PLS adalah sebuah cara alternatif pada analisis SEM saat data yang digunakan tidak berdistribusi normal multivariate (Alfa et al., 2017). Nilai variabel laten pada SEM dengan PLS diestimasi sesuai dengan kombinasi linear dari variabel-variabel manifest yang berhubungan dengan variabel
laten sehingga diperlukan mengganti variabel manifest (Alfa et al., 2017).
Menurut Monecke & Leisch (2012) SEM dengan PLS terdiri dari tiga komponen yaitu model structural, model pengukuran, dan skema pembobotan. Analisis SEM dengan PLS terdapat dua model yaitu inner model dan outer model (Alfa et al., 2017).
2.21.1 Model Pengukuran (Outer Model)
Model Pengukuran atau Outer Model merupakan model yang menggambarkan hubungan antar variabel laten dengan indikatornya. Model pengukuran ini memiliki pemeriksaan Convergent Validity yang terdiri dari individual item reliability, internal consistency, Average Variance Extracted (AVE), dan pemeriksaan Discriminant Validity.
Tahap pertama pada convergent validity ialah Individual indicator reliability. Individual indicator reliability merupakan sebuah jenis validitas yang berkaitan dengan prinsip bahwa pengukur suatu konstruk harus mempunyai kolerasi tinggi sehingga digunakan untuk mengukur besarnya kolerasi antara variabel laten dengan variabel manifest pada model pengukuran reflekstif. Individual indicator reliability dapat dinilai berdasarkan outer loading yaitu dengan berdasarkan kolerasi antara nilai komponen (item score) dengan nilai konstrak (Alfa et al., 2017). Suatu kolerasi dapat dikatakan memenuhi Individual item reliability apabila mempunyai outer loading score lebih besar dari 0,5 sampai 0,6 (Chin, 1998).
Tahap kedua adalah pengukuran Internal consistency reliability.
Pengukuran Internal consistency reliability dilakukan dengan memeriksa nilai composite reliability. Nilai composite reliability dianggap lebih baik untuk mengukur internal consistency daripada menggunakan cronbachβs alpha pada model PLS-SEM. Hal tersebut disebabkan oleh nilai composite reliability tidak mengasumsikan kesamaan boot dari setiap indikator (Yamin & Kurniawan, 2011). Batas nilai yang digunakan ialah di atas 0,7 berarti dapat diterima dan di atas 0,8 berarti memuaskan (Hair et al., 2017).
Composite Realibility dapat dihitung dengan rumus berikut:
ππ = (Ξ£ππ)2
Ξ£ππ2+ Ξ£ππ£πππ(π)
dimana ππ menyatakan loading factor dari var π(π) = 1 - ππ2 Tahap ketiga adalah mengukur Avarage Variance Extracted (AVE).
Apabila nilai AVE lebih besar dibandingkan nilai kolerasi diantara variabel laten, maka Discriminant Validity dapat dianggap terpenuhi (Alfa et al., 2017). Discriminant Validity dianggap tercapai jika nilai AVE lebih besar dari 0,5 (Sarwono & Narimawati, 2015). AVE dapat ditentukan dengan menggunakan rumus berikut:
π΄ππΈ = Ξ£π2π Ξ£π2π + Ξ£ππ£πππ(π)
Dimana ππ menyatakan loading factor (covenrgent validity) dari var π(π) = 1 - ππ2.
Selanjutnya dilakukan pengukuran Discriminant Validity. Discriminant Validity adalah suatu evaluasi untuk Outer Model karena validitas
diskriminan berhubungan dengan prinsip bahwa pengukur konstruk yang berlainan seharusnya tidak berkolerasi tinggi (Alfa et al., 2017). Validity Discriminant dapat diukur berdasarkan nilai cross loading antar indikator dan cross loading Fornell-Lackerβs (Hair et al., 2017; Yamin & Kurniawan, 2011). Cross loading diukur dengan membandingkan kolerasi antar indikator dengan konstrak dan konstrak di blok lainnya jika kolerasi antar indikator dengan konstraknya lebih tinggi dari kolerasi dengan blok lainnya, maka konstrak tersebut memperkirakan ukuran pada blok tersebut lebih baik daripada blok lainnya. Cross Loading Fornell-Lackerβs dilakukan dengan memeriksa nilai akar dari AVE. Nilai akar AVE harus lebih besar dari kolerasi antar konstrak dengan konstrak lainnya (Yamin & Kurniawan, 2011).
2.21.2 Model Struktural (Inner Model)
Model Struktural atau Inner Model yaitu menggambarkan model yang berhubungan antar variabel laten yang dibentuk berdasarkan subtansi teori.
Model struktural terdiri dari pengukuran nilai path coefficient (Ξ²), R2 (coefficient of determination), nilai t-test, pengujian f2 (effect size), Q2 (predictive relevance), dan q2 (relative impact).
Tahapan pertama pada uji model struktural adalah pengukuran koefisien jalur (path coefficient) yang dilakukan untuk menunjukkan kekuatan hubungan konstrak (Yamin & Kurniawan, 2011). Nilai batas ambang untuk path coefficient adalah 0,1 yang berarti path atau jalur tersebut berpengaruh dalam model.
Langkah selanjutnya adalah mengevaluasi nilai R2 yang digunakan untuk menjelaskan varian dari setiap target endogenous variabel. Batas ambang nilai R2 terbagi menjadi tiga yaitu 0,67 berarti subtansial, 0,33 berarti moderat, dan 0,19 berarti lemah (Yamin & Kurniawan, 2011).
Langkah setelah itu melakukan uji nilai t-test dengan menggunakan metode bootstrapping melalui uji two-tailed dengan tingkat signifikansi sebesar 5% yang digunakan untuk menguji hipotesis penelitian. Hipotesis dikatakan dapat diterima jika nilai t-test di atas 1,96 (Abdillah & Jogiyanto, 2015).
Tahap berikutnya adalah pengujian f2 (effect size) yang dilakukan untuk memperkirakan pengaruh suatu variabel terhadap variabel lainnya. Nilai batas ambang untuk f2 terbagi menjadi tiga yaitu, 0,02 berarti memiliki pengaruh yang kecil, 0,15 berarti memiliki pengaruh menengah, dan 0,35 berarti memiliki pengaruh yang besar. Rumus perhitungan nilai f2 adalah sebagai berikut:
π2 =π 2πππππ’ππ β π 2ππ₯πππ’ππ 1 β π 2πππππ’ππ
Tahapan selajuntnya dengan melihat Q2 (predictive relevance) menggunakan metode blindfolding untuk membuktikan jika variabel yang digunakan memiliki keterkaitan prediktif dengan variabel yang lainnya.
Nilai Q2 lebih besar dari 0 menunjukkan bahwa model memiliki nilai predictive relevance, sedangkan jika nilai kurang dari 0 menunjukkan bahwa model kurang memiliki predictive relevance. Model persamaannya yaitu:
Q2 = 1-(1-R12) (1-R22)
Tahap keenam adalah pengujian q2 dengan menggunakan metode blindfolding untuk mengukur pengaruh relatif dari sebuah keterkaitan prediktif variabel tertentu dengan variabel lainnya. Nilai batas ambang untuk nilai q2 terbagi menjadi tiga yaitu, 0,02 berarti kecil, 0,15 berarti sedang, dan 0,35 berarti besar (Hair et al., 2017; Yamin & Kurniawan, 2011). Rumus perhitungan q2 adalah sebagai berikut:
π2 = π 2πππππ’ππ β π 2ππ₯πππ’ππ 1 β π 2πππππ’ππ 2.22 Penelitian Sejenis
Berikut ini adalah ringkasan dari beberapa peneilitian sejenis yang dijadikan rujukan dalam memahami model penelitian yang digunakan.
Penelitian-penelitan di bawah ini merupakan penelitian yang berkaitan dengan Expectation Confirmation Model (ECM) dan penelitian yang penulis lakukan.
Tabel 2.8 Penelitian Sejenis
No Judul Nama
Confirmation Model Analysis.
3 The integration of value-based
extended
Sepuluh jurnal yang telah dijabarkan diatas dapat disimpulkan bahwa terdapat penelitian yang tidak mempertimbangkan aspek pengorbanan
βsacrificeβ dan keuntungan βbenefitβ seperti pada jurnal Hsu & Lin (2015), Lee (2010), Hung et al (2007), Halilovic & Cicic (2013), Oghuma et al (2016), dan Joo & Choi (2016) hanya melihat dari aspek psikologi dari pengguna sistem tersebut, dan kondisi aktual dari sistem tersebut.
Penelitian yang dilakukan Kim et al (2019), Han & Yang (2010), Hsiao
& Chen (2017) dan Lin et al (2012) tidak hanya melihat dari aspek psikologi dan dari sistem tersebut saja tetapi juga melihat dari aspek pengorbanan
βsacrificeβ dan keuntungan βbenefitβ berdasarkan dari penelitian Kim et al (2007).
Penelitian kali ini penulis ingin menyelidiki tidak hanya berdasarkan aspek psikologis dari pengguna, kondisi aktual sistem yang ingin diteliti dan tetapi juga melihat dari aspek pengorbanan βsacrificeβ dan keuntungan
βbenefitβ pada aplikasi KAI Access.
60
60 BAB III
METODOLOGI PENELITIAN 3.1 Metodologi Penelitian
Penelitian ini menggunakan dua metode, yaitu metode pengumpulan data dan metode analisis data. Pengumpulan data untuk penelitian ini dilakukan dengan dua cara, yaitu studi literatur dan kuesioner dengan menyebarkan daftar pertanyaan secara langsung maupun tidak langsung kepada para pengguna KAI Access yang menjadi subjek penelitian ini.
Penyebaran secara langsung dilakukan dengan media kertas, sedangkan penyebaran secara tidak langsung dilakukan dengan menggunakan fitur google forms.
Analisis yang digunakan pada penelitian ini adalah analisis demografis dan analisis statistik. Analisis demografis dilakukan dengan mengelompokkan data berdasarkan jenis kelamin, usia, pekerjaan, dan beberapa pertanyaan lainnya, sedangkan analisis statistik dilakukan dengan menguji outer model dan inner model dari model penelitian yang digunakan.
Analisis-analisis tersebut dilakukan dengan menggunakan Ms. Excel 2010, dan SmartPLS versi 3.2.9. Kesimpulan dibuat berdasarkan hasil dari analisis demografis dan analisis statistik yang telah dilakukan.
3.2 Pendekatan dan Strategi Penelitian
Penelitian ini bertujuan untuk mengetahui status kepuasan penggunaan kembali aplikasi KAI Access serta menguji hipotesis-hipotesis terkait pengaruh kepuasan terhadap penggunaan kembali aplikasi KAI Access.
Berdasarkan tujuan penelitian tersebut, maka, penelitian ini dilaksanakan dengan menggunakan metode kuantitatif.
Metode penelitian yang telah ditentukan, prosedur, teknik, dan alat yang digunakan dalam penelitian ini disesuaikan dengan metode kuantitatif.
Metode kuantitatif menggunakan data berbentuk angka, maka penyebaran kuesioner digunakan untuk mengumpulkan data yang diperlukan di dalam penelitian. Penyebaran kuesioner tersebut dilaksanakan dengan menyebarkan daftar pertanyaan kepada para pengguna KAI Access. Data yang telah terkumpul dianalisis secara statistik dengan menggunakan perangkat lunak komputer yang ada.
Perangkat lunak yang digunakan adalah Ms. Word 2010, Ms. Excel 2010, dan SmartPLS versi 3.2.9 Ms Word 2010 digunakan untuk membantu penulisan laporan penelitian. MS Excel 2010 digunakan untuk membantu pengolahan data demografis. Sedangkan SmartPLS versi 3.2.9. digunakan untuk membantu pengujian inner model dan outer model pada proses analis 3.3 Populasi dan Sampel Penelitian
Subjek dari penelitian ini adalah pengguna KAI Access. KAI Access dipilih karena KAI Access tersebut merupakan aplikasi resmi dari PT.
Kereta Api Indonesia. Tujuan dari penelitian yang berkeinginan untuk mengetahui status kepuasan dan penggunaan kembali aplikasi KAI Access serta pengaruh kepuasan terhadap penggunaan kembali aplikasi KAI Access, Selain itu, hanya aplikasi KAI Access yang dapat membeli tiket
kereta lokal. Subjek penelitian yang dipilih untuk penelitian ini adalah pengguna KAI Access.
Teknik pengambilan sampel yang digunakan dalam penelitian ini adalah purposive sampling dari kelompok teknik non-probability sampling.
Pengambilan sampel dengan teknik purposive sampling dilakukan berdasarkan pertimbangan/kriteria tertentu. Penelitian ini kriteria yang digunakan untuk penentuan sampel penelitian adalah para pengguna KAI Access. Pertimbangan ini dipilih karena seseorang dapat merasa puas dan mucul penggunaan kembali aplikasi KAI Access hanya jika mereka telah memiliki pengalaman menggunakan KAI Access.
Informasi yang didapatkan dari e-commerce Bussiness Development Kereta Api Indonesia total pengguna KAI Access mencapai 3.8 Juta pengguna akun. Informasi tersebut, diketahui bahwa populasi pada penelitian ini adalah sebanyak 3.800.000 orang. Menentukan jumlah sampel, peneliti menggunakan metode Slovin dengan error 5%.
π = π
1 + ππ2 dimana:
n = ukuran sampel.
N = ukuran populasi.
e = kelonggaran ketidaktelitian karena kesalahan pengambilan sampel
yang dapat ditolerir.
π = 3.800.000 1 + 3.800.000 (0,05)2
π = 400
Minimum sampel yang diambil adalah 400.
enggunakan metode Slovin, untuk memperkuat landasan dalam menentukan jumlah sampel peneliti pada teori yang digunakan dalam PLS-SEM, dimana menurut Hair et al., (2017) minimal sampel yang digunakan dalam PLS-SEM adalah 10 kali dari jumlah panah yang diarahkan pada variabel laten. 10 kali dari jumlah hipotesis yang ada dalam model yang digunakan. Penelitian ini menggunakan 9 hipotesis yang diajukan sehingga minimal sampel yang diperlukan berdasarkan teori Hair et al. (2017) adalah sebanyak 90 sampel dapat memenuhi syarat.
3.4 Metode Pengumpulan Data 3.4.1 Observasi
Observasi ini dilakukan sebagai studi pendahuluan, peneliti mengamati langsung aplikasi KAI Access dengan melihat ulasan aplikasi di Google Play, memasang aplikasi, dan menjadi pengguna KAI Access. Hasil yang diperoleh peneliti dari observasi yang telah dilakukan sebagai berikut:
a. Memperoleh informasi mengenai terkait kendala-kendala penggunaan KAI Access.
b. Mengetahui informasi mengenai kelebihan dan kekurangan KAI Access.
3.4.2 Survei
Salah satu metode penelitian kuantitatif yang paling sering digunakan dalam penelitian adalah metode survei. Metode survei menggunakan kuesioner sebagai instrumen pengumpulan data yang kemudian dianalisis menjadi suatu informasi yang baik dan valid (Suyoto &
Sodik, 2015). Kuesioner yang digunakan menggunakan tujuh tingkatan skala Likert mulai dari sangat tidak setuju, tidak setuju, agak tidak setuju, tidak tahu, agak setuju, setuju, dan sangat setuju.
3.5 Metode Analisis Data
3.5.1 Pengembangan Model Penelitian Usulan
Secara umum penelitian ini menggunakan model Expectation-Condirmation Model (ECM) yang dikembangkan (Bhattacherjee, 2001).
Gambar 3.1 Expectation Confrimation Model (ECM) (Bhattacherjee, 2001)
ECM merupakan model untuk memprediksi IT continuance use yang kembangkan oleh (Bhattacherjee, 2001) dari model Expectation-Confirmation Theory (ECT). ECM terdiri dari empat variabel, yaitu Perceived Usefulness, Confirmation, Satisfaction, dan continuance intention. Menurut Bhattacherjee (2001), dari variabel-variabel yang ada
dalam ECM, Satisfaction merupakan variabel dengan pengaruh yang paling signifikan terhadap continuance intention.
Peneliti juga menambahkan beberapa variabel pada penelitian ini yaitu Perceived Value Menurut beberapa penelitian, Perceived Value merupakan faktor penentu dari kepuasan dan keingian pengguna akan menggunakan kembali suatu sistem informasi (Bhattacherjee, 2001; Kim et al., 2007; Kim et al., 2017). Perceived Fee atau biaya yang dirasakan menunjukkan bahwa pengguna akan merasakan secara langsung biaya yang dirasakan terhadap persepsi nilai dalam pembelian produk atau layanan (Kim et al., 2007).
Privacy Risk menunjukkan tingkat kecemasan atau risiko kebocoran informasi pribadi atau data transaksi konsumen saat melakukan transaksi online menggunakan alat seluler (Chunxiang, 2014). Model yang digunakan pada penelitian ini adalah sebagai berikut.
Penelitian ini terdiri dari tujuh variabel, yaitu Privacy Risk, Perceived Fee, Perceived Value, Perceived Usefulness, Confirmation, Satisfation, dan Continuous Intention.
Gambar 3.2 Model Penelitian Usulan
3.5.2 Definisi Variabel Model Penelitian Usulan
Penelitian ini menggunakan tujuh variabel penelitian yang terdiri atas Privacy Risk (PR), Perceived Fee (PF), Perceived Value (PEV), Perceived Usefulness (PEU), Confirmation (CF), Satisfation (SF), dan Continuous Intention (CI). Definisi lengkap dari masing-masing variabel dapat dilihat pada tabel 3.1.
Tabel 3.1 Definisi Variabel Penelitian Pada Penelitian Usulan
Variabel Pengertian Referensi
Perceived Usefulness Indikator yang menilai manfaat dalam
menggunakan aplikasi.
(Bhattacherjee, 2001)
Confirmation Indikator yang menilai ekspektasi awal pengguna
dengan realita aplikasi atau layanan.
Satisfaction Indikator yang menilai perasaan pengguna terhadap penggunaan sistem.
Continuous Intention Indikator yang menilai pengguna untuk terus menggunakan sebuah sistem.
Perceived Value Indikator yang menilai tingkat kecemasan atau risiko kebocoran informasi pribadi atau data transaksi konsumen saat melakukan transaksi online
menggunakan alat seluler.
(Hsu & Chen, 2018; Kakar, 2018; Kesari & Atulkar, 2016)
Perceived Fee Indikator yang digunakan untuk menilai daya beli pengguna terhadap harga dalam menggunakan aplikasi.
(Kim et al., 2007)
Privacy Risk Indikator yang digunakan untuk menilai rasa
3.5.3 Indikator Model Penelitian Usulan
Indikator-indikator dari tiap variabel pada model usulan yang digunakan dalam penelitian ini.
Tabel 3.2 Indikator Model Penelitian Usulan
Variabel Indikator Pernyataan Sumber
Perceived Fee Harga yang ditawarkan oleh aplikasi kai Access sangat masuk akal.
Saya merasa harga yang ditawarkan .KAI Access membeli tiket kereta lewat KAI Access.
Harga yang ditawarkan oleh aplikasi kai Access murah
Saya merasa harga yang ditawarkan KAI Access lebih murah.
Privacy Risk Tidak Merasa aman dalam melakukan transaksi.
Saya tidak merasa data pribadi dalam melakukan transaksi aman dalam KAI Access. saya karea mendaftar KAI Access.
Pelaku kriminal siber mungkin akan
menyalahgunakan kartu kredit.
Saya takut pelaku kriminal siber menyalah gunakan kartu kredit.
Perceived Usefulness
Meningkatkan Kinerja Menggunakan KAI Access memungkinkan saya lebih cepat dalam membeli tiket kereta api membeli tiket kereta api Meningkatkan
Efektivitas
Menggunakan KAI Access menghemat waktu dan tenaga dalam membeli tiket kereta api
Uang yang saya berikan dalam menggukan KAI
yang saya berikan dalam menggunakan sebanding dengan manfaat yang saya terima.
Usaha yang saya berikan dalam menggunakan KAI Access sebanding dengan manfaat yang diberikan Membandingkan usaha
yang saya berikan dalam menggunakan aplikasi sebanding dengan manfaat yang saya terima.
Waktu yang saya berikan dalam menggunakan KAI lebih baik dari ekspektasi saya KAI Access lebih baik dari ekspektasi saya
Ekspektasi secara Keseluruhan
Secara keselurun ekspektasi saya pada KAI Access sesuai dengan realita Satisfaction Perasaan puas dengan
pelayanan KAI Access
Saya sangat puas dengan pelayanan KAI Access
Saya sangat senang dalam menggunakan KAI Access
Saya ber untuk sering menggunakan KAI Access.
3.6 Hipotesis Penelitian
Sembilan hipotesis yang ada dalam penelitian ini. Hipotesis-hipotesis tersebut dikembangkan berdasarkan teoridari (Bhattacherjee, 2001;
Chunxiang, 2014; Kim et al., 2007; Kim et al., 2019; LΓ³pez-Miguens &
VΓ‘zquez, 2017). Penjelasan dari hipotesis-hipotesis tersebut antara lain:
H1 Apakah Privacy Risk berpengaruh secara signifikan terhadap Perceived Value?
H2 Apakah Perceived Fee berpengaruh secara signifikan terhadap Perceived Value?
H3 Apakah Perceived Usefulness berpengaruh secara signifikan terhadap Perceived Value?
H4 Apakah Confirmation berpengaruh secara signifikan terhadap Satisfaction?
H5 Apakah Satisfaction berpengaruh secara signifikan terhadap Confirmation?
H6 Apakah Perceived Usefulness berpengaruh secara signifikan terhadap Satisfaction?
H7 Apakah Perceived Value berpengaruh secara signifikan terhadap Satisfaction?
H8 Apakah Perceived Value berpengaruh secara signifikan terhadap Continuous Intention?
H9 Apakah Satisfaction berpengaruh secara signifikan terhadap Continuous Intention?
3.7 Kerangka Penelitian
Kerangka penelitian yang dijadikan penuntun dasar penelitian oleh peneliti untuk melaksanakan penelitian ini. Kerangka penelitian tersebut dapat dilihat pada gambar 3.3.
Gambar 3.3 Kerangka Penelitian.
72
72 BAB IV
HASIL DAN PEMBAHASAN 4.1 Hasil Pengumpulan Data
Data yang digunakan pada penelitian ini dikumpulkan dengan menyebarkan kuesioner secara langsung dan tidak langsung kepada responden. Penyebaran secara langsung dilakukan dengan menggunakan media kertas. Sedangkan penyebaran tidak langsung dilakukan melalui sosial media seperti whatsapp, line, dan lainnya. Adapun media yang digunakan untuk penyebaran kuesioner secara tidak langsung tersebut adalah google forms. Penyebaran dilakukan dalam kurun waktu dua minggu terhitung dimulai pada 29 April 2019 sampai 13 Mei 2019 guna mencapai target minimal sampel yang diperlukan.
Data yang telah terkumpul dari penyebaran kuesioner tersebut diproses dan dianalisis menggunakan Ms. Excel 2010 dan SmartPLS versi 3.2.9.
Hasil penyebaran kuesioner yang telah dilakukan, peneliti berhasil memperoleh 50 kuesioner dari penyebaran secara langsung dan 350 kuesioner dari penyebaran secara tidak langsung.
4.2 Pilot Study
Pilot study bertujuan untuk mengetahui signifikansi tingkat reliabilitas dan validitas atas kuesioner yang digunakan serta hasil dari hipotesis yang digunakan dalam penelitian ini. Pilot study dilakukan dengan menggunakan 80 data kuesioner dari responden yang memenuhi syarat penelitian ini.
Secara keseluruhan, berdasarkan hasil perhitungan dengan 80 data
kuesioner tersebut, reliabilitas dan validitas dari kuesioner dapat dikatakan baik.
Hasil pilot study yang telah dilakukan peneliti memutuskan untuk tidak melakukan modifikasi terhadap model penelitian karena telah mencapai atau memenuhi syarat. Uji reabilitas pada penelitian ini dengan melihat Composite reability harus lebih dari 0.700 dan uji validitas melihat dari nilai AVE lebih dari 0.500 agar data dapat diterima (Hair et al., 2017).
Gambar 4.1 Nilai Composite Reability dan AVE Pilot Study
4.3 Hasil Analisis
Analisis data yang dilakukan pada penelitian ini terbagi menjadi dua langkah, yaitu analisis demografis dan analisis model. Analisis demografis dilakukan dengan menggunakan Ms. Excel 2010. Adapun analisis model terbagi menjadi analisis measurement model (outer model) dan analisis structural model (inner model). Kedua analisis tersebut dilakukan dengan menggunakan SmartPLS versi 3.2.9.
4.3.1 Analisis Demografis
Pada analisis demografis ini, peneliti menganalisis data profil responden serta jawaban responden terkait pertanyaan-pertanyaan umum mengenai
KAI Access yang telah diberikan. Adapun pertanyaan-pertanyaan yang diberikan mencakup jenis kelamin, usia, pekerjaan, lama menggunakan internet, jumlah transaksi KAI Access, dan jumlah pendapatan/uang saku.
Hasil dari analisis demografis yang telah dilakukan dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hasil Analisis Demoigrafis
Kategori Frekuensi Persentase
Jenis Kelamin
Lama penggunaan KAI Access <1 tahun
Banyaknnya Penggunaan KAI Access 1-5
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 cronbachβs alpha dari masing-masing variabel. Di antara keduanya, composite reliability dianggap lebih baik dalam mengukur internal consistency reliability dibandingkan cronbachβs 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 cronbachβs alpha tetap perlu untuk dipertimbangkan karena reliabilitas yang sesungguhnya berada pada angka di antara hasil cronbachβs alpha (yang merepresentasikan batas bawah) dan composite reliability (yang merepresentasikan batas atas) (Hair et al., 2017). Adapun nilai yang didapat untuk composite reliability maupun cronbachβs 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 Cronbachβs 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 cronbachβs 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
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