4.3 Hasil Analisis
4.3.2 Analisis Measurement Model (Outer Model)
Pada tahapan ini, dilakukan analisis measurement model (outer model) yang terdiri atas empat tahap, yaitu individual item reliability, internal consistency reliability, convergent validity, dan discriminant validity.
Pengujian measurement model dilakukan untuk mengetahui hubungan antara konstrak (variabel) dengan indikatornya serta menguji kesalahan pengukuran (measurement error) (Yamin & Kurniawan, 2011; Haryono &
Wadoyo, 2012). Berikut hasil masing-masing tahapan yang ada pada analisis measurement model (outer model) yang telah dilakukan.
1. Uji Individual Item Reability
Pengujian individual item reliability ini dilakukan dengan meninjau standardized loading factor. Standardized loading factor menggambarkan korelasi antara setiap item pengukuran (indikator) dan konstruknya dengan melihat nilai outer loading dari setiap indikator. Menurut (Hair et al., 2017) indikator yang memiliki nilai outer loading di atas 0.700 perlu untuk tetap dipertahankan.
Nilai outer loading dari masing-masing indikator yang digunakan pada penelitian ini dapat dilihat pada tabel 4.2.
Tabel 4.2 Nilai Outer Loading
INT CON PEF PEV PEU PRI STF
INT_1 0,932
INT_2 0,950
INT_3 0,919
CON_1 0,950
CON_2 0,957
CON_3 0,926
Berdasarkan tabel 4.2 dapat dilihat bahwa seluruh indikator memiliki nilai outer loading diatas 0.750. Maka seluruh indikator pada penelitian ini dapat dipertahankan (Hair et al., 2017)
2. Uji Internal Consistency Reability
Uji internal consistency reliability dilakukan dengan melihat nilai composite reliability dan cronbach’s alpha dari masing-masing variabel. Di antara keduanya, composite reliability dianggap lebih baik dalam mengukur internal consistency reliability dibandingkan cronbach’s alpha untuk model SEM karena composite reliability tidak mengasumsikan semua indikator sama dalam sebuah variabel.
Tetapi, composite reliability cenderung melebih- lebihkan internal consistency reliability, yang mana menyebabkan nilai composite reliability dari masing-masing variabel cenderung lebih besar (Hair et
al., 2017). Maka dari itu, untuk menganalisis internal consistency reliability dari alat ukur yang digunakan, hasil dari cronbach’s alpha tetap perlu untuk dipertimbangkan karena reliabilitas yang sesungguhnya berada pada angka di antara hasil cronbach’s alpha (yang merepresentasikan batas bawah) dan composite reliability (yang merepresentasikan batas atas) (Hair et al., 2017). Adapun nilai yang didapat untuk composite reliability maupun cronbach’s alpha harus melebihi angka 0.700.
Tabel 4.3 Nilai Composite Reability
Composite Reliability
Confirmation 0,961
Continuous intention 0,953
Perceived fee 0,903
Perceived value 0,956 Percieved usefulness 0,961
Privacy risk 0,893
Satisfaction 0,965
Tabel 4.4 Nilai Cronbach’s Alpha
Cronbach's Alpha
Confirmation 0,940
Continuous intention 0,927
Perceived fee 0,838
Perceived value 0,932
Percieved usefulness 0,939
Privacy risk 0,863
Satisfaction 0,945
Dari Tabel 4.3 dan Tabel 4.4, dapat dilihat bahwa setiap variabel yang digunakan dalam penelitian ini mendapatkan nilai composite reliability dan cronbach’s alpha di atas nilai ambang, yaitu 0.700.
Maka dari itu, dapat disimpulkan bahwa variabel dari penelitian ini telah memenuhi syarat dan dapat melanjutkan ke tahap pengujian selanjutnya.
3. Uji Convergent Validity
Uji convergent validity dilakukan dengan melihat nilai dari average variance extracted (AVE) dari masing-masing variabel. Nilai AVE menggambarkan besaran varian atau keragaman variabel manifes (indikator) yang dapat dikandung oleh variabel laten (konstruk). Nilai yang didapat harus melebihi angka 0.500 untuk dapat menunjukkan bahwa convergent validity yang dimiliki baik. Jika sebuah variabel laten (konstruk) mendapatkan nilai AVE melebihi ambang batas, maka dapat dikatakan variabel tersebut dapat menjelaskan rata-rata lebih dari setengah variance dari indikator-indikatornya. (Hair et al., 2017).
Dari perhitungan yang telah dilakukan, semua variabel yang digunakan dalam penelitian ini mendapatkan nilai di atas 0.500. Oleh karena itu, dapat disimpulkan bahwa variabel dari penelitian ini telah memenuhi syarat dan dapat melanjutkan ke tahap pengujian selanjutnya. Adapun hasil dari perhitungan yang telah dilakukan dapat dilihat pada Tabel 4.5.
Tabel 4.5 Nilai Average Variance Extracted (AVE)
Average Variance Extracted (AVE)
Confirmation 0,892
Continuous intention 0,872
Perceived fee 0,756
Perceived value 0,880
Percieved usefulness 0,891
Privacy risk 0,735
Satisfaction 0,901
4. Uji Discriminant Validity
Uji discriminant validity dilakukan dengan melihat nilai cross loading dan fornell-larcker dari tiap indikator. Pada pengukuran cross loading antar indikator, nilai dari cross loading variabel indikator terhadap variabel laten harus lebih besar dibanding nilai cross loading variabel indikator tersebut terhadap variabel laten yang lain. Jika syarat tersebut terpenuh, maka dapat disimpulkan bahwa variabel laten (konstruk) tersebut bisa memprediksi ukuran pada variabel laten (konstruk) mereka lebih baik dari variabel laten (konstruk) lain.
Sedangkan untuk fornell- larcker, nilai yang didapat untuk setiap variabel laten harus lebih besar dibanding korelasi variabel laten tersebut dengan variabel laten lain (Hair et al., 2017).
Dari perhitungan yang telah dilakukan, dapat dilihat bahwa nilai yang didapat untuk cross loading maupun fornell-larcker telah memenuhi syarat yang telah disebutkan sebelumnya. Maka dari itu, dapat disimpulkan bahwa variabel dari penelitian ini telah memenuhi syarat dan dapat melanjutkan ke tahap pengujian selanjutnya. Adapun hasil dari perhitungan yang telah dilakukan dapat dilihat pada Tabel 4.6 dan Tabel 4.7.
Tabel 4.6 Nilai Cross Loading
Tabel 4.7 Nilai Fornell-Larcker
CON INT PEF PEV PU PRI STF
Secara keseluruhan, berdasarkan analisis measurement model yang telah dilakukan, dapat dikatakan bahwa model penelitian yang diajukan memiliki karakteristik yang baik secara statistik. Sehingga,
dapat disimpulkan bahwa model yang diajukan memenuhi syarat untuk dilanjutkan ke tahap pengujian struktur model. Adapun keseluruhan hasil analisis measurement model (outer model) dapat dilihat pada Tabel 4.8.
78
VAR IND Cross Loading CA CR AVE FL
INT CON PEF PEU PEV PRI STF
INT INT_1 0,932 0,748 0,650 0,671 0,698 -0,089 0,781 0,927 0,935 0,953 0,934 INT_2 0,950 0,664 0,565 0,581 0,635 -0,016 0,702
INT_3 0,919 0,656 0,574 0,536 0,608 0,003 0,690
CON CON_1 0,725 0,950 0,691 0,674 0,795 -0,071 0,807 0,940 0,961 0,892 0,945 CON_2 0,678 0,957 0,689 0,666 0,786 -0,046 0,819
CON_3 0,697 0,926 0,650 0,601 0,705 -0,059 0,828
PEF PEF_1 0,470 0,588 0,899 0,518 0,561 -0,079 0,587 0,838 0,903 0,756 0,869 PEF_2 0,413 0,567 0,893 0,566 0,619 -0,043 0,580
PEF_3 0,755 0,696 0,813 0,715 0,677 -0,082 0,741
PEU PEU_1 0,615 0,630 0,645 0,930 0,655 0,001 0,684 0,939 0,961 0,891 0,944 PEU_2 0,604 0,648 0,687 0,963 0,742 0,032 0,725
PEU_3 0,599 0,660 0,649 0,938 0,758 0,004 0,745
PEV PEV_1 0,679 0,775 0,714 0,690 0,940 -0,104 0,767 0,932 0,956 0,880 0,938 PEV_2 0,580 0,701 0,654 0,716 0,929 -0,072 0,723
PEV_3 0,691 0,792 0,656 0,741 0,944 -0,039 0,842
PRI PRI_1 -0,029 -0,079 -0,079 -0,010 -0,061 0,874 -0,065 0,863 0,893 0,735 0,858 PRI_2 -0,065 -0,036 0,016 0,009 0,004 0,780 -0,008
PRI_3 -0,042 -0,035 -0,060 0,030 -0,071 0,914 0,053
STF STF_1 0,732 0,820 0,732 0,738 0,805 -0,020 0,956 0,945 0,965 0,901 0,949 STF_2 0,700 0,811 0,697 0,746 0,802 0,034 0,955
STF_3 0,780 0,834 0,678 0,686 0,760 -0,018 0,937
78 Keterangan :
ND : Indikator CR : Composite of Determination OL : Outer Loading VAR : Variabel
AVE : Average Variance Extracted
4.3.3 Analisis Structural Model (Inner Model)
Pada tahapan ini, dilakukan analisis structural model (inner model) untuk menganalisis faktor bersamaan dengan pengujian hipotesis penelitian yang telah dirumuskan (Widarjono, 2015). Analisis structural model (inner model) terdiri atas pengujian path coefficient, coefficient of determination (R2), dan t-test yang dilakukan dengan menggunakan metode bootstrapping, serta effect size (f2), predictive relevance (Q2), dan relative impact (q2) yang dilakukan dengan menggunakan metode pengujian blindfolding (Hair et al., 2017).
1. Uji Path Corfficient ()
Pengujian ini dilakukan dengan melihat nilai path coefficient yang memiliki ambang batas 0,1 untuk dapat dikatakan memiliki pengaruh terhadap model (Hair et al., 2017). Nilai path coefficient antara variabel satu dengan variabel lainnya dapat dilihat pada table 4.9 berikut ini.
Tabel 4.9 Hasil Uji Path Coefficient
Jalur (β)
PRI → PEV -0,055 PEF → PEV 0,354 PEU → PEV 0,516 CON → PEU 0,685
CON → STF 0,516 PEU → STF 0,220 PEV → STF 0,246 PEV → INT 0,157 STF → INT 0,647
Berdasarkan tabel 4.9 dapat diketahui bahwa nilai path coefficient dari 13 jalur, terdapat satu jalur yang memiliki nilai yang di bawah 0,1 yaituPRI
→ PEV (-0,055) yang berarti jalur ini memiliki pengaruh negatif yang tidak signifikan. Untuk lebih jelas menggambarkan hubungan antara variabel dapat dilihat pada gambar 4.1.
Gambar 4.2 Hasil Uji Path Coefficient
2. Coefficient of Determinant (R2)
Coefficient of determination dilakukan untuk mengukur seberapa besar variasi variabel laten dependen dijelaskan oleh variabel laten independen (Widarjono, 2015). Standar pengukuran dari coefficient of determination antara lain, sekitar 0.750 yang dinilai kuat, kisaran 0.500 yang dinilai moderat, dan 0.250 yang dinilai lemah (Hair et al., 2017). Adapun hasil coefficient of determination dari model yang digunakan dalam penelitian ini dapat dilihat pada Tabel 4.10.
Tabel 4.10 Hasil Uji Coefficient Determinant
R2 Keterangan
INT 0,613 Moderat
PEV 0,652 Moderat
PEU 0,469 Lemah
STF 0,819 Kuat
Dari Tabel 4.10, dapat dilihat bahwa STF memiliki nilai kuat. INT, dan PEV memiliki nilai yang dapat dikelompokkan ke dalam kelompok moderat. Sedangkan PEU masuk ke dalam kelompok lemah. Hal ini berarti, PEV, PEU, dan CON menjelaskan secara kuat (0.819) varian dari STF. PR, PEF, dan PEU menjelaskan secara moderat (0.652) varian dari PEV. PEV dan STF menjelaskan secara moderat (0.613) varian dari INT. Terakhir, hasil tersebut membuktikan bahwa CON dapat menjelaskan secara lemah (0.469) varian dari PEU.
Gambar 4.3 Hasil Uji Coefficient Determinant
3. Uji T-test
Dalam pengujian t-test ini dilakukan dengan mode boostraping dengan uji two-tailed dimana tingkat signifikan yang digunakan adalah 5% dimana nilai t-test harus lebih besar dari 1,96 (Hair et al., 2017; Yamin &
Kurniawan, 2011). Terdapat cara lain untuk menentukan tingkat signifikan yaitu dengan melihat p value (Hair et al., 2017) yaitu tingkat signifikan 10%
(p value < 0,1), 5% (p value < 0,05), dan 1% (p value < 0,01). Nilai T-test dan p value setiap jalur dapat dilihat pada tabel 4.11.
Tabel 4.11 Hasil Uji T-test Hubungan Antara
Variabel t-test P Value
CON → PEU 15,476 0,000
CON → STF 11,073 0,000
PEF → PEV 5,993 0,000
PEV→ INT 2,007 0,045
PEV → STF 4,057 0,000
PEU → PEV 8,300 0,000
PEU → STF 4,552 0,000
PRI → PEV 1,033 0,302
STF → INT 9,446 0,000
Berdasarkan tabel diatas dapat diketahui bawa terdapat dua jalur atau hipotesis yang ditolak karena memiliki nilai t-test di bawah 1,96 yaitu PR
→PEV (1,033) sementara 8 hipotesis lainnya diterima. Sedangkan dilihat dari nilai p value, dua hipotesis yang ditolak yaitu PRI → PEV (0.302) sementara 9 hipotesis lainnya diterima.
4. Uji Effect Size
Tahap pengujian ini dilakukan untuk mengetahui pengaruh variabel tertentu terhadap variabel lainnya dalam struktur model yang digunakan.
Pengaruh tersebut diklasifikasikan menjadi tiga kelompok berdasarkanya nilai f2 yang dimiliki, yaitu kecil, menengah, dan besar. Jika suatu jalur mendapatkan nilai f2 sekitar 0.020, maka variabel dianggap memiliki pengaruh yang kecil terhadap variabel lainnya. Jika jalur tersebut mendapatkan nilai f2 sekitar 0.150, maka pengaruh variabel satu terhadap variabel lainnya dianggap menengah. Sedangkan, pengaruh besar dapat dimiliki jika jalur tersebut mendapatkan nilai f2 sebesar 0.350 (Hair et al., 2017).
Tabel 4.12 Uji Effect Size
Hipotesis f² Analisis
f²
Hip Jalur R²-in R²-ex Z R²
H1 PRI → PEV 0,652 0,649 0,00862069 TB H2 PEF → PEV 0,652 0,59 0,17816092 K H3 PEU → PEV 0,652 0,518 0,385057471 M
H4 CON → PEU 0,469 0 0,883239171 B
H5 CON → STF 0,819 0,73 0,491712707 B H6 PEU → STF 0,819 0,8 0,104972376 K H7 PEV → STF 0,819 0,803 0,08839779 K H8 PEV → INT 0,613 0,626 -0,033591731 TB H9 STF → INT 0,613 0,482 0,338501292 M Keterangan:
f2 : Effect size TB : Tidak Berpengaruh K : Kecil M : Menengah B : Besar
Dari hasil perhitungan f2 pada Tabel 4.12, dapat dilihat bahwa tiga jalur dari 9 jalur memiliki pengaruh yang kecil. Ketiga jalur tersebut antara lain, PEF → PEV, PEU → STF, dan PEV → STF. Dua jalur memiliki pengaruh menengah. Kedua jalur tersebut antara lain, PEU → PEV, dan STF → INT . Sedangkan tujuh jalur yang tersisa memiliki pengaruh yang kecil. Dua jalur memiliki pengaruh besar. Kedua jalur tersebut antara lain
PEU → STF, dan PEV → STF. Dan dua jalur tidak memiliki pengaruh antara lain PRI → PEV, dan PEV → INT.
5. Uji predictive relevance (Q2)
Tahap pengujian ini dilakukan untuk mengetahui apakah variabel tertentu yang digunakan dalam model penelitian mempunyai keterkaitan secara prediktif (predictive relevance) dengan variabel lainnya. Pada pengujian ini, peneliti melakukan metode blindfolding untuk mendapatkan nilai predictive relevance dari masing-masing variabel yang merupakan variabel endogen dalam model penelitian. Sebuah variabel dianggap memiliki keterkaitan secara prediktif dengan variabel lainnya jika nilai predictive relevance yang didapat melewati nilai ambang batas, yaitu nol (Hair et al., 2017).
Tabel 4.13 Hasil Uji Prediktif Relevance
variabel Q2
Continuous Intention 0,527 Perceived Value 0,569 Perceived Usefulness 0,413
Satisfaction 0,731
6. Relative impact
Tahap pengujian ini dilakukan untuk mengukur seberapa besar pengaruh relatif sebuah keterkaitan prediktif variabel tertentu dengan variabel lainnya. Pada tahapan ini, peneliti melakukan metode bilndfolding untuk mendapatkan nilai Q2included dan Q2excluded. Jika suatu jalur mendapatkan nilai relative impact sekitar 0.020, maka variabel dianggap memiliki pengaruh yang kecil terhadap variabel lainnya. Jika jalur tersebut mendapatkan nilai q2 sekitar 0.150, maka pengaruh variabel
satu terhadap variabel lainnya dianggap menengah. Sedangkan, pengaruh besar dapat dimiliki jika jalur tersebut mendapatkan nilai q2 sebesar 0.350 (Hair et al., 2017).
Tabel 4.14 Hasil Uji Relative Impact
Hipotesis q2 Analisis
q²
Hip Jalur Q²-in Q²-ex q²
H1 PRI → PEV 0,569 0,567 0,004640371 TB H2 PEF → PEV 0,569 0,514 0,127610209 L H3 PEU → PEV 0,569 0,452 0,271461717 M
H4 CON → PEU 0,413 0 0,703577513 K
H5 CON → STF 0,731 0,652 0,293680297 M H6 PEU → STF 0,731 0,715 0,059479554 L H7 PEV → STF 0,731 0,718 0,048327138 L H8 PEV → INT 0,527 0,538 -0,023255814 TB H9 STF → INT 0,527 0,415 0,236786469 L Keterangan
Q2 : Predictive relevance q2 : Relative impact TB : Tidak berpengaruh L : Lemah
M : Moderat K : Kuat
Dari hasil perhitungan relative impact yang ada pada Tabel 4.14, dapat dilihat bahwa PR→PEV, dan PEV→INT tidak memiliki pengaruh, PEF→PEV, PEU→STF, dan PEV→STF yang memiliki pengaruh lemah, PEU→PEV, dan CON→STF memiliki pengaruh moderat, dan terakhir adalah CON→PEU yang memiliki pengaruh yang kuat.
78 Insign: Tidak signifikan K : Kecil Q² :Predictive relevance B : Besar PR : Predictive relevance q² : Relative impact M : Menengah f² : Effect size
78
Keterangan :
Sign : Signifikan TB : Tidak berpengaruh Β : Path coefficient Insign: Tidak signifikan K : Kecil Q² :Predictive relevance B : Besar PR : Predictive relevance q² : Relative impact M : Menengah f² : Effect size
4.4 Interpretasi dan Diskusi Hasil