan internet antara 5 hingga 10 tahun (32%) dan 6 orang responden yang memiliki pengalaman dalam menggunakan internet dibawah 5 tahun (8%). Sejumlah 50 orang responden memiliki pendidikan formal terakhir S1 (68%), 19 orang responden memiliki pendidikan formal terakhir S2 (26%), 4 orang responden yang memiliki pendidikan formal terakhir D3 atau setara (5%) dan 1 orang responden memiliki pendidikan formal terakhir S3 atau setara (1%).
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
61
5.2 Analisa Statistik Deskriptif
Pada bagian ini, penulis menjabarkan analisa statistik deskriptif dari setiap variabel penelitian serta setiap constructs penelitian. Analisa statistik deskriptif ini bertujuan untuk memberikan gambaran/deskripsi mengenai suatu data agar data yang tersaji menjadi mudah dipahami. Menurut Boone dan Boone (2012), terdapat perbedaan dalam prosedur analisa data butiran tipe-Likert (Likert-type item) dengan data skala Likert (Likert scale). Menurut Clason dan Dormody (1994), butiran tipe-Likert adalah pertanyaan yang menggunakan aspek-aspek dari alternatif jawaban Likert yang asli (Boone & Boone, 2012). Sementara skala Likert terdiri dari serangkaian butiran tipe-Likert yang dikombinasikan menjadi variabel/nilai komposit tunggal selama proses analisis data. Menurut Boone dan Boone (2012), butiran tipe-Likert termasuk dalam kategori skala pengukuran ordinal. Oleh karena itu, statistik deskriptif yang direkomendasikan untuk skala pengukuran ordinal adalah modus atau nilai tengah untuk mengukur central tendency. Tabel 5.2 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) kemudahan yang dirasakan (perceived ease of use). Pada Tabel 5.2 dapat dilihat bahwa nilai modus untuk variabel PEU1, PEU2, PEU3 dan PEU4 adalah 4. Sementara nilai tengah (median) untuk variabel PEU1, PEU2 dan PEU4 adalah 4, serta nilai tengah (median) untuk variabel PEU3 adalah 3.
Tabel 5.2 Statistik deskriptif untuk construct kemudahan yang dirasakan (perceived ease of use) No. Pernyataan Modus Median Perceived ease of use (PEU) 1
Saya sering merasa bingung saat menggunakan
4
4
4
4
4
3
sistem (negatif) (PEU1) 2
Berinteraksi dengan sistem sering membuat saya frustrasi (negatif) (PEU2)
3
Saya merasa mudah untuk melakukan apa yang saya inginkan menggunakan sistem (PEU3)
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
62
Tabel 5.2 Statistik deskriptif untuk construct kemudahan yang dirasakan (perceived ease of use) (sambungan) No. Pernyataan Modus Median 4
Secara keseluruhan, saya mendapati bahwa sistem
4
4
mudah untuk digunakan (PEU4)
Tabel 5.3 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) manfaat yang dirasakan (perceived usefulness). Pada Tabel 5.3 dapat dilihat bahwa nilai modus untuk variabel PU1 adalah 2. Sebagai tambahan, nilai modus untuk variabel PU2, PU3 dan PU4 adalah 4. Sementara nilai tengah (median) untuk variabel PU2, PU3 dan PU4 adalah 4, serta nilai tengah (median) untuk variabel PU1 adalah 3.
Tabel 5.3 Statistik deskriptif untuk construct manfaat yang dirasakan (perceived usefulness) No. Pernyataan Modus Median Perceived usefulness (PU) 1
Saya kesulitan untuk mengikuti kegiatan pelatihan
2
3
4
4
tanpa sistem (negatif) (PU1) 2
Menggunakan sistem memperbaiki kinerja saya (PU2)
3
Menggunakan sistem menghemat waktu saya (PU3)
4
4
4
Secara keseluruhan, saya mendapati bahwa sistem
4
4
sangat
bermanfaat
dalam
mengikuti
kegiatan
pelatihan (PU4)
Tabel 5.4 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) sikap selama penggunaan (attitude towards use). Pada Tabel 5.4 dapat dilihat bahwa nilai modus untuk variabel AT1, AT2, AT3 dan AT4 adalah 4. Sebagai tambahan, nilai tengah (median) untuk variabel AT1, AT2, AT3 dan PU4 adalah 4.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
63
Tabel 5.4 Statistik deskriptif untuk construct sikap selama penggunaan (attitude towards use) No. Pernyataan Modus Median Attitude towards use (AT) 1
Menggunakan sistem merupakan ide yang buruk
4
4
4
4
4
4
4
4
(negatif) (AT1) 2
Secara umum saya tidak suka menggunakan sistem (negatif) (AT2)
3
Menggunakan sistem membuat kegiatan pelatihan menjadi lebih menarik (AT3)
4
Secara umum saya suka menggunakan sistem (AT4)
Tabel 5.5 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) niat untuk menggunakan (intention to use). Pada Tabel 5.5 dapat dilihat bahwa nilai modus untuk variabel IU1 dan IU3 adalah 4, serta nilai modus untuk variabel IU2 adalah 3. Sementara, nilai tengah (median) untuk variabel IU1 dan IU3 adalah 4, serta nilai tengah untuk variabel IU3 adalah 3.
Tabel 5.5 Statistik deskriptif untuk construct niat untuk menggunakan (intention to use) No. Pernyataan Modus Median Intention to use (IU) 1
Saya berencana untuk menggunakan sistem untuk
4
4
3
3
4
4
kegiatan pelatihan berikutnya (IU1) 2
Saya akan sering menggunakan sistem setiap kali mengikuti kegiatan pelatihan (IU2)
3
Saya berencana untuk selalu menggunakan sistem secara reguler dimasa depan karena bermanfaat untuk saya (IU3)
Tabel 5.6 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) penggunaan yang sebenarnya Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
64
(actual usage). Pada Tabel 5.6 dapat dilihat bahwa nilai modus untuk variabel AU1, AU2 dan AU3 adalah 2. Sementara, nilai tengah (median) untuk variabel AU1 adalah 3, serta nilai tengah untuk variabel AU2 dan AU3 adalah 2.
Tabel 5.6 Statistik deskriptif untuk construct penggunaan yang sebenarnya (actual usage) No. Pernyataan Modus Median Actual usage (AU) 1
Saya selalu menggunakan sistem setiap mengikuti
2
3
2
2
2
2
kegiatan pelatihan (AU1) 2
Saya sering menggunakan sistem lain yang serupa (AU2)
3
Saya selalu menggunakan sistem yang serupa setiap mengikuti kegiatan pelatihan ditempat lain (AU3)
Tabel 5.7 menggambarkan statistik deskriptif dari pengukuran menggunakan butiran tipe-Likert untuk komponen (construct) task-technology fit (TTF). Pada Tabel 5.7 dapat dilihat bahwa nilai modus untuk variabel TTF1, TTF2, TTF3, TTF4, TTF5 dan TTF6 adalah 2. Sementara, nilai tengah (median) untuk variabel variabel TTF1, TTF2, TTF3, TTF4, TTF5 dan TTF6 adalah 2.
Tabel 5.7 Statistik deskriptif untuk construct task-technology fit (TTF) No. Pernyataan
Modus Median
Task-technology fit (TTF) 1
Saya merasakan kualitas suara, gambar serta video
3
3
4
3
4
3
dari sistem cukup baik (TTF1) 2
Saya merasa mudah untuk menemukan fitur-fitur dari sistem yang saya inginkan (TTF2)
3
Saya tidak dapat mengakses fungsi-fungsi dari sistem yang tidak ditujukan untuk pengguna umum seperti saya (TTF3)
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
65
Tabel 5.7 Statistik deskriptif untuk construct task-technology fit (TTF) (sambungan) No. Pernyataan Modus Median 4
Sistem
sering
tidak
bisa
diakses
sehingga
3
3
4
4
4
4
mengganggu kegiatan pelatihan saya (negatif) (TTF4) 5
Saya merasa mudah mempelajari dan menggunakan sistem pada saat penggunaan pertama (TTF5)
6
Sistem dapat memenuhi kebutuhan saya dalam mengikuti kegiatan pelatihan (TTF6)
Berbeda dengan variabel penelitian, constructs penelitian termasuk dalam kategori skala Likert. Hal ini dikarenakan nilai dari setiap constructs penelitian diperoleh dengan menghitung nilai komposit dari satu atau lebih variabel penelitian. Menurut Boone dan Boone (2012), nilai komposit untuk skala Likert harus dianalisa menggunakan skala pengukuran interval. Oleh karena itu, statistik deskriptif yang direkomendasikan untuk skala pengukuran interval adalah mean atau nilai rata-rata untuk mengukur central tendency. Tabel 5.8 menampilkan hasil dari pengukuran central tendency yang dilakukan terhadap constructs penelitian. Secara umum, nilai rata-rata dari construct kemudahan yang dirasakan (perceived ease of use), manfaat yang dirasakan (perceived usefulness), sikap selama penggunaan (attitude towards use), niat untuk menggunakan (intention to use), dan task-technology fit (TTF) memiliki nilai rata-rata yang baik yaitu diatas 3. Hal ini berarti mayoritas responden setuju dengan kalimat pernyataan. Sementara nilai rata-rata untuk penggunaan yang sebenarnya (actual usage) memiliki nilai rata-rata dibawah 3 atau 2,73. Hal ini berarti mayoritas responden tidak setuju dengan kalimat pernyataan bahwa responden sering menggunakan sistem yang serupa dengan sistem e-Class. Tabel 5.8 Pengukuran central tendency dari setiap constructs penelitian No. Constructs
Nilai Rata-Rata Nilai Tengah Modus
1 Perceived ease of use (PEU)
3,51
3,61
4
2 Perceived usefulness (PU)
3,69
3,82
4
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
66
Tabel 5.8 Pengukuran central tendency dari setiap constructs penelitian (sambungan) No. Constructs Nilai Rata-Rata Nilai Tengah Modus 3 Attitude towards use (AT)
3,91
3,93
4
4 Intention to use (IU)
3,38
3,46
4
5 Actual usage (AU)
2,73
2,7
2
6 Task-technology fit (TTF)
3,35
3,27
4
5.3 Analisa Partial Least Squares
Pada penelitian ini terdapat enam variabel tersembunyi (latent), yaitu perceived ease of use (PEU), perceived usefulness (PU), attitude towards use (AT), intention to use (IU), actual usage (AU) dan task-technology fit (TTF). Variabel teramati/indikator untuk variabel latent PEU adalah indikator PEU1, PEU2, PEU3 dan PEU4. Variabel teramati/indikator untuk variabel latent PU adalah indikator PU2, PU3 dan PU4. Variabel teramati/indikator untuk variabel latent AT adalah indikator AT1, AT2, AT3 dan AT4. Variabel teramati/indikator untuk variabel latent IU adalah indikator IU1, IU2 dan IU3. Variabel teramati/indikator untuk variabel latent AU adalah indikator AU1, AU2 dan AU3. Variabel teramati/indikator untuk variabel TTF adalah indikator TTF1, TTF2, TTF4, TTF5 dan TTF6. Sehingga total terdapat 24 variabel teramati/indikator. Selanjutnya penulis melakukan analisa hubungan antara variabel laten dengan indikatornya serta hubungan antar variabel laten. Analisa terhadap data yang telah diperoleh dilakukan menggunakan pendekatan PLS. Salah satu alasan penggunaan PLS adalah karena PLS dapat digunakan pada penelitian dengan jumlah sampel yang tidak terlalu besar (Kumar & Ravindran, 2012). Sebagai tambahan, penggunaan PLS sebagai pendekatan dari SEM telah menjadi sangat populer dalam 10 tahun terakhir dan telah diaplikasikan dalam berbagai jurnal yang berhubungan dengan sistem informasi (Poelmans, Wessa, Milis, Bloemen, & Doom, 2008). Kemudian analisa PLS dilakukan dengan bantuan aplikasi WarpPLS versi 3.0. Aplikasi WarpPLS memiliki tiga pilihan metode resampling, yaitu bootstrapping, jackknifing dan blindfolding. Pada penelitian ini, penulis menggunakan metode resampling jackknifing karena jackknifing menghasilkan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
67
resample path coefficients yang lebih stabil dan nilai P yang lebih handal pada penelitian dengan jumlah sampel dibawah 100 dan memiliki outliers pada data (Kock, 2011). Sementara tahapan analisa aplikasi WarpPLS dimulai dari tahapan verifikasi data, konstruksi diagram jalur, evaluasi terhadap model pengukuran dan evaluasi terhadap model struktural.
5.3.1 Verifikasi Data
Pada tahapan ini, data yang terkumpul akan diidentifikasi apakah terdapat data yang bersifat asing (outlier) atau tidak. Proses identifikasi diawali dengan pengecekan terhadap adanya nilai yang hilang (missing values), varian nol (zero variance), kolom dengan nama yang identik (identical column name) dan masalah pemeringkatan (rank problems). Setelah tidak ditemukan adanya masalah pada data, WarpPLS kemudian melakukan proses standarisasi data. Data yang telah distandarisasi umumnya memiliki rentang nilai antara -4 sampai 4, dan data yang bersifat outlier umumnya memiliki nilai diluar rentang tersebut (Kock, 2010). Berdasarkan hasil standarisasi menggunakan WarpPLS, diperoleh data berada dalam rentang -4,0364 hingga 2,7614 (selengkapnya dapat dilihat pada Lampiran 2). Hal ini mengindikasikan terdapat satu data, yaitu 0,40364, yang bersifat outlier. WarpPLS memiliki tiga metode untuk membuang outlier, yaitu menambahkan variabel-variabel latent sebagai indikator (addition of latent variables as indicators), melakukan pemeringkatan data (ranked data) dan melakukan pembatasan rentang (restricted ranges). Akan tetapi tidak semua outlier harus dibuang dari penelitian karena outliers dapat saja menyoroti skenario-skenario yang pada awalnya tidak diduga (Boaretto, 2009). Oleh karena itu, outlier yang ada akan tetap digunakan dalam proses analisa selanjutnya.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
68
5.3.2 Konstruksi Diagram Jalur Model Pengukuran
Pada tahapan ini, konstruksi diagram jalur dibuat berdasarkan model penelitian yang diajukan oleh penulis (Gambar 2.7). Diagram jalur tersebut digunakan untuk merancang model struktural (inner model) dan model pengukuran (outer model). Model pengukuran adalah model yang menggambarkan hubungan antara variabel latent dengan variabel teramatinya/indikatornya. Model pengukuran penelitian dapat dilihat pada Gambar 5.1 berikut.
Gambar 5.1 Model pengukuran (outer model) penelitian
5.3.3 Konversi Diagram Jalur Model Pengukuran ke Persamaan
Diagram jalur model pengukuran (outer model) pada Gambar 5.1 dapat dikonversi menjadi persamaan outer model sebagai berikut: 1. Persamaan untuk latent endogenous variable PEU adalah: Y1 = ΛY1η + ε1
(5,1)
Y2 = ΛY2η + ε2
(5,2)
Y3 = ΛY3η + ε3
(5,3) Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
69 Y4 = ΛY4η + ε4
(5,4)
2. Persamaan untuk latent endogenous variable PU adalah: Y6 = ΛY6η + ε6
(5,5)
Y7 = ΛY7η + ε7
(5,6)
Y8 = ΛY8η + ε8
(5,7)
3. Persamaan untuk latent endogenous variable AT adalah: Y9 = ΛY9η + ε9
(5,8)
Y10 = ΛY10η + ε10
(5,9)
Y11 = ΛY11η + ε11
(5,10)
Y12 = ΛY12η + ε12
(5,11)
4. Persamaan untuk latent endogenous variable IU adalah: Y13 = ΛY13η + ε13
(5,12)
Y14 = ΛY14η + ε14
(5,13)
Y15 = ΛY15η + ε15
(5,14)
5. Persamaan untuk latent endogenous variable AU adalah: Y16 = ΛY16η + ε16
(5,15)
Y17 = ΛY17η + ε17
(5,16)
Y18 = ΛY18η + ε18
(5,17)
6. Persamaan untuk latent exogenous variable TTF adalah: X1 = ΛX1ξ1 + δ1
(5,18)
X2 = ΛX2ξ1 + δ2
(5,19)
X4 = ΛX4ξ1 + δ4
(5,20)
X5 = ΛX5ξ1 + δ5
(5,21)
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
70
5.3.4 Evaluasi Model Pengukuran
Tahapan selanjutnya setelah konstruksi diagram jalur adalah evaluasi model pengukuran. Model pengukuran atau outer model dievaluasi keabsahannya dengan indikator convergent validity dan discriminant validity. Sementara evaluasi terhadap kehandalannya dilakukan dengan indikator composite reliability. Evaluasi terhadap model pengukuran menggunakan indikator reflective karena setiap variabel teramati mewakili pantulan atau manifestasi dari setiap variabel latent/construct (Kumar & Ravindran, 2012). Hasil analisa menggunakan aplikasi WarpPLS dapat dijabarkan berdasarkan indikator evaluasi model pengukuran sebagai berikut: -
Convergent validity Convergent validity (loading) menggambarkan korelasi antara skor indikator reflective dengan skor variabel tersembunyinya (variable latent). Nilai convergent validity (loading) dari indikator reflective dianggap sah (valid) apabila memiliki nilai diatas 0,5 (Jaya & Sumertajaya, 2008). Sementara jika salah satu indikator memiliki nilai loading < 0,5 maka indikator tersebut harus dibuang (drop) karena akan mengindikasikan bahwa indikator tersebut tidak cukup baik untuk mengukur variabel latent secara tepat. Hasil nilai loading untuk penelitian ini dapat dilihat pada Tabel 5.9 berikut.
Tabel 5.9 Hasil nilai loading yang pertama menggunakan aplikasi WarpPLS Variabel/Indikator
Loading Keterangan
Perceived ease of use (PEU) PEU1
PEU2
PEU3
Saya sering merasa bingung saat menggunakan sistem (negatif) Berinteraksi dengan sistem sering membuat saya frustrasi (negatif) Saya merasa mudah untuk melakukan apa yang saya inginkan menggunakan sistem
0,737
Valid
0,774
Valid
0,578
Valid
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
71
Tabel 5.9 Hasil nilai loading yang pertama menggunakan aplikasi WarpPLS (sambungan) Variabel/Indikator Loading Keterangan PEU4
Secara keseluruhan, saya mendapati bahwa sistem mudah untuk digunakan
0,657
Valid
0,113
Drop
0,811
Valid
0,653
Valid
0,906
Valid
0,766
Valid
0,804
Valid
0,707
Valid
0,789
Valid
0,869
Valid
0,861
Valid
0,899
Valid
Perceived usefulness (PU) PU1
PU2
PU3
Saya kesulitan untuk mengikuti kegiatan pelatihan tanpa sistem Menggunakan sistem memperbaiki kinerja saya Menggunakan sistem menghemat waktu saya Secara keseluruhan, saya mendapati bahwa
PU4
sistem sangat bermanfaat dalam mengikuti kegiatan pelatihan
Attitude towards use (AT) AT1
AT2
AT3
AT4
Menggunakan sistem merupakan ide yang buruk (negatif) Secara umum saya tidak suka menggunakan sistem (negatif) Menggunakan sistem membuat kegiatan pelatihan menjadi lebih menarik Secara umum saya suka menggunakan sistem
Intention to use (IU) IU1
IU2
Saya berencana untuk menggunakan sistem untuk kegiatan pelatihan berikutnya Saya akan sering menggunakan sistem setiap kali mengikuti kegiatan pelatihan Saya berencana untuk selalu menggunakan
IU3
sistem secara reguler dimasa depan karena bermanfaat untuk saya
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
72
Tabel 5.9 Hasil nilai loading yang pertama menggunakan aplikasi WarpPLS (sambungan) Variabel/Indikator Loading Keterangan Actual usage (AU) AU1
AU2
AU3
Saya selalu menggunakan sistem setiap mengikuti kegiatan pelatihan Saya sering menggunakan sistem lain yang serupa Saya selalu menggunakan sistem yang serupa setiap mengikuti kegiatan pelatihan
0,618
Valid
0,896
Valid
0,905
Valid
0,808
Valid
0,714
Valid
-0,437
Drop
0,584
Valid
0,517
Valid
0,493
Drop
ditempat lain Task-technology fit (TTF) TTF1
TTF2
Saya merasakan kualitas suara, gambar serta video dari sistem cukup baik Saya merasa mudah untuk menemukan fitur-fitur dari sistem yang saya inginkan Saya tidak dapat mengakses fungsi-fungsi
TTF3
dari sistem yang tidak ditujukan untuk pengguna umum seperti saya Sistem sering tidak bisa diakses sehingga
TTF4
mengganggu kegiatan pelatihan saya (negatif) Saya merasa mudah mempelajari dan
TTF5
menggunakan sistem pada saat penggunaan pertama
TTF6
Sistem dapat memenuhi kebutuhan saya dalam mengikuti kegiatan pelatihan
Tabel 5.9 diatas menunjukkan bahwa terdapat 21 variabel/indikator memiliki nilai loading berkisar antara 0,517 sampai 0,906. Sementara 3 indikator lainnya memiliki nilai loading < 0,5, yaitu PU1, TTF3 dan TTF6. Indikator dengan nilai loading yang bagus menunjukkan bahwa responden dapat memahami pertanyaan/pernyataan terkait indikator Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
73
tersebut sesuai dengan keinginan peneliti. Sementara indikator dengan nilai loading < 0,5 harus dibuang (drop).
-
Discriminant validity Discriminant validity diperoleh dari membandingkan nilai square root of average varianced extracted (Akar Kuadrat AVE) setiap construct dengan korelasi antar construct lainnya dalam model. Sebuah construct diakatakan memiliki discriminant validity yang baik apabila memiliki nilai Akar Kuadrat AVE diatas 0,5 (Jaya & Sumertajaya, 2008). Hasil nilai AVE untuk penelitian ini dapat dilihat pada Tabel 5.10, sementara hasil nilai Akar Kuadrat AVE dapat dilihat pada Tabel 5.11.
Tabel 5.10 Hasil nilai AVE menggunakan aplikasi WarpPLS Komponen (construct)
Nilai AVE
Perceived ease of use (PEU)
0,477
Perceived usefulness (PU)
0,637
Attitude towards use (AT)
0,589
Intention to use (IU)
0,768
Actual usage (AU)
0,668
Task-technology fit (TTF)
0,484
Tabel 5.11 Hasil nilai Akar Kuadrat AVE menggunakan aplikasi WarpPLS Komponen (construct) PEU
PU
AT
IU
AU
TTF
PEU
0,691
0,388
0,561
0,344
0,286
0,555
PU
0,388
0,798
0,764
0,542
0,336
0,266
AT
0,561
0,764
0,767
0,665
0,462
0,379
IU
0,344
0,542
0,665
0,876
0,59
0,317
AU
0,286
0,336
0,462
0,59
0,817
0,112
TTF
0,555
0,266
0,379
0,317
0,112
0,695
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
74
Tabel 5.10 diatas menunjukkan bahwa keenam constructs tersebut memiliki nilai AVE berkisar antara 0,477 sampai 0,768. Sementara pada Tabel 5.11 terlihat bahwa nilai Akar Kuadrat AVE (nilai Akar Kuadrat AVE ditampilkan secara diagonal) dari seluruh constructs berada pada kisaran 0,691 sampai 0,876. Hal ini menunjukkan bahwa seluruh constructs memiliki discriminant validity yang baik karena berada diatas 0,5. Sebuah construct dengan discriminant validity yang baik memiliki arti bahwa pertanyaan/pernyataan yang terkait dengan setiap variabel latent tidak membingungkan responden saat menjawab kuesioner dengan pertanyaan/pernyataan terkait variabel latent lainnya,
terutama
dalam
memahami
makna
dari
setiap
pertanyaan/pernyataan.
-
Composite reliability Composite reliability (CR) merupakan indikator kehandalan yang mengukur konsistensi dan ketepatan sebuah variabel dari suatu model (Meilani, Lemy, & Bernarto, 2013). Nilai CR dari indikator reflective dianggap handal (reliable) apabila memiliki nilai ≥ 0.7 (Jaya & Sumertajaya, 2008). Apabila sebuah variabel latent tidak memenuhi kriteria composite reliability, maka variabel tersebut disarankan untuk dibuang (drop). Hasil dari nilai CR menggunakan aplikasi WarpPLS dapat dilihat pada Tabel 5.12 berikut.
Tabel 5.12 Hasil nilai CR menggunakan aplikasi WarpPLS Variabel latent
Nilai CR
Perceived ease of use (PEU)
0,783
Perceived usefulness (PU)
0,838
Attitude towards use (AT)
0,851
Intention to use (IU)
0,909
Actual usage (AU)
0,855
Task-technology fit (TTF)
0,785
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
75
Tabel 5.12 diatas menunjukkan bahwa keenam variabel latent tersebut memiliki nilai CR yang berkisar antara 0,783 hingga 0,909. Hal ini menunjukkan bahwa seluruh variabel latent memenuhi kriteria composite reliability yang baik karena berada diatas 0,7. Sebuah variabel latent dikatakan handal apabila setiap responden yang berbeda
memiliki
pemahaman
yang
sama
terhadap
setiap
pertanyaan/pernyataan yang berhubungan dengan masing-masing variabel latent.
5.3.5 Konstruksi Diagram Jalur Model Struktural
Menurut Jaya dan Sumertaya (2008), model struktural adalah model yang menggambarkan hubungan antar variabel latent dan didasarkan pada rumusan masalah atau hipotesis penelitian. Sementara indikator hubungan yang digunakan dalam penelitian ini adalah indikator reflective sebagaimana pada Tabel 3.9. Model struktural penelitian dapat dilihat pada Gambar 5.2 berikut.
Gambar 5.2 Model struktural (inner model) penelitian
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
76
5.3.6 Konversi Diagram Jalur Model Struktural ke Persamaan
Diagram jalur model struktural (inner model) pada Gambar 5.2 dapat dikonversi menjadi persamaan inner model sebagai berikut: η1 (PEU) = γ1ξ1 + ζ
(5,22)
η2 (PU) = β1η1 + γ2ξ2 + ζ
(5,23)
η3 (AT) = β2η2 + β3η3 + ζ
(5,24)
η4 (IU) = β4η4 + β5η5 + ζ
(5,25)
η5 (AU) = β6η6 + γ3ξ3 + ζ
(5,26)
5.3.7 Estimasi Weight Relation
Weight relation digunakan untuk melakukan estimasi nilai kasus latent variables (Jaya & Sumertajaya, 2008). Setelah didapatkan nilai bobot (weight), maka kemudian nilai untuk setiap latent variable dapat ditentukan dengan cara menghitung bobot rata-rata (weighted average) dari indikator-indikatornya (Haenlein & Kaplan, 2004). Estimasi weight relation dalam PLS ditentukan menggunakan persamaan sebagai berikut: ξb = ∑kb wkb xkb
(5,27)
ηi = ∑ki wki yki
(5,28)
5.3.8 Estimasi Parameter PLS
Metode estimasi parameter di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan berulang (iterative), dimana pengulangan akan berhenti apabila telah tercapai kondisi konvergen (convergent) (Jaya & Sumertajaya, 2008). Estimasi parameter di dalam PLS ditentukan melalui tahapan-tahapan sebagai berikut: a. Tahap pertama menghasilkan weight estimate (wjh) yang digunakan untuk menciptakan skor latent variable.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
77
Weight estimate (wjh) adalah koefisien regresi dari Zj dalam regresi sederhana Xjh pada estimasi inner model Zj. Xjh = wjh Zj + ejh
(5,29)
Estimasi kemudian diperoleh melalui metode ordinary least squares regression dengan cara meminimumkan jumlah kuadrat ejh, sebagai berikut: ejh = Xjh - wjh Zj J
∑e
2
jh =
h=1
(5,30)
J
∑ (Xjh – wjh Zj)2
(5,31)
h=1
Kemudian jumlah kuadrat ejh diturunkan terhadap wjh sehingga diperoleh bobot (weight) sebagai berikut: ŵjh = Cov (Xjh , Zj) / Var (X2j)
(5,32)
b. Tahap kedua menghasilkan estimasi jalur (path estimate) yang diperoleh melalui estimasi inner model dan outer model. -
Estimasi inner model Estimasi inner model Zj dari standarisasi latent variable (ξj – mj) didefinisikan dengan
Zj
∑
i;ξi dihubungkan pada ξj
eji Yi
(5,33)
Dimana bobot inner model eji dapat dipilih melalui tiga skema, yaitu: i. Skema jalur (path schema) Latent variable dihubungkan pada ξj yang dibagi kedalam dua grup, yaitu: latent variables yang menjelaskan ξj diikuti dengan variabel-variabel yang dijelaskan oleh ξj. Jika ξj dijelaskan oleh ξi maka eji adalah koefisien regresi berganda Yi dari Yj. Jika ξi dijelaskan oleh ξj maka eji adalah korelasi antara Yi dengan Yj. eji = koefisien regresi berganda Yi dari Yj, jika ξj dijelaskan oleh ξi
(5,34)
eji = Cor (Yi Yj), jika ξi dijelaskan oleh ξj
(5,35)
ii. Skema centroid (centroid schema) Bobot inner model eji merupakan korelasi tanda (sign correlation) antara Yi dari Yj, dan dapat ditulis sebagai berikut: Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
78
eji = sign[Cor (Yi Yj)]
(5,36)
iii. Skema faktor (factor schema) Bobot inner model eji merupakan korelasi antara Yi dari Yj, dan dapat ditulis sebagai berikut: eji = Cor (Yi Yj) -
(5,37)
Estimasi outer model Estimasi outer model Yj dari standarisasi latent variable (ξj – mj) dengan rata-rata = 0 dan standard deviation = 1, diperoleh melalui kombinasi linear dari pusat variabel manifest melalui persamaan berikut: (5,38)
Yj
wjh (Xjh - x̅jh)
±
Dimana simbol
bermakna bahwa variabel sebelah kiri mewakili
variabel sebelah kanan yang distandarisasi. Standarisasi latent variable dapat ditulis dengan persamaan sebagai berikut: Yj = Xjh + ej
(5,39)
Dengan Xjh = wjh Zj + ej dan
(5,39)
dan Zj = Xjh - x̅jh
(5,40)
Sehingga Ŷj = ∑jh=1
jh (Xjh -
x̅jh)
Dimana koefisien wjh dan
(5,41) jh
keduanya dinamakan sebagai
pembobot outer model.
c. 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 rata-rata dan lokasi parameter.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
79
-
Estimasi rata-rata (mj) Estimasi rata-rata diperoleh melalui persamaan sebagai berikut:
ξj = Yj + mj + ej
(5,42)
ξj - mj = Yj + ej
(5,43)
-
Estimasi lokasi parameter Secara umum koefisien jalur bji adalah koefisien regresi berganda dari latent endogeneous variable Yj yang distandarisasi pada latent exogeneous variable Yi. Estimasi lokasi parameter diperoleh melalui persamaan sebagai berikut:
Yj = ∑jh=1 bji Yi + ej
(5,44)
5.3.9 Evaluasi Model Struktural
Setelah model pengukuran berhasil dievaluasi keabsahan (validity) dan kehandalannya (reliability), langkah selanjutnya adalah melakukan evaluasi terhadap model struktural. Hasil evaluasi model struktural menggunakan aplikasi WarpPLS dapat dilihat pada hasil analisa diagram jalur pada Gambar 5.3 berikut.
Gambar 5.3 Hasil analisa diagram jalur menggunakan aplikasi WarpPLS Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
80 Nilai koefisien jalur (β) dari Gambar 5.3 dapat dilihat secara lebih lengkap pada Tabel 5.13 berikut. Tabel 5.13 Hasil dari nilai β menggunakan aplikasi WarpPLS PEU
PU
AT
IU
AU
TTF 0,566
PEU PU
0,403
AT
0,307
0,169 0,643 0,091
IU
0,598 0,583
AU
-0,148
Sementara nilai P (p-value) dari Gambar 5.3 dapat dilihat secara lebih lengkap pada Tabel 5.14 berikut.
Tabel 5.14 Hasil dari p-value menggunakan aplikasi WarpPLS PEU
PU
AT
IU
AU
TTF <0,001
PEU PU
<0,001
AT
<0,001
0,099 <0,001 0,304
IU
<0,001 <0,001
AU
0,145
Berdasarkan Tabel 5.13 dan Tabel 5.14 diperoleh bahwa rentang nilai koefisien jalur (β) dari model berkisar antara -0,148 hingga 0,643 dan rentang nilai p dari model berkisar antara <0,001 hingga 0,304. Kemudian hasil evaluasi model struktural menggunakan aplikasi WarpPLS dapat dijabarkan menggunakan indikator-indikator sebagai berikut: -
Koefisien R-square (R2) Menurut Liao dan Liu (2012), nilai R-square (R2) mewakili variance yang dijelaskan oleh independent constructs. Hasil dari nilai R2 menggunakan aplikasi WarpPLS dapat dilihat pada Tabel 5.15 berikut. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
81 Tabel 5.15 Hasil dari nilai R2 menggunakan aplikasi WarpPLS Constructs
Nilai R2
Perceived ease of use (PEU)
0,32
Perceived usefulness (PU)
0,246
Attitude towards use (AT)
0,669
Intention to use (IU)
0,448
Actual usage (AU)
0,315
Berdasarkan Tabel 5.15 diatas dapat dilihat bahwa rentang nilai R2 dari setiap variabel latent endogen berkisar antara 0,246 hingga 0,669. Semakin tinggi nilai R2 maka semakin baik explanatory power dari setiap variabel latent. Perceived ease of use (PEU) memiliki nilai R2 sebesar 0,32 menunjukkan bahwa sebanyak 32% variance PEU ditentukan oleh Task-technology fit (TTF). Perceived usefulness (PU) memiliki nilai R2 sebesar 0,246 menunjukkan bahwa sebanyak 24,6% variance PU ditentukan oleh PEU dan TTF. Attitude towards use (AT) memiliki nilai R2 sebesar 0,669 menunjukkan bahwa sebanyak 66,9% variance AT ditentukan oleh PU dan PEU. Intention to use (IU) memiliki nilai R2 sebesar 0,448 menunjukkan bahwa sebanyak 44,8% variance IU ditentukan oleh PEU dan PU. Actual usage (AU) memiliki nilai R2 sebesar 0,315 menunjukkan bahwa sebanyak 31,5% variance AU ditentukan oleh IU, PU dan TTF.
-
Koefisien Q-squared (Q2) Menurut Jaya dan Sumertajaya (2008), nilai koefisien Q-square (Q2) mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Sebaiknya Q2 memiliki nilai dengan rentang 0< Q2 <1, dimana semakin mendekati 1 berarti model semakin baik. Hasil dari nilai Q2 menggunakan aplikasi WarpPLS dapat dilihat pada Tabel 5.16 berikut.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
82 Tabel 5.16 Hasil dari nilai Q2 menggunakan aplikasi WarpPLS Nilai Q2
Constructs Perceived ease of use (PEU)
0,323
Perceived usefulness (PU)
0,248
Attitude towards use (AT)
0,667
Intention to use (IU)
0,454
Actual usage (AU)
0,305
Koefisien Q-square juga dikenal sebagai Stone-Geisser Q-squared coefficient digunakan untuk mengetahui seberapa relevan perkiraan yang dilakukan oleh model. Dari Tabel 5.17 diatas didapati bahwa semua variabel memiliki nilai Q2 >0 sehingga perkiraan yang dilakukan oleh model dinilai telah relevan.
5.3.10 Penulisan Persamaan Hasil Evaluasi
Setelah
dilakukan
evaluasi
terhadap
model
struktural,
penulis
memasukkan hasil nilai koefisien jalur dari setiap construct penelitian ke dalam persamaan-persamaan inner model. Maka persamaan-persamaan inner model tersebut ini dapat ditulis sebagai berikut: η1 (PEU) = 0,566 TTF
(5,45)
η2 (PU) = 0,403 PEU + 0,169 TTF
(5,46)
η3 (AT) = 0,307 PEU + 0,643 PU
(5,47)
η4 (IU) = 0,091 PU + 0,598 AT
(5,48)
η5 (AU) = 0,583 IU – 0,148 TTF
(5,49)
Setelah
dilakukan
evaluasi
terhadap
model
pengukuran,
penulis
memasukkan hasil nilai loading dan standard error model pengukuran (nilai standard error model pengukuran dapat dilihat pada Lampiran 3) dari setiap indikator penelitian ke dalam persamaan-persamaan outer model. Maka persamaan-persamaan outer model tersebut ini dapat ditulis sebagai berikut: Y1 = 0,737 PEU + 0,159
(5,50) Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
83
Y2 = 0,774 PEU + 0,147
(5,51)
Y3 = 0,578 PEU + 0,186
(5,52)
Y4 = 0,657 PEU + 0,209
(5,53)
Y6 = 0,813 PU + 0,147
(5,54)
Y7 = 0,65 PU + 0,16
(5,55)
Y8 = 0,91 PU + 0,119
(5,56)
Y9 = 0,766 AT + 0,129
(5,57)
Y10 = 0,804 AT + 0,147
(5,58)
Y11 = 0,707 AT + 0,135
(5,59)
Y12 = 0,789 AT + 0,121
(5,60)
Y13 = 0,869 IU + 0,122
(5,61)
Y14 = 0,861 IU + 0,095
(5,62)
Y15 = 0,899IU + 0,07
(5,63)
Y16 = 0,618 AU + 0,153
(5,64)
Y17 = 0,896 AU + 0,079
(5,65)
Y18 = 0,905 AU + 0,09
(5,66)
X1 = 0,81 TTF + 0,094
(5,67)
X2 = 0,745 TTF + 0,116
(5,68)
X4 = 0,675 TTF + 0,14
(5,69)
X5 = 0,516 TTF + 0,182
(5,70)
5.4 Pengujian Hipotesis
Setelah model struktural selesai dievaluasi, analisis kemudian dilanjutkan dengan menentukan apakah hipotesis penelitian ditolak atau diterima. Hipotesis null (H0) akan ditolak (menerima Ha) jika koefisien jalur > 0,100 dan nilai p dibawah significance level (α = 0,05). Nilai p (p-value) diperoleh dari resampling dengan metode jackknifing. Tabel 5.17 berikut merangkum hasil uji hipotesis terhadap model penelitian.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
84
Tabel 5.17 Hasil uji hipotesis terhadap model penelitian Hipotesis Jalur
β
p-value
Temuan
H1
PU ke IU
0,091
0,304 Tidak signifikan
H2
PU ke AT
0,643
<0,001 Signifikan
H3
PEU ke PU
0,403
<0,001 Signifikan
H4
PEU ke AT
0,307
<0,001 Signifikan
H5
AT ke IU
0,598
<0,001 Signifikan
H6
IU ke AU
0,583
<0,001 Signifikan
H7
TTF ke PU
0,169
H8
TTF ke PEU
0,566
H9
TTF ke AU
-0,148
0,099 Tidak signifikan <0,001 Signifikan 0,145 Tidak signifikan
Dari Tabel 5.17 terlihat bahwa enam hipotesis menunjukkan hubungan yang signifikan, dan tiga hipotesis lainnya menunjukkan hubungan yang tidak signifikan. Keenam hipotesis yang menunjukkan hubungan yang signifikan adalah: -
Hipotesis hubungan perceived usefulness (PU) dengan attitude towards use (AT). H2: Manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem eClass. Temuan: terima H2 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari PU ke AT > 0,100 (β = 0,643) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa perceived usefulness (PU) berpengaruh positif terhadap attitude towards use (AT) sistem e-Class. Temuan ini sejalan dengan (Masrom, 2006) yang menyatakan bahwa perceived usefulness memiliki dampak yang signifikan terhadap attitude towards use. Hal ini mengindikasikan bahwa manfaat yang dirasakan oleh peserta dari penggunaan sistem e-Class akan mempengaruhi perilaku peserta selama menggunakan sistem e-Class. Kemudian akan menentukan apakah peserta akan kembali menggunakan sistem tersebut atau tidak. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
85
-
Hipotesis hubungan perceived ease of use (PEU) dengan perceived usefulness (PU). H3: Kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. Temuan: terima H3 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari PEU ke PU > 0,100 (β = 0,403) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa perceived ease of use (PEU) berpengaruh positif terhadap perceived usefulness (PU) dari penggunaan sistem e-Class. Temuan ini sejalan dengan Gong, Xu dan Yu (2004), yang menyatakan bahwa kemudahan yang dirasakan (perceived ease of use) memiliki pengaruh yang signifikan terhadap perilaku selama penggunaan (attitude towards use) para pengguna dan juga terhadap manfaat yang dirasakan (perceived usefulness) secara bersamaan. Hal ini mengindikasikan bahwa kemudahan dalam menggunakan sistem e-Class merupakan salah satu manfaat yang dirasakan oleh peserta selama menggunakan sistem e-Class.
-
Hipotesis hubungan perceived ease of use (PEU) dengan attitude towards use (AT). H4: Kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class. Temuan: terima H4 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari PEU ke AT > 0,100 (β = 0,307) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa perceived ease of use (PEU) berpengaruh positif terhadap attitude towards use (AT) sistem e-Class. Temuan ini sejalan dengan Masrom (2006), yang menyatakan bahwa kemudahan yang dirasakan (perceived ease of use) memiliki dampak yang signifikan terhadap perilaku selama penggunaan (attitude towards use) teknologi. Hal ini mengindikasikan bahwa kemudahan yang dirasakan selama Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
86
menggunakan sistem e-Class juga akan mempengaruhi perilaku peserta selama penggunaan sistem e-Class. Kemudian akan menentukan apakah peserta akan kembali menggunakan sistem tersebut atau tidak.
-
Hipotesis hubungan attitude towards use (AT) dengan intention to use (IU). H5: Perilaku selama penggunaan (attitude towards use) berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem e-Class. Temuan: terima H5 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari AT ke IU > 0,100 (β = 0,598) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa attitude towards use (AT) berpengaruh positif terhadap intention to use (IU) sistem e-Class. Temuan ini sejalan dengan pendapat Pittalis dan Christou (2011), yang menyatakan bahwa perilaku selama penggunaan (attitude towards use) terhadap sebuah aplikasi berpengaruh secara signifikan terhadap niat untuk menggunakan (intention to use) dari sebuah teknologi. Hal ini mengindikasikan bahwa perilaku peserta selama menggunakan akan mempengaruhi niat peserta untuk kembali menggunakan sistem e-Class atau tidak.
-
Hipotesis hubungan intention to use (IU) dengan actual usage (AU). H6: Niat untuk menggunakan (intention to use) berpengaruh secara positif terhadap penggunaan yang sebenarnya (actual usage) dari sistem e-Class. Temuan: terima H6 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari IU ke AU > 0,100 (β = 0,583) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa intention to use (IU) berpengaruh positif terhadap actual usage (AU) dari sistem e-Class. Temuan ini sejalan dengan pendapat Klopping dan McKinney (2004) bahwa intention to use akan mempengaruhi actual use dari sebuah kegiatan penggunaan teknologi. Hal ini mengindikasikan bahwa penggunaan sistem e-Class terlebih dahulu dipengaruhi oleh niat dari para peserta untuk menggunakannya. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
87
-
Hipotesis hubungan task-technology fit (TTF) dengan perceived ease of use (PEU). H8: Task-technology fit (TTF) berpengaruh positif terhadap kemudahan yang dirasakan (perceived ease of use) dari penggunaan sistem e-Class. Temuan: terima H8 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari TTF ke PEU > 0,100 (β = 0,566) dan nilai p < 0,05 (p-value < 0,001). Dengan demikian dapat disimpulkan bahwa task-technology fit (TTF) berpengaruh positif terhadap perceived ease of use (PEU) dari penggunaan sistem e-Class. Temuan ini sejalan dengan Dishaw dan Strong (1999), yang menyatakan bahwa tasktechnology fit (TTF) mempengaruhi kemudahan yang dirasakan (perceived ease of use). Hal ini mengindikasikan bahwa kualitas dan kemampuan dari sistem e-Class dalam memenuhi kebutuhan peserta e-Class akan mempengaruhi kemudahan yang dirasakan oleh peserta pengguna sistem e-Class.
Sementara tiga hipotesis lainnya yang menunjukkan hubungan tidak signifikan adalah: -
Hipotesis hubungan perceived usefulness (PU) dengan intention to use (IU). H1: Manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem e-Class. Temuan: tolak H1 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari PU ke IU < 0,100 (β = 0,091) dan nilai p > 0,05 (p-value = 0,304). Dengan demikian dapat disimpulkan bahwa perceived usefulness (PU) tidak memiliki pengaruh positif terhadap intention to use (IU) sistem e-Class. Temuan ini tidak sejalan dengan Klopping dan McKinney (2004), yang menyatakan bahwa perceived usefulness memiliki dampak secara langsung terhadap intention to use. Serta tidak sejalan dengan Gong, Xu dan Yu (2004), yang menyatakan bahwa perceived usefulness memiliki dampak yang signifikan terhadap intention to use. Temuan ini mungkin disebabkan oleh sebagian Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
88
responden adalah peserta yang pernah mengikuti uji coba/trial terhadap sistem e-Class dan juga mungkin disebabkan oleh sebagian responden adalah peserta yang telah menggunakan sistem e-Class secara berulang kali. Sehingga para peserta sudah mengetahui manfaat yang mereka dapatkan dari penggunaan sistem e-Class. Pengalaman selama mengikuti uji coba ataupun saat mengikuti e-Class untuk pertama kalinya tersebut tidak lagi niat para peserta untuk menggunakan sistem e-Class kembali secara langsung.
-
Hipotesis hubungan task-technology fit (TTF) dengan perceived usefulness (PU). H7: Task-technology fit (TTF) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. Temuan: tolak H7 – Berdasarkan hasil penghitungan seperti yang tercantum pada Tabel 5.17, koefisien jalur dari TTF ke PU > 0,100 (β = 0,169) dan nilai p > 0,05 (p-value = 0,099). Dengan demikian dapat disimpulkan bahwa task-technology fit (TTF) tidak memiliki pengaruh positif terhadap perceived usefulness (PU) dari penggunaan sistem eClass. Temuan ini tidak sejalan dengan Klopping dan McKinney (2004), yang menyatakan bahwa task-technology fit (TTF) mempengaruhi manfaat yang dirasakan (perceived usefulness). Temuan ini mungkin disebabkan oleh sebagian responden adalah peserta yang pernah mengikuti uji coba/trial terhadap sistem e-Class dan juga mungkin disebabkan oleh sebagian responden adalah peserta yang telah menggunakan sistem eClass secara berulang kali. Berdasarkan pengalaman selama mengikuti uji coba maupun saat menggunakan sistem e-Class untuk pertama kali tersebut, para peserta mendapati bahwa sistem e-Class tidak memberikan banyak manfaat (usefulness) karena teknologi dari sistem e-Class dianggap tidak sesuai dengan karakter dari tugas-tugas (task) sebagai peserta pelatihan.
-
Hipotesis hubungan task-technology fit (TTF) dengan actual usage (AU). Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
89
H9: Task-technology fit (TTF) berpengaruh positif terhadap penggunaan yang sebenarnya (actual usage) dari sistem e-Class. Temuan: tolak H9 – Berdasarkan hasil penghitungan pada Tabel 5.17, koefisien jalur dari TTF ke AU < 0,100 (β = -0,148) dan nilai p > 0,05 atau (p-value = 0,145). Sebagai tambahan, koefisien jalur pada H9 juga bernilai negatif yang mengindikasikan bahwa hubungan antara kedua variabel latent ini berkebalikan dengan apa yang diperkirakan sehingga tidak mendukung hipotesis. Dengan demikian dapat disimpulkan bahwa tasktechnology fit (TTF) tidak memiliki pengaruh positif terhadap actual usage (AU) sistem e-Class. Temuan ini tidak sejalan dengan Dishaw dan Strong (1999), yang menyatakan bahwa task-technology fit (TTF) mempengaruhi penggunaan yang sebenarnya (actual usage). Temuan ini mungkin disebabkan oleh kondisi dimana 72% responden berada diluar Jakarta. Sehingga para responden tersebut tidak memiliki pilihan lain selain menggunakan sistem e-Class karena tidak adanya alternatif dari perusahaan penyelenggara pelatihan perpajakan lain yang menyediakan sistem serupa.
5.5 Model Akhir Penelitian
Berdasarkan hasil uji hipotesis yang telah dilakukan, model akhir penelitian dapat dilihat pada Gambar 5.4 berikut.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
90
TAM
Attitude Towards Use
Intention to Use
Perceived Ease of Use
Actual Usage
Perceived Usefulness
TTF
Gambar 5.4 Model akhir penelitian
5.6 Diskusi
Manfaat yang dirasakan (perceived usefulness) didefinisikan sebagai tingkat keyakinan individu bahwa penggunaan sistem informasi tertentu akan meningkatkan kinerjanya (Davis, 1989). Penelitian ini menemukan bahwa manfaat yang dirasakan (perceived usefulness) tidak berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem e-Class. Kemudian penelitian ini juga menemukan bahwa manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class. Hal ini menunjukkan bahwa perceived usefulness lebih bermanfaat untuk menjelaskan attitude towards use daripada untuk menjelaskan intention to use. Sehingga diperkirakan bahwa kegunaan/manfaat yang diberikan oleh sistem e-Class sangat penting untuk menentukan sikap/perilaku para peserta selama menggunakan sistem e-Class. Sikap serta perilaku para peserta tersebut kemudian akan mempengaruhi niat dari para peserta untuk menggunakan (intention to use) sistem e-Class dimasa yang akan datang dan juga akan mempengaruhi penggunaan dari sistem e-Class yang sebenarnya (actual usage). Hal ini didukung dengan temuan penelitian bahwa Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
91
perilaku selama penggunaan (attitude towards use) berpengaruh positif terhadap niat untuk menggunakan (intention to use) sistem e-Class. Serta didukung dengan temuan bahwa niat untuk menggunakan (intention to use) berpengaruh secara positif terhadap penggunaan yang sebenarnya (actual usage) dari sistem e-Class. Penjelasan
terhadap
temuan-temuan
ini
kemungkinan
adalah
walaupun
manfaat/kegunaan dari sistem e-Class tidak mempengaruhi niat peserta untuk menggunakan sistem secara langsung, akan tetapi manfaat/kegunaan dari sistem tersebut tetap mempengaruhi perilaku peserta selama penggunaan dan pada akhirnya akan mempengaruhi niat untuk kembali menggunakan atau tidak lagi menggunakan sistem e-Class dimasa yang akan datang. Kemudahan yang dirasakan (perceived ease of use) didefinisikan sebagai tingkat dimana seseorang meyakini bahwa penggunaan sistem informasi merupakan hal yang mudah dan tidak memerlukan usaha keras dari pemakainya (Davis, 1989). Penelitian ini menemukan bahwa kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. Sebagai tambahan, penelitian ini juga menemukan bahwa kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class. Temuan ini mungkin disebabkan oleh sebagian responden adalah peserta yang pernah mengikuti uji coba/trial terhadap sistem e-Class dan juga mungkin disebabkan oleh sebagian responden adalah peserta yang telah menggunakan sistem e-Class secara berulang kali. Sehingga para peserta sudah mengetahui manfaat serta kemudahan yang mereka dapatkan dari penggunaan sistem e-Class. Pengalaman selama mengikuti uji coba ataupun saat mengikuti eClass untuk pertama kalinya mempengaruhi perilaku para peserta yang pada akhirnya mempengaruhi niat para peserta untuk menggunakan sistem e-Class kembali. Sebagaimana yang telah dijelaskan sebelumnya, bahwa perilaku selama penggunaan (attitude towards use) sistem e-Class mempengaruhi niat untuk menggunakan (intention to use) sistem e-Class dan pada akhirnya mempengaruhi penggunaan yang sebenarnya (actual usage) dari sistem e-Class. Sebagai tambahan, pengalaman tersebut mempengaruhi manfaat yang akan peserta dapatkan dari menggunakan sistem e-Class yang pada akhirnya akan Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
92
mempengaruhi perilaku selama penggunaan dan menentukan niat untuk menggunakan sistem e-Class kembali atau tidak. Temuan terakhir pada penelitian ini adalah terkait construct task-technology fit (TTF) yang merupakan construct terakhir dalam model terintegrasi TAM/TTF. Menurut Goodhue dan Thompson (1995), dua komponen utama dalam TTF adalah task dan technology. TTF dianggap memberikan dampak positif apabila kemampuan dari teknologi (technology characteristics) sesuai dengan tugas-tugas yang harus dilakukan (tasks characteristics) oleh para pengguna. Komponen tugas (tasks) dapat diterjemahkan sebagai tindakan-tindakan yang dilakukan oleh seseorang untuk merubah input menjadi output. Penelitian ini menemukan bahwa task-technology fit (TTF) tidak berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dari penggunaan sistem e-Class. Kemudian penelitian ini menemukan bahwa task-technology fit (TTF) berpengaruh positif terhadap kemudahan yang dirasakan (perceived ease of use) dari penggunaan sistem e-Class. Hal ini mungkin disebabkan karena para responden memiliki pilihan untuk menggunakan sistem e-Class atau mengikuti kegiatan pelatihan melalui kelas tatap muka. Sehingga para responden memandang bahwa teknologi (technology) dari sistem e-Class hanya sekedar memberikan kemudahan (ease of use) dalam mengikuti kegiatan pelatihan, akan tetapi tidak memberikan banyak manfaat (usefulness) karena teknologi dari sistem e-Class dianggap tidak sesuai dengan karakter dari tugas-tugas (task) sebagai peserta pelatihan. Kemungkinan ini didukung oleh jawaban dari responden bahwa koneksi yang buruk, kualitas sistem yang buruk serta kurangnya interaksi antara pengajar dengan peserta melalui sistem sebagai hambatan dalam menggunakan sistem e-Class. Jawaban ini semakin memperjelas bahwa teknologi tidak memberikan banyak manfaat karena tidak sesuai dengan karakteristik dari tugas-tugas sebagai peserta pelatihan melainkan hanya mempermudah peserta karena dapat mengikuti pelatihan dimana saja tanpa harus berada di kelas. Sebagai tambahan, penelitian ini juga menemukan bahwa task-technology fit (TTF) tidak berpengaruh positif terhadap penggunaan yang sebenarnya (actual usage) dari penggunaan sistem e-Class. Hal ini menunjukkan bahwa kualitas dari Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
93
teknologi sistem e-Class maupun kemampuan yang dimiliki oleh sistem e-Class untuk menyesuaikan dengan karakteristik dari tugas-tugas sebagai peserta pelatihan tidak mempengaruhi penggunaan terhadap sistem e-Class. Kondisi ini mungkin disebabkan karena 72% responden berada diluar Jakarta, sehingga mereka tidak memiliki pilihan lain selain menggunakan sistem e-Class karena tidak adanya alternatif dari perusahaan penyelenggara pelatihan perpajakan lain yang menyediakan sistem serupa.
5.7 Implikasi
Penelitian ini memiliki implikasi-implikasi terhadap peneliti lain dan PT. XYZ. Terhadap peneliti lain, analisa penerimaan sistem e-learning menggunakan model terintegrasi TAM dan TTF perlu untuk dieksplorasi lebih lanjut. Penelitian ini menunjukkan adanya beberapa temuan yang tidak sejalan dengan temuan-temuan yang ada selama ini, seperti perceived usefulness tidak berpengaruh positif terhadap intention to use, task-technology fit tidak berpengaruh positif terhadap perceived usefulness dan task-technology fit tidak berpengaruh positif terhadap actual usage. Hal ini mungkin dipengaruhi oleh karakteristik masyarakat Indonesia serta kualitas dari sistem e-Class. Kemudian terhadap PT. XYZ, perlu diwaspadai bahwa penggunaan terhadap sistem e-Class tidak hanya dipengaruhi oleh kemudahan dan kegunaan dari sistem tersebut, akan tetapi juga bagaimana sistem tersebut dapat memenuhi karakteristik tugas dari para pengguna. PT. XYZ perlu lebih mewaspadai kebutuhan-kebutuhan pengguna yang dapat dipenuhi oleh sistem e-Class secara lebih spesifik dan tidak hanya fokus pada manfaat dari sistem e-Class secara umum. Sebagai contoh, peneliti mendapatkan dari jawaban para responden bahwa sistem e-Class tidak dapat mengakomodir kebutuhan peserta akan interaksi dengan pengajar maupun peserta lain. Menurut responden, hal ini disebabkan komunikasi dari peserta eClass kepada pengajar ataupun peserta harus melalui operator sistem e-Class, sehingga menghambat interaksi apabila operator tersebut tidak cepat tanggap. Implikasi lain terhadap PT. XYZ adalah agar PT. XYZ memperhatikan kualitas dari sistem e-Class. Berdasarkan data kuesioner, penulis mendapati banyaknya Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
94
keluhan peserta terhadap buruknya kualitas dari sistem e-Class. Buruknya kualitas sistem e-Class selama penggunaannya oleh para peserta, tentunya mempengaruhi niat peserta tersebut untuk tidak lagi menggunakan sistem e-Class dimasa yang akan datang. Temuan-temuan dari penelitian ini diharapkan dapat membantu PT. XYZ dalam membuat sistem e-Class menjadi lebih baik.
5.8 Keterbatasan Penelitian
Seperti halnya penelitian yang lain, penelitian ini juga memiliki keterbatasan penelitian. Kelebihan dari penelitian ini adalah bahwa data diperoleh dari para peserta yang terbiasa berinteraksi menggunakan aplikasi secara online (82% responden memiliki pengalaman dengan internet diatas 5 tahun). Akan tetapi kekurangan dari penelitian ini adalah ukuran sampel yang digunakan pada penelitian ini relatif sedikit. Meskipun sampel dalam penelitian telah melebihi batas minimun yang dianjurkan dalam PLS (n = 74, batas minimum PLS = 50), penggunaan sampel yang lebih banyak akan membuat hasil penelitian menjadi lebih handal. Kemudian pertanyaan-pertanyaan untuk construct task-technology fit (TTF) dalam penelitian ini kurang fokus dalam memperoleh informasi mengenai kualitas serta kemampuan sistem e-learning. Pertanyaan-pertanyaan tersebut lebih fokus untuk memperoleh informasi mengenai kualitas serta kemampuan sistem informasi secara umum. Penggunaan pertanyaan-pertanyaan yang lebih relevan terkait sistem e-learning akan membuat hasil penelitian ini menjadi lebih handal.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
BAB 6 KESIMPULAN DAN SARAN KESIMPULAN DAN SARAN Pada bab ini penulis menjabarkan mengenai profil kesimpulan dari penelitian yang telah dilakukan serta saran untuk penelitian selanjutnya.
6.1 Kesimpulan
Penelitian ini melakukan analisis untuk mengetahui faktor-faktor yang mempengaruhi peserta dalam menggunakan sistem e-Class. Obyek dari penelitian ini adalah sistem pembelajaran berbasiskan e-learning bernama e-Class yang digunakan oleh PT. XYZ, sebuah perusahaan kursus perpajakan yang berlokasi di Jakarta. Analisis dilakukan dengan menggunakan model terintegrasi TAM/TTF. Kesimpulan dari penelitian bisa dimulai dari mengulang pertanyaan penelitian, yaitu “Faktor-faktor apa saja yang mempengaruhi minat peserta dalam menggunakan sistem e-Class milik PT. XYZ?”. Berdasarkan analisa yang telah dilakukan, faktor-faktor yang mempengaruhi minat peserta adalah: a. Manfaat yang dirasakan (perceived usefulness) Penelitian ini menemukan bahwa manfaat yang dirasakan (perceived usefulness) berpengaruh positif terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class. Hal ini mengindikasikan bahwa PT. XYZ perlu fokus untuk meningkatkan manfaat yang dapat diberikan oleh sistem e-Class kepada para peserta, karena manfaat-manfaat tersebut sangat penting dalam menentukan sikap/perilaku para peserta e-Class. Sikap serta perilaku ini kemudian akan mempengaruhi niat dari para peserta untuk kembali menggunakan sistem e-Class dimasa yang akan datang atau tidak.
b. Kemudahan yang dirasakan (perceived ease of use) Kemudian penelitian ini menemukan bahwa kemudahan yang dirasakan (perceived ease of use) berpengaruh positif terhadap manfaat yang dirasakan (perceived usefulness) dan juga terhadap perilaku selama penggunaan (attitude towards use) sistem e-Class. Hal ini mungkin 95
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
96
disebabkan oleh sebagian responden adalah peserta yang pernah mengikuti uji coba/trial terhadap sistem e-Class dan juga mungkin disebabkan oleh sebagian responden adalah peserta yang telah menggunakan sistem eClass secara berulang kali, sehingga mereka telah mengetahui manfaat serta kemudahan dari penggunaan sistem e-Class. Oleh karena itu, PT. XYZ perlu untuk meningkatkan kemudahan dari penggunaan sistem eClass. Sebagai tambahan, PT. XYZ juga perlu untuk lebih memperhatikan keluhan dari para responden seperti proses pendaftaran yang tidak efisien, lambannya operator dalam menangani pertanyaan-pertanyaan peserta kepada pengajar dan kesulitan untuk mengakses e-Class di daerah dengan koneksi yang buruk.
c. Task-technology fit (TTF) Faktor terakhir yang mempengaruhi minat peserta adalah ask-technology fit (TTF). Penelitian ini menemukan bahwa task-technology fit (TTF) berpengaruh positif terhadap kemudahan yang dirasakan (perceived ease of use) dari penggunaan sistem e-Class. Hal ini mengindikasikan bahwa kualitas dari sistem e-Class berpengaruh terhadap mudah atau tidaknya sistem e-Class digunakan oleh para peserta, yang kemudian menentukan apakah peserta akan menggunakan sistem e-Class atau tidak. Oleh karena itu, PT. XYZ perlu untuk memperhatikan keluhan-keluhan para responden terkait buruknya kualitas sistem e-Class dan kurangnya interaksi antara peserta dengan pengajar dan peserta lain.
6.2 Saran
Terdapat beberapa saran yang dapat diberikan untuk manajemen PT. XYZ dalam meningkatkan jumlah pengguna sistem e-Class serta untuk penelitian selanjutnya. a. Untuk manajemen PT. XYZ, disarankan untuk terlebih dahulu memperbaiki kualitas dari sistem e-Class sehingga peserta dapat merasakan manfaat serta kemudahan yang lebih dari sistem tersebut. Kemudian PT. XYZ juga disarankan untuk memperbaiki proses-proses Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
97
yang berhubungan dengan sistem e-Class seperti proses pendaftaran peserta yang lebih efisien dan proses interaksi antara peserta dengan pengajar yang tidak perlu lagi melalui operator. Perbaikan terhadap proses-proses tersebut tentunya akan memberikan kemudahan dan manfaat kepada para pengguna sistem e-Class. Sebagai tambahan, PT. XYZ juga perlu untuk melakukan promosi yang lebih gencar kepada masyarakat mengenai sistem e-Class untuk meningkatkan peminat sistem e-Class.
b. Untuk penelitian selanjutnya, disarankan untuk melakukan penelitian yang serupa dengan ukuran sampel yang lebih besar (sampel diatas 100). Penggunaan sampel penelitian yang lebih besar dengan metode analisis yang berbeda diharapkan dapat meningkatkan kehandalan dari hasil penelitian ini. Hal ini dikarenakan pada penelitian ini terdapat beberapa temuan yang tidak sejalan dengan temuan-temuan yang ada selama ini. Selain itu, penelitian selanjutnya juga disarankan untuk mengganti obyek penelitian dengan perusahaan-perusahaan penyedia layanan pendidikan berbasis e-learning lainnya. c. Sebagai tambahan, penulis juga menyarankan untuk melakukan penelitian yang serupa akan tetapi dengan pertanyaan-pertanyaan yang lebih relevan terhadap sistem e-learning. Terutama untuk pertanyaan-pertanyaan pada construct task-technology fit (TTF). Hal ini dikarenakan pertanyaanpertanyaan untuk construct task-technology fit (TTF) pada penelitian ini lebih fokus pada kualitas sistem informasi secara umum. Sehingga apabila ada penelitian serupa dengan pertanyaan-pertanyaan yang lebih fokus pada sistem e-learning, maka diharapkan akan meningkatkan kehandalan dari hasil penelitian ini.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
DAFTAR PUSTAKA
Abdi, H. (2007). Partial Least Squares (PLS) Regression. Dipetik April 15, 2013, dari University of Texas at Dallas: http://www.utdallas.edu/~herve/Abdi-PLSpretty.pdf Ajzen, I. (1991). The Theory of Planned Behavior. Organizational Behavior and Human Decision Processes, 179-211. Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behaviors. NJ: Prentice-Hall, Englewood Cliffs. Al-alak, B. A., & Alnawas, I. A. (2011). Measuring the Acceptance and Adoption of E-Learning by Academic Staff. Knowledge Management & E-Learning: An International Journal, 201-221. Anderson, J. C., & Gerbing, D. W. (1988). Structural Equation Modeling in Practice: A Review and Recommended Two-Step Approach. Psychological Bulletin, 411-423. Belkhamza, Z., & Wafa, S. A. (2012). Measuring the Organizational Information Systems Success in the Malaysian Super Corridor Status Companies. International Conference on Communications and Information Technology, 445449. Boaretto, E. (2009). Dating Materials in Good Archaeological Contexts: The Next Challenge for Radiocarbon Analysis. Radiocarbon Vol. 51 No. 1, 275-281. Bollen, K. A. (1989). Structural Equations with Latent Variables. New York: Wiley. Boone, H. N., & Boone, D. A. (2012). Analyzing Likert Data. Journal of Extension Volume 50 No. 2, 1-5. Chang, P. V.-C. (2004). The Validity of an Extended Technology Acceptance Model (TAM) for Predicting Intranet/Portal Usage. Dipetik Desember 8, 2012, dari School of information and Library Science of the University of North Carolina: http://ils.unc.edu/MSpapers/2921.pdf Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 319-340. Dishaw, M. T., & Strong, D. M. (1999). Extending the technology acceptance model with task-technology fit constructs. Information & Management 36, 9-21.
98
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
99
Drucker, P. (2000). Need to Know: Integrating e-Learning with High Velocity Value Chains. Dipetik Desember 21, 2011, dari http://www.delphigroup.com/whitepapers/pdf/20001213-e-learning-wp.pdf Gani, I. A. (2012). Kajian Penerimaan Sistem INATRADE. Tesis. Jakarta: Fakultas Ilmu Komputer, Universitas Indonesia. Gliem, J. A., & Gliem, R. R. (2003). Calculating, Interpreting, and Reporting Cronbach's Alpha Reliability Coefficient for Likert-Type Scales. 2003 Midwest Research to Practice Conference in Adult, Continuin, and Community Education, 82-88. Golafshani, N. (2003). Understanding Reliability and Validity in Qualitative Research. The Qualitative Report, 597-607. Gong, M., Xu, Y., & Yu, Y. (2004). An Enhanced Technology Acceptance Model for Web-Based Learning. Journal of Information Systems Education, 365-374. Goodhue, D. L. (1995). Understanding user evaluations of information systems. Management Science 41 (12), 1827-1844. Goodhue, D. L., & Thompson, R. L. (1995). Task-Technology Fit and Individual Performance. MIS Quarterly, 213-236. Haenlein, M., & Kaplan, A. M. (2004). A Beginner’s Guide to Partial Least Squares Analysis. Understanding Statistics, 283-297. Harper, K. C., Chen, K., & Yen, D. C. (2004). Distance Learning, Virtual Classrooms, and Teaching Pedagogy in The Internet Environment. Dipetik Desember 21, 2011, dari Al-Quds Open University: http://www.qou.edu/arabic/researchProgram/distanceLearning/distanceVirtual.pdf Jaya, I. M., & Sumertajaya, I. (2008). Permodelan Persamaan Struktural dengan Partial Least Square. Semnas Matematika dan Pendidikan Matematika, 118-132. Keegan, D. (2002, November). The future of learning: From eLearning to mLearning. Hagen, North Rhine-Westphalia, Germany. Klopping, I. M., & McKinney, E. (2004). Extending the Technology Acceptance Model and the Task-Technology Fit Model to Consumer E-Commerce. Information Technology, Learning, and Performance Journal, 35-48. Kock, N. (2010). Using WarpPLS in E-collaboration Studies: An Overview of Five Main Analysis Steps. International Journal of e-Collaboration 6(4), 1-11. Kock, N. (2011). Using WarpPLs in e-Collaboration Studies: Descriptive Statistics, Settings, and Key Analysis Results. International Journal of eCollaboration, 7(2), 1-18. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
100
Kumar, R., & Ravindran, S. (2012). An Empirical Study on Service Quality Perceptions and Continuance Intention in Mobile Banking Context in India. Journal of Internet Banking and Commerce, 1-22. Li, L. (2010). A Critical Review of Technology Acceptance Literature. Dipetik September 12, 2012, dari Department of Accounting, Economics and Information Systems, College of Business, Grambling State University: http://www.swdsi.org/swdsi2010/SW2010_Preceedings/papers/PA104.pdf Liao, H.-L., & Liu, S.-H. (2012). A Comparison Analysis on the Intention to Continued Use of a Lifelong Learning Website. International journal of electronic business management, 213-223. Liu, S.-H., Liao, H.-L., & Peng, C.-J. (2005). Applying The Technology Acceptance Model and Flow Theory to Online E-Learning Users's Acceptance Behavior. Dipetik November 12, 2012, dari Mitra Library Universitas Gajah Mada: http://prisekip.blog.ugm.ac.id/files/2011/02/Applying-the-technologyacceptance-model-and-flow.pdf Masrom, M. (2006). Technology Acceptance Model and E-learning. Dipetik September 17, 2012, dari University Teknologi Malaysia Institutional Repository: http://eprints.utm.my/5482/1/MaslinMasrom2006_Techn.pdf Maurer, H., & Sapper, M. (2001). E-Learning Has to be Seen as Part of General Knowledge Management. Proc. of ED-MEDIA 2001 World Conference on Educational Multimedia, Hypermedia & Telecommunications, 1249-1253. McGill, T. J., & Hobbs, V. J. (2006). E-Learning and Task-Technology Fit: A Student and Instructor Comparison. Dipetik November 12, 2012, dari AIS Electronic Library: http://aisel.aisnet.org/acis2006/32 Meilani, Y. F., Lemy, D. M., & Bernarto, I. (2013). Local Young Tourist' Perceptions of Service Quality, Motivation, Satisfaction, Loyalty in Choosing Dunia Fantasi (Dufan) as Tourist Attraction. The 2013 Internation Conference on Business, Economics, and Accounting, 1-15. Mohamed, N., & Karim, N. A. (2012). Open Source E-Learning Anxiety, SelfEfficacy and Acceptance - A Partial Least Square Approach. Dipetik April 19, 2013, dari North Atlantic University Union: http://naun.org/multimedia/NAUN//mcs/16-364.pdf Park, S. Y. (2009). An Analysis of the Technology Acceptance Model in Understanding University Students’ Behavioral Intention to Use e-Learning. Educational Technology & Society, 150-162. Pittalis, M., & Christou, C. (2011). Extending The Technology Acceptance Model to Assess Secondary School Teachers' Intention to Use Cabri in Geometry Teaching. Dipetik November 11, 2012, dari European Society for Research in Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
101
Mathematics Education: http://www.cerme7.univ.rzeszow.pl/WG/15a/CERME7WG15A-Paper27_Pittalis.pdf Poelmans, S., Wessa, P., Milis, K., Bloemen, E., & Doom, C. (2008). Usability and Acceptance of E-Learning in Statistics Education, based on the Compendium Platform. Dipetik April 19, 2013, dari Free Statistics and Forecasting Software: http://www.wessa.net/download/iceripaper1.pdf Pugesek, B. H., Tomer, A., & Eye, A. V. (2003). Structural Equation Modeling Applications in ecological and evolutionary biology. Cambridge: The Press Syndicate of The University of Cambridge. Raykov, & Marcoulides. (2006). A First Course in Structural Equation Modeling. Mahwah, New Jersey: Lawrence Erlbaum Associates, Inc. Sandjojo, N. (2011). Metode Analisi Jalur (Path Analysis) dan Aplikasinya. Jakarta: Pustaka Sinar Harapan. Sanusi, S. R. (2005). Beberapa Uji Validitas dan Reliabilitas pada Instrumen Penelitian. Dipetik Mei 10, 2013, dari Universitas Sumatera Utara: http://repository.usu.ac.id/bitstream/123456789/18868/1/ikm-okt20059%20%286%29.pdf Schmidt, E. K., & Gallegos, A. (2001). Distance Learning: Issues and Concerns of Distance Learners. Dipetik Desember 19, 2011, dari The Association of Technology, Management and Applied Engineering: http://atmae.org/jit/Articles/schmidt041801.pdf Schumacker, R. E., & Lomax, R. G. (2004). A Beginner's Guide to Structural Equation Modeling. New Jersey: Lawrence Erlbaum Associates, Inc. Selim, H. M. (2007). Critical success factors for e-learning acceptance: Confirmatory factor models. Computers & Education, 396-413. Singarimbun, M., & Effendi, S. (1989). Metode Penelitian Survai. Jakarta: PT. Pustaka LP3S. Southey, G. (2011). The Theories of Reasoned Action and Planned Behaviour Applied to Business Decisions: A Selective Annotated Bibliography. Dipetik November 6, 2012, dari Journal of New Business Ideas & Trends: http://www.jnbit.org/upload/JNBIT_Southey_2011_1.pdf Sridharan, B., Deng, H., Kirk, J., & Corbitt, B. (2010). Structural equation modeling for evaluating the user perceptions of e-learning effectiveness in higher education. 18th European Conference on Information Systems, 1-13.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
102
Stojanovic, L., Staab, S., & Studer, R. (2001). eLearning Based on The Semantic Web. Dipetik Desember 4, 2011, dari Learning Technologies Research Group: http://lufgi9.informatik.rwthaachen.de/lehre/ws02/semDidDesign/lit/SemanticWebELearning.pdf Sugiyono. (2004). Metode Penelitian Bisnis. Bandung: Alphabeta. Suhr, D. (2006). The Basics of Structural Equation Modeling. Dipetik November 18, 2012, dari Western Users of SAS Software: http://www.lexjansen.com/wuss/2006/tutorials/TUT-Suhr.pdf Šumak, B., Heričko, M., Pušnik, M., & Polančič, G. (2011). Factors affecting acceptance and use of moodle: an empirical study based on TAM. Informatica 35, 91-100. Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach's alpha. International Journal of Medical Education, 53-55. Vallerand, R. J., Deshaies, P., Cuerrier, J.-P., Pelletier, L. G., & Mongeau, C. (1992). Ajzen and Fishbein's Theory of Reasoned Action as Applied to Moral Behavior: A Confirmatory Analysis. Dipetik November 6, 2012, dari University du Quebec a Montreal: http://www.er.uqam.ca/nobel/r26710/LRCS/papers/56.pdf Virdyananto, A. L. (2012). Analisa Faktor-Faktor Penerimaan User Terhadap Human Resources Information System (HRIS): Studi Kasus PT. XYZ. Tesis. Jakarta: Fakultas Ilmu Komputer, Universitas Indonesia. Wang, Y.-s., & Tang, T.-I. (2012). A model for evaluating e-learning blog success. International Proceedings of Computer Science and Information Technology, 13-17. Wijanto, S. H. (2008). Structural equation modeling (SEM): a tool for research in business and management. International Conference on Quantitative Methods used in Economics and Business, 21-43. Yount, R. (2006). Correlation Coefficients. Research Design and Statistical Analysis in Christian Ministry, 1-10.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
103
Lampiran 1: Kuesioner Penelitian
SURVEI KAJIAN PENERIMAAN SISTEM E-CLASS DI PT. XYZ OLEH: DIMAS FEBRIAWAN MAHASISWA MAGISTER TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS INDONESIA
IDENTITAS RESPONDEN Nama
: ..............................................................................................
Pekerjaan
: ..............................................................................................
Alamat
: .............................................................................................. ..............................................................................................
Yang terhormat Bapak/Ibu sekalian; Sehubungan dengan penelitian yang sedang saya kerjakan dengan judul Analisa Faktor-Faktor yang Mempengaruhi Siswa Dalam Penggunaan Sistem E-Class di Tax Training House (TTH), dengan ini saya mohon Bapak/Ibu untuk mengisi kuesioner ini. Tujuan dari penyebaran kuesioner ini adalah untuk: 1. Membantu penyelesaian tugas akhir saya sebagai salah satu syarat kelulusan pada program pasca sarjana di Universitas Indonesia. 2. Membantu TTH dalam membuat sistem e-Class menjadi lebih baik lagi. Seluruh data yang terkumpul melalui kuesioner ini adalah untuk tujuan akademis. Kami menjamin kerahasiaan data-data yang terkumpul, sesuai dengan kode etik penelitian. Tidak ada jawaban yang benar atau salah dalam pengisian kuesioner ini. Oleh karena itu, kami sangat mengharapkan kuesioner ini dapat diisi secara lengkap dengan penilaian se-obyektif mungkin berdasarkan pengalaman Bapak/Ibu dalam menggunakan sistem e-Class. Kuesioner ini terdiri dari 3 bagian, bagian pertama berisi pertanyaan mengenai data responden, bagian kedua berisi pertanyaan terkait penggunaan sistem e-
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
104
Class, dan bagian ketiga berisi mengenai kritik dan saran terkait sistem e-Class. Atas bantuannya, kami mengucapkan terima kasih. Dengan Hormat,
Dimas Febriawan I. Kuesioner Bagian I Mohon kesediaan Bapak/Ibu untuk memberikan tanda silang (X) di dalam tanda( ) untuk setiap pertanyaan terkait data diri Anda. Terima kasih. 1. Jenis kelamin: a. Laki-laki (
)
b. Perempuan (
)
2. Usia: a. < 25 tahun (
)
b. 25-35 tahun (
)
c. > 35 tahun (
)
3. Lokasi saat menggunakan sistem e-Class: a. Jakarta (
)
b. Diluar Jakarta (
)
4. Lama bekerja: a. < 5 tahun (
)
b. 5-10 tahun (
)
c. > 10 tahun (
)
)
c. > 10 tahun (
)
5. Pengalaman dalam menggunakan internet: a. < 5 tahun (
)
b. 5-10 tahun (
6. Pendidikan formal terakhir: a. D3 atau setara (
)
b. S1 (
)
c. S2 (
) d. S3 atau setara (
)
II. Kuesioner Bagian II Mohon kesediaan Bapak/Ibu untuk memberikan tanda silang (X) di sebelah kanan setiap pernyataan, sesuai dengan skala tingkat persetujuan Anda atas setiap pernyataan yang ada. Tidak ada jawaban yang benar atau salah dalam pengisian kuesioner ini. Terima kasih. Skala penilaian: 1: Sangat Tidak Setuju 2: Tidak Setuju 3: Netral Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
105
4: Setuju 5: Sangat Setuju Contoh: Berikanlah pendapat Bapak/Ibu untuk pernyataan dibawah ini: No. Pernyataan
Penilaian 1
1.
2
3
Sistem e-Class mudah untuk digunakan.
4
5
X
Berikanlah pendapat Bapak/Ibu untuk pernyataan dibawah ini: No. Pernyataan
Penilaian 1
2
3
4
5
Perceived Ease of Use 1.
Saya
sering
merasa
bingung
saat
menggunakan sistem e-Class. 2.
Berinteraksi dengan sistem e-Class sering membuat saya frustrasi.
3.
Saya merasa mudah untuk melakukan apa yang saya inginkan, seperti berinteraksi dengan siswa lain, menggunakan sistem eClass.
4.
Secara keseluruhan, saya mendapati bahwa sistem e-Class mudah untuk digunakan. Perceived Usefulness
5.
Saya kesulitan untuk mengikuti kegiatan pelatihan tanpa sistem e-Class.
6.
Menggunakan sistem e-Class membantu saya dalam memahami materi pelatihan.
7.
Menggunakan sistem e-Class menghemat waktu saya.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
106
8.
Secara keseluruhan, saya mendapati bahwa sistem e-Class sangat bermanfaat dalam mengikuti kegiatan pelatihan. Attitude Toward Use
9.
Menggunakan sistem e-Class merupakan ide yang buruk (negatif).
10.
Secara umum saya tidak suka menggunakan sistem e-Class.
11.
Menggunakan
sistem
e-Class
membuat
kegiatan pelatihan menjadi lebih menarik. 12.
Secara umum saya suka menggunakan sistem e-Class untuk mengikuti kegiatan pelatihan. Intention to Use
13.
Saya berencana untuk menggunakan sistem e-Class untuk kegiatan pelatihan berikutnya.
14.
Saya akan selalu menggunakan sistem eClass
setiap
kali
mengikuti
kegiatan
pelatihan. 15.
Saya berencana untuk selalu menggunakan sistem e-Class secara reguler dimasa depan karena bermanfaat untuk saya. Actual Usage
16.
Saya selalu menggunakan sistem e-Class setiap mengikuti kegiatan pelatihan.
17.
Saya sering menggunakan sistem lain yang serupa dengan sistem e-Class.
18.
Saya selalu menggunakan sistem yang serupa dengan e-Class setiap mengikuti kegiatan pelatihan ditempat lain. Task-Technology Fit
19.
Saya merasakan kualitas suara, gambar serta video dari sistem e-Class cukup baik. Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
107
20.
Saya merasa mudah untuk menemukan fiturfitur dari sistem e-Class yang saya inginkan.
21.
Saya tidak dapat mengakses fungsi-fungsi dari sistem e-Class yang tidak ditujukan untuk pengguna umum seperti saya. Contoh: saya tidak bisa memblokir peserta lain dalam mengikuti kelas e-Class.
22.
Sistem e-Class sering tidak bisa diakses sehingga menggangu kegiatan pelatihan saya.
23.
Saya merasa mudah untuk mempelajari dan menggunakan sistem e-Class pada saat penggunaan pertama.
24.
Sistem e-Class dapat memenuhi kebutuhan saya dalam mengikuti kegiatan pelatihan.
III. Kuesioner Bagian III Mohon kesediaan Bapak/Ibu untuk mengisi pertanyaan di bawah ini dengan singkat dan jelas. Terima kasih. 1. Hambatan apakah yang Anda rasakan selama menggunakan sistem eClass?
2. Apa saran Anda untuk pengembangan e-Class dimasa yang akan datang?
Terima kasih atas bantuan dan partisipasi Bapak/Ibu dalam mengisi kuesioner ini.
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
108
Lampiran 2: Hasil Pre-processed Data Menggunakan Aplikasi WarpPLS
PEU1
PEU2
PEU3
PEU4
PU1
PU2
1.4407
-0.626
0.9005
0.2923
1.1638
0.4907 -0.5032 -0.0176
0.4349
0.3596 -1.9151
0.2923 -0.7715
0.4349 -1.6116 -1.9151 -2.2524
0.1961
0.4907
PU3
1.1158
PU4
1.2855
-2.103 -2.1222 -2.6239
0.4349
0.3596
-0.038
0.2923 -0.7715 -0.8061 -0.5032 -1.3208
0.4349
0.3596
0.9005
0.2923 -0.7715
0.4907
1.1158 -0.0176
1.4407
1.3452
1.839
1.5646
0.4907
1.1158
1.4407
0.3596 -0.9766
0.2923 -0.7715
0.4907 -0.5032 -0.0176
1.4407
1.3452
-0.038
0.2923
1.1638
0.4907
1.1158 -0.0176
0.4349 -1.6116 -0.9766
0.2923
1.1638
0.4907
1.1158 -0.0176
1.1638
0.4907
1.1158 -0.0176
0.1961
1.2855
-0.5709
0.3596
0.9005
0.2923
0.4349
0.3596
-0.038
0.2923 -0.7715
0.4907 -0.5032 -0.0176
0.4349
0.3596
-0.038
0.2923
0.1961
0.4907
0.4349
1.3452
-0.038
0.2923
2.1315 -3.3998
0.4349
0.3596 -0.9766
0.2923
1.1638
1.4407
1.3452 -1.9151
0.2923 -0.7715 -0.8061
-0.5709
-0.626 -0.9766
-0.98
1.1158
1.2855
1.1158 -1.3208
-2.103 -0.5032 -0.0176 1.1158 -0.0176
0.1961
-2.103
1.1158 -0.0176
1.4407
1.3452
0.9005
1.5646 -1.7392
1.7875
1.1158
1.2855
0.4349
0.3596
0.9005
0.2923
0.4907
1.1158
1.2855
-0.5709
-0.626 -0.9766 -2.2524
0.1961
1.1638 -0.8061 -2.1222 -1.3208
0.4349
0.3596
0.9005
0.2923 -0.7715
0.4907
-0.5709
-0.626
0.9005
0.2923
1.1638
0.4907 -0.5032
1.2855
0.4349
0.3596
0.9005
0.2923
0.1961
0.4907
1.2855
1.4407
1.3452 -0.9766
1.4407
1.3452 -0.9766 -2.2524 -1.7392 -0.8061 -0.5032 -1.3208
-1.5766 -1.6116
-0.98 -0.7715
1.1158 -0.0176
1.1158
0.4907 -0.5032 -0.0176
-0.038
0.2923 -0.7715
0.4907 -0.5032 0.4907
1.1638
1.2855
1.4407
1.3452
0.9005
0.2923
1.1158 -0.0176
0.4349
0.3596
0.9005
0.2923 -0.7715
0.4907 -0.5032 -0.0176
-1.5766
0.3596
-0.038
1.5646 -0.7715
0.4907
1.1158
1.2855
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
109
0.4349
0.3596
-0.038
0.2923
1.1638
0.4907
1.1158 -0.0176
-2.5824 -2.5972 -1.9151 -2.2524
1.1638
0.4907
1.1158
1.2855
0.1961
0.4907
1.1158
1.2855
1.4407
1.3452
-0.038
0.2923
0.4349
0.3596
0.9005
0.2923 -0.7715
0.4907 -0.5032 -0.0176
0.4349
0.3596
0.9005
1.5646 -0.7715
0.4907 -0.5032 -0.0176
-0.5709
-0.626
-0.038
1.5646
0.4907 -0.5032 -0.0176
-1.5766 -1.6116 -0.9766 -2.2524
0.1961
0.1961 -0.8061 -0.5032 -0.0176
-0.5709
-0.626 -0.9766
-0.98 -0.7715
-2.103 -0.5032 -1.3208
-1.5766
0.3596 -0.9766 -2.2524 -0.7715
-2.103 -0.5032 -2.6239
-0.5709
0.3596
-0.038 -2.2524
0.1961 -0.8061 -0.5032 -0.0176
-1.5766 -1.6116
-0.038
0.2923
1.1638
0.4907 -0.5032 -0.0176
-2.5824 -2.5972
0.9005
1.5646
1.1638
0.4907
0.4349
0.3596
-0.038
-2.5824
1.3452
0.9005
-0.5709
-0.626
-0.038
-0.98
0.4349 -1.6116 -0.9766
0.2923
0.4349
0.3596
1.1158 -0.0176
-0.98 -0.7715 -0.8061 -0.5032 -0.0176 0.4907
1.1158
1.1638
0.4907
1.1158 -1.3208
0.1961
0.4907 -0.5032 -0.0176
0.9005
0.2923 -0.7715
0.4907 -0.5032 -0.0176
0.4349
0.3596 -0.9766
0.2923 -0.7715
0.4907 -0.5032
-0.5709
-0.626 -0.9766
-0.98 -0.7715
-1.5766 -1.6116 -0.9766 -0.5709 0.4349
-0.626
-0.038
0.2923 -1.7392
0.2923
1.1638
1.2855
1.2855
-2.103 -0.5032 -2.6239 0.4907 -0.5032 -0.0176
-0.98 -1.7392 -0.8061 -0.5032 -1.3208
0.3596 -0.9766
0.2923 -0.7715
0.4907 -0.5032 -0.0176
-0.5709
0.3596
0.9005
0.2923
1.1638
0.4907 -0.5032 -0.0176
0.4349
0.3596
-0.038
0.2923
0.1961
0.4907 -0.5032 -0.0176
-0.5709 -2.5972
1.839
-0.98
2.1315
0.4907 -0.5032 -0.0176
1.839
0.2923
0.1961
0.4907
0.4349 -0.5709
0.3596
1.1158
1.2855
1.3452 -1.9151
0.2923 -0.7715
0.4907 -0.5032 -0.0176
0.4349
-0.626
-0.038
0.2923
2.1315
0.4907
1.1158
1.2855
0.4349
0.3596
-0.038
1.5646 -1.7392
0.4907
1.1158
1.2855
-0.5709
0.3596 -0.9766
0.2923 -0.7715
0.4907
1.1158
1.2855
-0.5709
-0.626
0.2923
0.4907 -0.5032 -0.0176
-0.038
1.1638
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
110
-1.5766
-0.626
0.9005
0.2923
0.1961
0.4907 -3.7411 -0.0176
0.4349
0.3596
1.839
1.5646
0.1961
1.7875
0.4349
0.3596
1.839
0.2923 -0.7715
0.4907 -2.1222 -0.0176
0.4349
0.3596 -0.9766
0.2923
1.1638
0.4907 -0.5032 -0.0176
0.4349
0.3596
0.2923 -0.7715
-2.103 -0.5032 -2.6239
-0.626 -0.9766 -2.2524 -0.7715
-2.103 -0.5032 -0.0176
0.4349
0.3596
-0.038
0.2923
1.1638
0.4907 -0.5032 -0.0176
0.4349
-0.626 -0.9766
0.2923
0.1961 -0.8061 -0.5032 -1.3208
0.4349
0.3596
0.9005
0.2923 -0.7715
0.4907 -0.5032 -0.0176
0.4349
0.3596
0.9005
0.2923
0.4907 -0.5032 -1.3208
-0.5709
0.9005
-1.5766 -1.6116 -0.9766
0.1961
1.1158
1.2855
0.2923 -0.7715 -0.8061 -0.5032 -0.0176
0.4349
1.3452
-0.038
-0.98 -0.7715
0.4349
0.3596
0.9005
0.2923
0.4349
0.3596
0.9005
0.2923 -0.7715 -0.8061 -0.5032 -0.0176
-0.5709
0.3596
0.9005
0.2923 -0.7715
1.1638
0.4907
1.1158 -0.0176
0.4907 -0.5032 -0.0176
0.4907 -0.5032 -0.0176
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
111
Lampiran 2: Hasil Pre-processed Data Menggunakan Aplikasi WarpPLS (Lanjutan)
AT1
AT2
AT3
AT4
IU1
-0.2555
1.1638
0.5116
0.2976
0.3355
1.0048 -0.1027 -0.7504 -2.7761 -2.6356 -0.7504
0.2976 -2.7679
IU2
IU3
AU1
0.5944
0.1024
0 -1.6048
0.1024
0
-2.455 -1.7334 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027 -0.7504 -1.0787
-0.699
0 -0.5052
0.1024
-0.2555 -0.1027
1.1845
0.5116
0.2976
0.3355
0
0.5944
1.0048
1.1638
1.7736
1.6738
1.37
1.0851
0.5944 -0.9798
1.0048
1.1638
0.5116
0.2976
0.3355
1.0851
0.5944
1.1845
1.0048
1.1638 -0.7504
0.2976
0.3355
0 -0.5052
0.1024
0.5116
0.2976
1.37
1.0851
0.5944
1.1845
1.1638
0.5116
0.2976
0.3355
1.0851
0.5944
0.1024
-0.2555 -0.1027
0.5116
0.2976
0.3355
0 -0.5052
0.1024
0.5116
0.2976
0.3355
1.0851
0.5944
0.1024
-4.0364 -0.1027 -0.7504
1.6738
1.37
1.0851
0.5944
2.2667
-0.2555 -0.1027 -0.7504
0.2976
0.3355
1.0851
0.5944
1.1845
0.2976
0.3355 -1.0851 -0.5052 -0.9798
0.5116
0.2976
-0.699
0
1.6939
0.1024
-0.2555 -0.1027 1.0048
1.0048
1.0048
1.1638
1.1638 -0.7504
-0.2555 -0.1027 1.0048
1.1638
1.7736
1.6738
1.37
2.1702
0.5944
2.2667
1.0048
1.1638
1.7736
1.6738
0.3355
1.0851
0.5944
1.1845
-1.5158 -0.1027 -0.7504 -1.0787
-0.699 -1.0851 -0.5052 -0.9798
1.0048
1.1638
1.7736
0.2976
-0.699
0
0.5944
0.1024
1.0048
1.1638
0.5116
0.2976
1.37
2.1702
1.6939
2.2667
-0.2555 -0.1027
1.7736
0.2976
1.37
0
0.5944
0.1024
-0.2555 -0.1027
0.5116
0.2976 -1.7334 -1.0851 -1.6048 -0.9798
-1.5158
1.1638 -3.2743 -1.0787 -2.7679 -2.1702 -1.6048 -0.9798
1.0048 -0.1027
0.5116
0.2976
-0.699
1.0048
0.5116
0.2976
0.3355 -1.0851
0.5944 -2.0619
-0.2555 -0.1027 -0.7504
0.2976
0.3355
0.5944
1.1638
0
0
0.5944
0.1024
0.1024
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
112
1.0048
1.1638
0.5116
0.2976
0.3355
0
0.5944
0.1024
1.0048 -0.1027
0.5116
0.2976
0.3355
1.0851
0.5944
1.1845
-0.2555 -0.1027 -2.0123 -1.0787
0.3355
1.0851
0.5944
1.1845
0.2976
0.3355
1.0851
0.5944
1.1845
1.0048
1.1638 -0.7504
-0.2555 -0.1027
0.5116
0.2976
0.3355 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027
0.5116
0.2976
0.3355
-1.5158 -1.3691
0.5116 -1.0787
-0.699
1.0851
0.5944
1.1845
0 -0.5052
0.1024
-1.5158 -1.3691 -0.7504 -1.0787 -1.7334 -1.0851 -1.6048 -0.9798 -2.7761 -0.1027 -0.7504
-2.455 -1.7334 -1.0851 -1.6048 -0.9798
-0.2555 -2.6356
0.5116
-2.455 -1.7334 -1.0851 -1.6048 -0.9798
1.0048 -0.1027
0.5116
0.2976
0.3355
0 -0.5052
-0.2555 -0.1027 -0.7504 -1.0787
0.3355
0
0.3355
0 -0.5052
1.0048
1.1638
0.5116
0.2976
0.1024
0.5944 -0.9798 0.1024
1.0048 -0.1027
0.5116 -1.0787
1.0048
1.7736
0.2976
1.37 -1.0851
1.6939 -0.9798
-0.2555 -1.3691 -0.7504
0.2976
1.37
0
0.5944
0.1024
-0.2555 -0.1027
0.5116
1.6738
0.3355
0
0.5944
0.1024
1.1638
0.5116
1.6738
1.37
2.1702
1.6939
1.1845
-0.2555 -0.1027
0.5116
1.6738
0.3355
1.0851
1.6939
0.1024
1.0048
1.1638
-0.699 -1.0851 -0.5052 -0.9798
-1.5158 -2.6356 -2.0123 -1.0787 -1.7334 -1.0851 -0.5052 -0.9798 -0.2555 -0.1027
0.5944
1.1845
-0.2555 -2.6356 -0.7504 -1.0787 -2.7679 -2.1702 -1.6048
0.1024
1.0048 -0.1027
0.5116
0.2976
0.3355
1.0851
0.5116
0.2976
0.3355 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027 -0.7504
0.2976
0.3355
0
-0.2555 -0.1027 -0.7504 -1.0787
-0.699
0 -0.5052
0.1024
0.2976
0.3355
0
0.5944
1.1845
1.6738
1.37
1.0851
1.6939
1.1845
1.0048 -0.1027 -0.7504 -0.2555 -0.1027
0.5116
-0.2555 -0.1027
0.5116 -1.0787
0.5944 -0.9798
0.3355 -1.0851
0.5944 -0.9798
0.2976
0.3355
0
0.5944
0.1024
1.1638 -0.7504
0.2976
0.3355
0 -0.5052
0.1024
1.0048 -0.1027 -2.0123
0.2976
0.3355 -2.1702 -0.5052 -0.9798
-0.2555 -0.1027 -0.7504 1.0048
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
113
-0.2555 -0.1027
0.5116
0.2976
0.3355
0 -0.5052 -0.9798
-0.2555 -0.1027
0.5116 -1.0787
-0.699
0 -0.5052
1.0048
1.1638
1.7736
1.6738
1.37
-0.2555 -0.1027
0.5116
0.2976
-0.2555 -0.1027
0.5116
1.6939
2.2667
0.3355
1.0851 -0.5052
1.1845
0.2976
0.3355
1.0851
-0.2555 -0.1027 -0.7504
-2.455
0.3355 -1.0851
0.5944
-0.2555 -0.1027 -0.7504
0.2976
0.3355
0
0.5944 -0.9798
-0.2555 -1.3691 -0.7504 -1.0787
-0.699
0 -0.5052 -0.9798
-0.2555 -0.1027 -0.7504 -1.0787
-0.699 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027
0.5116
0.2976
0.3355 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027
0.5116
0.2976
-0.699
-0.2555 -2.6356 -0.7504 -1.0787 1.0048
1.0851
0.1024
0
0.5944 -0.9798
0.5944
1.1845
0.1024
-0.699 -1.0851 -1.6048 -0.9798
1.1638
0.5116
0.2976
0.3355
-0.2555 -0.1027
0.5116
0.2976
0.3355
-0.2555 -1.3691 -2.0123
0.2976
-0.699 -1.0851 -1.6048 -0.9798
-0.2555 -0.1027 -0.7504 -1.0787
0.3355
1.0851
0.5944 -0.9798
0 -0.5052
0.1024
0 -0.5052 -0.9798
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
114
Lampiran 2: Hasil Pre-processed Data Menggunakan Aplikasi WarpPLS (Lanjutan)
AU2
AU3
TTF1
TTF2
0.3189
0.4782
1.0148
0.8715
-0.7537
-1.805 -0.0139 -0.3687
TTF3
TTF4
TTF5
TTF6
0.867 -0.1655
0.5286
0.2021
0.867
0.5286
0.2021
1.8761
-0.7537 -0.6634 -1.0426 -1.6089 -0.2787 -1.1863
-0.589 -2.7885
-0.7537 -0.6634
0.8715 -0.2787
0.8553
-0.589 -1.2932
0.3189
1.6198 -1.0426 -1.6089 -0.2787
0.8553
0.5286 -1.2932
0.3189
0.4782
0.8553
0.5286
1.6974
1.3914
1.6198 -2.0713
0.867 -1.1863
0.5286
0.2021
0.3189
0.4782 -0.0139 -0.3687 -0.2787
0.8553
0.5286
0.2021
0.3189
0.4782 -2.0713 -0.3687 -0.2787
0.8553
0.5286
0.2021
1.3914
1.6198 -1.0426
0.8715 -0.2787 -0.1655
0.5286
1.6974
0.3189
0.4782 -0.0139
0.8715 -0.2787 -0.1655
0.5286
0.2021
-0.7537 -0.6634 -0.0139 -0.3687 -0.2787 -0.1655
-0.589
0.2021
1.0148 -0.3687 -0.2787 -1.1863
0.5286
1.6974
-0.7537 -0.6634
1.0148 -0.3687 -1.4243
0.8553
0.5286
0.2021
-0.7537
2.0435
1.8761
1.6462
0.2021
0.3189
1.6198 -1.0426 -0.3687 -0.2787 -2.2072
0.5286
1.6974
2.4639
2.7614
1.8761
1.6462
1.6974
0.3189
0.4782 -0.0139 -0.3687 -1.4243 -0.1655
0.5286
0.2021
0.3189 -0.6634
-1.805
1.0148
1.0148
2.0435
0.8715 -1.4243 0.8715
0.8715 -1.4243
2.1117 -2.5699
-0.7537 -0.6634 -1.0426 -1.6089 -0.2787 -1.1863 0.3189
0.4782
0.8553
0.5286
0.2021
2.4639
1.6198 -1.0426 -0.3687
0.867 -1.1863
0.5286
0.2021
0.867 -0.1655
0.5286
0.2021
-0.7537 -0.6634 -1.0426 -1.6089 -1.4243 -0.1655 -1.7066
0.2021
-0.7537 -0.6634 -2.0713
0.8553 -1.7066
0.2021 0.2021
-0.7537 -0.6634
1.0148
1.0148
0.8715 -0.2787
0.5286 -1.2932
0.8715
0.8715
0.867
1.3914
0.4782 -0.0139
0.8715 -2.5699 -1.1863 -1.7066
1.3914
0.4782 -0.0139
0.8715
-0.7537 -0.6634 -0.0139
2.0126
1.8761
0.8715 -0.2787 -0.1655
1.6462 -1.2932 0.5286
0.2021
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
115
-0.7537 -0.6634 -0.0139 -0.3687
-0.589
0.2021
0.867
0.8553 -1.7066
0.2021
-0.7537 -0.6634 -1.0426 -1.6089 -0.2787
1.8761 -1.7066
0.2021
1.3914
1.6198
1.0148
0.8715
0.867 -0.1655
-0.7537 -0.6634 -0.0139 -2.8492 -1.4243 -1.1863
0.5286
0.2021
-0.7537 -0.6634
1.0148
0.8715 -1.4243
0.8553 -1.7066
0.2021
0.3189 -0.6634
1.0148
0.8715 -1.4243
0.8553
0.5286
0.2021
0.867 -0.1655
0.5286
0.2021
1.3914
0.4782 -0.0139 -0.3687
-0.7537 -0.6634 -0.0139 -0.3687 -0.2787 -0.1655
-0.589 -1.2932
-0.7537 -0.6634 -1.0426 -0.3687 -0.2787 -1.1863 -1.7066 -2.7885 -0.7537 -0.6634 -1.0426 -1.6089
0.867
0.8553 -1.7066 -2.7885
-0.7537 -0.6634 -1.0426 -0.3687 -1.4243 -1.1863 -1.7066 -1.2932 1.3914
1.6198 -0.0139 -0.3687 -0.2787 -0.1655
-0.589
0.2021
-1.8262
-1.805 -0.0139
1.6462
0.2021
-0.7537
0.4782 -0.0139 -0.3687
0.867 -0.1655
-0.589 -1.2932
1.3914
1.6198 -2.0713 -0.3687
0.867 -2.2072
0.5286
1.6974
-1.805 -0.0139 -0.3687 -0.2787 -0.1655
-0.589
0.2021
0.3189
0.4782
1.0148
0.8715 -1.4243 -0.1655
0.5286
0.2021
0.3189
0.4782
1.0148
0.8715 -0.2787 -0.1655
1.6462
0.2021
-0.7537 -0.6634
1.0148
0.8715 -1.4243
1.6462
0.2021
-1.8262
0.3189
0.4782 -1.0426 -1.6089
-0.7537 -0.6634 -1.0426 -1.8262
0.8715 -0.2787
0.8715
1.8761
0.8553
0.867 -1.1863
0.5286 -2.7885
0.867 -1.1863
0.5286
0.4782 -0.0139 -0.3687 -0.2787 -0.1655
1.3914 -0.6634 -1.0426 -1.6089 -0.7537 -0.6634
1.0148
-0.7537 -0.6634 -0.0139 -0.3687
-0.589 -1.2932
0.867 -1.1863 -1.7066
0.8715 -0.2787 -0.1655 0.867
0.8553
0.2021
0.2021
-0.589
0.2021
-0.589
0.2021
1.3914
1.6198 -1.0426 -0.3687 -0.2787 -1.1863
0.5286 -1.2932
1.3914
1.6198
0.8553
0.5286
0.2021
0.8715
0.867 -1.1863
-0.589
0.2021
0.867 -1.1863
0.5286
1.6974
0.8553
0.5286
0.2021
0.8553
-0.589
0.2021
1.0148
0.3189 -0.6634 -0.0139
0.8715 -0.2787
1.3914
0.4782
1.0148 -1.6089
0.3189
0.4782
1.0148 -0.3687 -0.2787
-0.7537 -0.6634 -1.0426 -1.6089
0.867
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
116
-0.7537 -0.6634 -0.0139 -0.7537
0.8715
0.867 -0.1655 -1.7066
0.2021
0.4782 -0.0139 -0.3687 -0.2787 -0.1655
0.5286
0.2021
1.3914
0.4782 -0.0139 -0.3687
1.6462
1.6974
1.3914
1.6198
0.8553
0.5286
0.2021
0.867 -0.1655
0.5286
0.2021
0.8553
0.5286
0.2021
0.867 -0.1655
-0.589
0.2021
2.0435
2.0126 -1.1863
0.8715 -1.4243
-0.7537 -0.6634 -1.0426
0.8715
-0.7537 -0.6634
0.8715 -1.4243
1.0148
1.3914 -0.6634 -1.0426 -1.6089 -0.7537 -0.6634
1.0148
0.8715
0.867
0.8553
-0.589
0.2021
0.3189 -0.6634
1.0148
0.8715
0.867 -0.1655
-0.589
0.2021
-0.7537 -0.6634 -0.0139
0.8715
0.867 -0.1655
0.5286 -1.2932
0.867
0.5286
0.2021
0.867 -1.1863 -1.7066
0.2021
0.3189
0.4782
1.0148 -0.3687
-0.7537 -0.6634 -0.0139 -0.3687 0.3189
1.6198
0.8553
1.0148
0.8715
0.867 -1.1863 -1.7066
0.2021
-0.7537 -0.6634 -0.0139
0.8715
0.867
0.8553
0.5286
0.2021
-0.7537 -0.6634 -1.0426 -1.6089
0.867 -0.1655
0.5286
0.2021
-0.7537 -0.6634 -0.0139
0.867 -0.1655
0.5286
0.2021
0.8715
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.
117
Lampiran 3: Hasil Standard Error Model Pengukuran Menggunakan Aplikasi WarpPLS
Variabel/Indikator
Standard Error
PEU1
0,159
PEU2
0,147
PEU3
0,186
PEU4
0,209
PU2
0,147
PU3
0,16
PU4
0,119
AT1
0,129
AT2
0,147
AT3
0,135
AT4
0,121
IU1
0,122
IU2
0,095
IU3
0,07
AU1
0,153
AU2
0,079
AU3
0,09
TTF1
0,094
TTF2
0,116
TTF4
0,14
TTF5
0,182
Universitas Indonesia
Analisis faktor-faktor..., Dimas Febriawan, FIKOM UI, 2013.