METODOLOGI PENELITIAN
ANALISIS HASIL DAN PEMBAHASAN
C. Analisis Kecocokan Model Struktural 1. Analisis Kecocokan Keseluruhan Model
Analisis kecocokan model struktural dalam SEM diawali dengan pengujian kecocokan keseluruhan model. Dengan menjalankan program LISREL 8.72 dihasilkan bentuk akhir Path Diagram hubungan antar variabel laten secara keseluruhan, seperti pada Gambar 4.7.Pengujian untuk model struktural didahului dengan pengujian model keseluruhan yang dapat dilihat berdasarkan indikator
Goodness-of-fit Index (GFI) statistik dari output LISREL (Hair et al.,1995). GFI
dipilih karena merupakan parameter atau indikator yang umum digunakan dalam melakukan uji kesesuaian model keseluruhan. Selain itu sebagai pembanding juga digunakan Normed Fit Index (NFI) dan Comparative Fit Index (CFI) yang didapatkan langsung dari output LISREL.
Var Laten ▬►
Var Teramati SLF Sq SLF t-val Error SLF Sq SLF t-val Error SLF Sq SLF t-val Error SLF Sq SLF t-val Error SLF Sq SLF t-val Error
Reliabel 1.00 1.00 20.06 0 Respons 1.00 1.00 20.06 0 Emphaty 1.00 1.00 20.12 0 SYSQUA5 0.83 0.69 6.46 0.77 SYSQUA6 0.86 0.74 10.57 0.48 SYSQUA7 0.87 0.76 10.84 0.46 SYSQUA8 0.76 0.58 7.94 0.69 SYSQUA9 0.68 0.46 5.83 0.81 INQUA1 0.8 0.35 13.45 0.18 INQUA2 0.79 0.37 13.11 0.31 INQUA3 0.63 0.6 9.69 0.63 INQUA4 0.67 0.55 10.57 0.58 INQUA5 0.66 0.56 10.4 0.57 INQUA6 0.86 0.27 14.8 0.27 KIN1 0.78 0.6084 11.61 0.39 KIN2 0.84 0.7056 12.74 0.29 KIN3 0.76 0.5776 11.2 0.43 KIN4 0.89 0.7921 12.62 0.21 KIN5 0.79 0.6241 11.94 0.37 KIN6 0.81 0.6561 12.24 0.35 Content 0.92 0.8464 16.61 0.16 Accuracy 0.89 0.7921 20.35 0.21 Format 0.83 0.6889 16.91 0.31 Ease 0.71 0.5041 11.33 0.5 Time 0.87 0.7569 20.87 0.23 Sum of SLF 3.0000 4.0000 4.4100 4.8700 4.2200 Sum of Sq SLF 3.0000 3.2254 2.7000 3.9639 3.5884 Sum of Error 0.0000 3.2100 2.5400 2.0400 1.4100
Sq SLF = Square of Standardized Loading Factor
Construct
Reliability 1.0000 > 0.70 Good 0.8329 > 0.70 Good 0.8845 > 0.70 Good 0.9208 > 0.70 Good 0.9266 > 0.70 Good
Variance
Extracted 1.0000 > 0.50 Good 0.5012 > 0.50 Good 0.5153 > 0.50 Good 0.6602 > 0.50 Good 0.7179 > 0.50 Good
Information Quality (Inqua) Kinerja Individu (Perform) Kepuasan Pengguna (Usat)
System Quality (Sysqua) Information Quality (Inqua) Kinerja Individu (Perform) Kepuasan Pengguna (Usat)
Kualitas Layanan (Serqua)
Kualitas Layanan (Serqua)
SLF = Standardized Loading Factor
System Quality (Sysqua)
Tabel 4.10
Untuk nilai Chi Square didapatkan angka sebesar 354,43 dengan degree
of freedom adalah sebesar 218. Diharapkan nilai yang baik adalah untuk nilai chi square yang semakin kecil, dibandingkan dengan nilai tiga kali dari nilai degree of freedom-nya. Hasil estimasi LISREL untuk kriteria ini menunjukkan bahwa
kecocokan model dilihat dari kriteria ini cukup baik karena nilai Chi Square 354.43, lebih kecil jika dibandingkan 3 kali nilai degree of freedom yaitu 654.00. Sedangkan untuk untuk nilai Root Mean Square Error of Approximation (RMSEA) didapatkan nilai sebesar 0,056. Nilai ini mengindikasikan bahwa model sudah baik atau good fit karena telah memenuhi kriteria nilai RMSEA yang baik. Untuk nilai RMSEA antara 0,05 sampai dengan 0,08 termasuk kategori good fit. Jika nilai indikator ini berada di kisaran antara 0,08 sampai dengan 0,10 dikatakan
mediocore fit dan terakhir untuk RMSEA yang lebih besar dari 0,10 adalah poor fit. Jadi hasil estimasi menunjukkan bahwa dilihat dari criteria nilai RMSEA,
model sudah baik (good fit) dengan nilai 0.056 yang lebih kecil dari 0,08.
Nilai Expected Cross-Validation Index (ECVI), digunakan untuk perbandingan antar model. Hasil pengujian dari penelitian ini menunjukkan nilai ECVI model sebesar 2,80. Sementara dibandingkan dengan ECVI for Saturated
Model adalah 3,20 dan ECVI for Independence model adalah sebesar 75,18.
Karena ECVI model lebih dekat ke ECVI saturated model dibandingkan dengan
ECVI for Independece model, maka disimpulkan bahwa kecocokan keseluruhan
model adalah baik (good fit).
Untuk kriteria kesesuaian Model AIC didapatkan nilai hasil estimasi sebesar 568,43. Sementara nilai untuk Saturated AIC yang dihasilkan adalah
sebesar 650,00. Sebagai pembandingnya, didapatkan output untuk nilai
Independence AIC sebesar 15262,11. Karena hasil estimasi model ternyata lebih
dekat dengan saturated AIC dibandingkan dengan independence model, hasil ini mengindikasikan bahwa model adalah good fit. Hal yang sama berlaku untuk CAIC, dimana nilai model CAIC adalah 1030,47 sedangkan nilai saturated CAIC yaitu 2053.39. Sementara jika dibandingkan dengan nilai Independence CAIC yang sebesar 15370,06 maka model lenih dekat ke satirateed. Sehingga dapat disimpulkan bahwa model adalah baik (good fit).
Untuk nilai- nilai berikutnya yaitu Normed Fit Index (NFI) dan
Non-Normed Fit Index (NNFI). Nilai NFI didapatkan angka sebesar 0.98. Nilai ini juga
memperlihatkan bahwa model baik karena kriteria untuk nilai NFI yang baik harus lebih dari 0,90. Nilai NNFI didapatkan dari hasil estimasi sebesar 0,99. Hasil pengujian menunjukkan untuk nilai NNFI ini lebih besar dari 0,90. Dilihat berdasarkan kriteria nilai NNFI, mengindikasikan bahwa model adalah baik (good fit).
Indikator untuk menilai goodness of fit model yang lain yaitu Comparative
Fit Index (CFI). Dari hasil pengujian didapatkan nilai sebesar 0,99 dari estimasi
Lisrel. Angka ini berarti juga bahwa model adalah baik (good fit) karena nilai CFI ini sudah di atas 0,90. Untuk nilai IFI diperoleh angka estimasi sebesar 0,99 dan RFI sebesar 0,97. Nilai ini juga memperlihatkan bahwa model baik karena nilai-nilainya lebih dari 0,90.
Untuk menilai apakah model cukup mewakili sampel, bisa dilihat dari nilai critical N (CN). Kriteria untuk menilai bahwa model cukup mewakili sampel
adalah nilai N yang lebih besar dai 200. Hasil estimasi Lisrel memperlihatkan angka sebesar 149,29. Hasil ini menunjukkan bahwa model masih kurang mewakili data karena nilainya masih kurang dari 200.
Untuk menilai Goodness of Fit Index (GFI) dari model penelitian ini, dapat dilihat pada nilai GFI hasil estimasi model yaitu sebesar 0,88. Kriteria untuk melihat nilai ini adalah jika GFI kurang dari 0,80 poor fit, GFI antara 0,80 dan 0,90 marginal fit, dan untuk GFI yang nilainya di atas 0,90 masuk kategori good
fit. Nilai GFI dari penelitian ini didapatkan sebesar 0,88, maka dari indikator ini
model cukup baik (marginal fit) karena nilainya masih lebih besar dari 0,80. Sementara untuk nilai AGFI yang sebesar 0,82 mengindikasikan bahwa kecocokan juga dikategorikan cukup baik karena nilai hasil estimasinya tidak kurang dari 0,80.
Ringkasan hasil pengujian untuk menilai kecocokan keseluruhan model, disajikan pada table 4.12. Untuk keseluruhan hasil pengolahan data dapat dilihat dalam lampiran 3. Dengan melihat secara keseluruhan hasil estimasi berdasarkan kriteria yang ada, secara keseluruhan didapatkan nilai-nilai yang baik. Sehingga dari hasil analisa atas keandalan output LISREL 8.72 untuk pengujian model keseluruhan tersebut, dapat diambil kesimpulan bahwa model adalah good fit atau baik.
Tabel 4.11
Hasil Uji Kecocokan Keseluruhan Model
Kriteria Kecocokan Model Indikator Tingkat Kecocokan Hasil Estimasi Model Tingkat Kecocokan Model Chi-Square Degree of Freedom (df)
Nilai chi-square yang lebih kecil dari 3x df
368.92
218 Baik
NCP Nilai yang kecil 136.43 Baik
RMSEA RMSEA < 0,08 0,056 Baik
ECVI
Nilai yang lebih kecil dari Independence dan lebih dekat ke Saturated Model
M* = 2.80 S** = 3.20 I*** = 75.18
Baik (Good fit)
AIC
Nilai yang lebih kecil dari Independence dan lebih dekat ke Saturated Model
M* = 568.43 S** = 650.00 I*** = 15262.11
Baik (Good fit)
CAIC Nilai yang lebih kecil dari Independence dan lebih dekat ke Saturated Model
M* = 1030.47 S** = 2053.39 I*** = 15370.06
Baik (Good fit)
NFI NFI > 0,90 0.98 Baik (Good fit)
NNFI NNFI > 90 0,99 Baik (Good fit)
CFI CFI > 0,90 0,99 Baik (Good fit)
IFI IFI > 0,90 0,99 Baik (Good fit)
RFI RFI > 0,90 0,97 Baik (Good fit)
CN CN > 200 149.29 Kurang Baik
RMR Standardized RMR < 0.05 0.05 Baik GFI GFI >0,90, good fit; 0.90
< GFI > 0.80, marginal fit 0,88
Cukup Baik
(Marginal fit)
AGFI
AGFI>0,90, good fit;
0.90<AGFI>0.80,
marginal fit
0.82 Cukup Baik
(Marginal fit)
2. Analisis Persamaan Struktural
Analisis selanjutnya dilakukan terhadap koefisien-koefisien persamaan struktural dengan menspesifikasikan tingkat signifikansi tertentu. Analisisi terhadap persamaan model struktural ini untuk menguji hipotesa yang diajukan dalam penelitian ini. Untuk tingkat signifikansi sebesar 0,05 maka nilai t dari persamaan struktural harus lebih besar atau sama dengan 1,96 atau untuk praktisnya lebih besar sama dengan 2 (Wijanto, 2007).
Dari 4 hipotesis yang diajukan, penelitian ini menghasilkan 2 persamaan yang berarti ada 2 model struktural yang diajukan. Model struktural tersebut terlihat dari hasil output Lisrel berikut:
Persamaan struktural 1:
Usat = 0.21*Sysqua + 0.58*Inqua + 0.25*Serqua, Errorvar.= 0.14 , R² = 0.86 (0.055) (0.075) (0.063) (0.028) 3.75 7.75 4.04 5.01
Model struktural 1 merupakan model yang digunakan untuk menguji H1, H2, dan H3 mengenai faktor-faktor yang mempengaruhi kepuasan pengguna. Hasil pengujian menunjukkan bahwa semua koefisien memiliki nilai t yang signifikan. Nilai koefisien untuk pengaruh kualitas layanan terhadap kepuasan pengguna adalah positif signifikan yang ditujukkan oleh nilai koefisien variabel Serqua yaitu 4.04. Dengan demikian dapat disimpulkan bahwa kualitas layanan terbukti secara signifikan berpengaruh positif terhadap kepuasan pengguna.
Nilai koefisien untuk variabel kualitas sistem informasi adalah positif signifikan sebesar 3.75. Hasil ini menunjukkan bahwa H2 terbukti signifikan. Kualitas sistem informasi berpengaruh positif signifikan terhadap kepuasan pengguna. Hasil pengujian juga mendukung H3 dengan nilai t sebesar 7.75. Hasil ini mengindikasikan bahwa H3 terbukti signifikan. Kualitas informasi yang dihasilkan oleh paket program sistem informasi akuntansi terbukti secara signifikan berpengaruh positif terhadap kepuasan pengguna akhir sistem informasi.
Persamaan Struktural 2:
Perform = 0.81*Usat, Errorvar.= 0.35 , R² = 0.65 (0.074) (0.063)
10.88 5.49
Persamaan model struktural 2 ini untuk menguji H4. Hasil estimasi menunjukkan bahwa nilai t adalah positif signifikan di atas 1,96 yaitu 10.88. Jadi H4 juga terbukti secara signifikan. Kepuasan pengguna akhir paket program sistem informasi akuntansi terbukti secara signifikan berpengaruh positif terhadap kinerja individu.
Untuk menilai seberapa baik coefficient of determination dari persamaan struktural, dapat dilihat dari besaran dari R2 (Wijanto, 2007). Hasil pengujian menunjukkan nilai R2 untuk persamaan pertama sebesar 0,86 yang berarti model ini mampu menjelaskan 86% dari perubahan pada variabel laten kepuasan pengguna akhir. Model kedua memiliki nilai R² 0,65 yang berarti model ini mampu menjelaskan 65% dari perubahan pada variabel laten kinerja individu.
Kesimpulan yang dapat diambil dari uji ini adalah bahwa model pertama dan kedua cukup baik, karena memiliki nilai R2 yang cukup tinggi yaitu di atas 0.50.
Tabel 4.12 menyajikan ringkasan koefisien hasil estimasi dan nilai t, sedangkan gambar 4.8 mneunjukkan path diagram model keseluruhan.
Tabel 4.12
Nilai t-value Setiap Hipotesa
Hipotesa Path Estimasi Nilai
t-value Kesimpulan
H1 Serqua Æ Usat 0.25 4.04 Signifikan
H2 Sysqua Æ Usat 0.21 3.75 Signifikan
H3 Inqua Æ Usat 0.58 7.75 Signifikan
H4 Usat Æ Kin 0.81 10.88 Signifikan
Gambar 4.8