BAB III METODE PENELITIAN
E. Teknik Analisis Data
Teknik analisis data adalah suatu cara yang digunakan dalam mengolah serta menganalisis data yang terkumpul dalam penelitian untuk membuktikan hipotesis yang diajukan. Analisis yang digunakan yaitu Structural Equation Modeling.Langkah-langkah dalam analisis ini yaitu:
1. Analisis Deskriptif
Menurut Sugiyono (2010: 206) “statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generaliasasi”. Pada analisis deskriptif akan dijelaskan hubungan antar variabel dari hipotesis yang telah dibuat melalui kerangka berpikir.
Di dalam penelitian ini analisis deskriptif digunakan untuk menganalisis profil responden dan tanggapan responden terhadap setiap item pertanyaan yang diajukan untuk mendukung penelitian ini. Responden dalam penelitian ini adalah mahasiswa Universitas Sebelas Maret yang masih aktif kuliah dan belum lulus dari program sarjana atau S1 yang terdiri dari sembilan fakultas yaitu Fakultas Teknik, Fakultas Ekonomi, Fakultas Sosial dan Ilmu Politik, Fakultas Hukum, Fakultas Sastra dan Seni Rupa, Fakultas Keguruan dan Ilmu Pendidikan, Fakultas Kedokteran, Fakultas Matematika dan Ilmu Pengetahuan Alam, dan Fakultas Pertanian. Jenis kelamin mahasiswa terdiri dari laki-laki dan perempuan.
2. Analisis Kuantitatif a. Analisis SEM
“Model persamaan struktural (Structural Equation Modeling) adalah teknik analisis multivariate yang memungkinkan peneliti menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model” (Ghozali dan Fuad, 2008: 3). Berikut adalah konsep dasar mengenai analisis SEM (Sturctural Equation Modeling):
1) Variabel laten dan variabel manifest
Jika ada sebuah variabel laten, pastilah akan ada dua atau lebih variabel manifest. Menurut Singgih (2007: 5), “variabel laten adalah variabel yang tidak
commit to user
dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifest”. Variabel laten disebut juga dengan istilah unobserved variabel, konstruk atau konstruk laten. Sedangkan variabel manifest menurut Singgih (2007: 5) adalah “variabel yang digunakan untuk menjelaskan atau mengukur sebuah variabel laten”. Variabel manifest disebut juga dengan istilah observed variabel, measured variabel atau indikator. Cara untuk mengetahui variabel laten dalam sebuah model SEM yaitu dengan menguji apakan variabel tersebut dapat langsung diukur atau tidak. Jika tidak, maka dapat dikategorikan sebagai variabel laten yang membutuhkan variabel manifest. Dalam konvensi SEM variabel laten digambarkan dengan bulat oval atau elips dan variabel manifest digambarkan dengan kotak.
Dalam model kesuksesan sistem informasi yang digunakan dalam penelitian ini, memiliki enam variabel laten dan 34 variabel manifest. Salah satu variabel laten adalah kualitas sistem (system quality). Dalam hal ini variabel kualitas sistem tidak dapat diukur langsung karena variabel ini harus diukur melalui seperangkat pertanyaan yang intinya mengukur seberapa besar kualitas sistem yang ada pada digilib.uns.ac.id. Ukuran tersebut didapat dari tujuh indikator pada variabel kualitas sistem dalam hal ini adalah variabel manifest yaitu: provides, easy, friendly, interactive, personal, attractive, dan high speed.
2) Variabel laten eksogen dan endogen
Dalam sebuah model SEM, sebuah variabel laten dapat berfungsi sebagai variabel eksogen atau variabel endogen. Menurut Singgih (2007: 6) “variabel eksogen adalah variabel independen yang mempengaruhi variabel dependen”. Pada model SEM, variabel eksogen ditunjukkan dengan adanya anak panah yang berasal dari variabel tersebut menuju variabel endogen. Sedangkan variabel endogen menurut Singgih (2007: 7) adalah “variabel dependen yang dipengaruhi oleh variabel independen (eksogen)”. Pada model SEM, variabel endogen ditunjukkan dengan adanya anak panah ( ) yang menuju variabel tersebut.
Pada model kesuksesan sistem informasi D&M, yang termasuk kedalam variabel eksogen yaitu kualitas sistem (system quality), kualitas informasi
commit to user
41
(information quality), dan kualitas layanan (service quality). Sedangkan yang variabel endogen adalah penggunaan (use), kepuasan pemakai (user satisfaction), dan manfaat bersih (net benefit). Berikut adalah gambar model kesuksesan sistem informasi D&M dengan menggunakan bantuan software AMOS:
3) Measurement model dan structural model
Sebelumnya telah dijelaskan bahwa variabel laten harus dijelaskan oleh sejumlah variabel manivest. Menurut Singgih (2007: 8), “measurement model adalah bagian dari SEM yangmenggambarkan hubungan antara variabel laten dengan indikator-indikatornya”. Sebagai contoh pada model kesuksesan D&M di atas terdapat variabel manifest yang memiliki tujuh indikatornya yaitu KS1, KS2, KS3, KS4, KS5, KS6, KS7, KS8, dan KS9.
Gambar 4. Path diagram
commit to user
Jika measurement model menggambarkan hubungan variabel laten dengan indikatornya, maka structural model menggambarkan hubungan antar variabel. Berikut adalah structural model pada model kesuksesan sistem informasi:
Gambar 6. Structural model
pada model kesuksesan sistem informasi D&M
4) Error pada pengukuran (measurement) dan error pada struktural (structural) Pada sebuah model SEM, khususnya pada pengukuran indikator atau sebuah variabel laten, akan terdapat variabel error yang ditampilkan dalam sebuah lingkaran. Pada model kesuksesan di atas, variabel error ditampilkan dalam
system quality information quality service quality use user satisfaction net benefit
commit to user
43
bentuk lingkaran kecil yang ada di setiap indikator. Variabel error diberikan pada setiap indikator karena tidak semua item pertanyaan dapat mengukur secara tepat. Bisa saja jawaban seseorang akan berbeda dengan yang lainnya atau sebab lainnya. Sehingga pada indikator selalu akan ada kesalahan (error) dalam pengukuran yang disebut dengan measurement error.
Error pada struktural model sering disebut dengan residual error yang merefleksikan varians yang tidak dapat dijelaskan dalam variabel endogen (dependen) yang disebabkan semua faktor yang tidak dapat diukur. Seperti pada
measurement error, variabel independen tidaklah dapat menjelaskan semua hal pada variabel dependen atau dapat dikatakan bahwa akan ada kesalahan (error) saat melakukan prediksi pada variabel dependen.
b. Uji Asumsi Model
1) Asumsi Kecukupan Sampel
Sampel yang harus dipenuhi dalam permodelan ini berjumlah 100 hingga 200 sampel atau 5 kali parameter variabel laten yang digunakan (Hair et al, 2006).
Maximum Likelihood (ML) akan menghasilkan estimasi parameter yang valid, efisien dan reliable apabila data yang digunakan adalah Multivariate normaly dan akan robust (tidak terpengaruh) terhadap penyimpangan Multivariate normaly
yang sedans/moderate (Ghozali dan Fuad,2005). 2) Uji Normalitas
Asumsi normalitas adalah bentuk suatu distribusi data pada suatu variabel dalam menghasilkan distribusi nominal (Ghozali dan Fuad, 2005). Normalitas dibagi menjadi 2, yaitu:
a) Univariate normality (normalitas univariat). b) Multivariate normality (normalitas multivariat).
Apabila data memiliki multivariate normality, maka data tersebut pasti juga memiliki univariate normality. Sebaliknya, apabila data univariate normality belum tentu data tersebut juga memiliki multivariate normality. Curran et al
(Ghozali dan Fuad, 2005) membagi jenis distribusi data menjadi tiga bagian, yaitu:
commit to user
a) Normal, bila nilai skewness < 2 dan nilai kurtosis < 7.
b) Moderately non-normal, besarnya data yang tidak normal adalah moderat (sedang). Nilai skewness antara 2 sampai 3 dan nilai kurtosis antara 7 sampai 21.
c) Extremely non-normal, yaitu distribusi data sangat tidak normal. Nilai
skewness diatas 3 dan nilai kurtosis diatas 21.
Dalam SEM terutama bila diestimasi dengan teknik Maximum Likelihood (ML) mensyaratkan sebaiknya asumsi normalitas pada data terpenuhi.
3) Asumsi Outliers
Menurut Hair et al. dalam (Ghozali, 2008: 227) “Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang sangat terlihat berbeda jauh dari observasi-observasi lainnya yang muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal ataupun variabel- variabel kombinasi”. Deteksi terhadap multivariate outliers dilakukan dengan memperhatikan nilai mahalanobis distance. Kriteria, yang digunakan adalah berdasarkan nilai chi-squares ( 2) pada derajat kebebasan (degree of freedom)
yaitu jumlah observed variables pada output AMOS 18, dengan tingkat signifikansi p < 0,001.
c. Pengujian Hipotesis
Langkah selanjutnya setelah model dinyatakan fit, atau diterima secara statistik adalah melakukan pengujian hipotesis dengan bantuan AMOS 18 dengan menganalisis hubungan diantara variabel-variabel laten. SEM juga dapat mengestimasi nilai-nilai path dari setiap hubungan variabel. Dengan menggunakan analisis SEM maka semua hipotesis dalam studi ini dapat diuji dengan melihat nilai probability yang ditunjukkan oleh output AMOS 18. Pengujian yang dilakukan meliputi :
1) Analisis Kesesuaian Model (Goodness-of-fit)
Dalam analisis SEM, tidak ada alat uji statistik tunggal untuk menguji hipotesis mengenai model (Hair et all, 2006). Tetapi berbagai fit index
commit to user
45
yang digunakan untuk mengukur derajat kesesuaian antara model yang disajikan dan data yang disajikan. Fit index yang digunakan meliputi: a) Chi Square ( 2)
Tujuan analisis ini adalah mengembangkan dan menguji sebuah model yang sesuai dengan data. Chi square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Oleh karenanya pengujian ini perlu dilengkapi dengan alat uji lainnya. “Nilai Chi- squares merupakan ukuran mengenai buruknya fit suatu model” (Ghozali dan Fuad, 2005: 29). Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) lebih kecil dari tingkat signifikansi ( ). Sebaliknya nilai chi square yang kecil akan menghasilkan nilai probabilitas (p) yang lebih besar dari tingkat signifikansi ( ), dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan (Ghozali, 2005).
Tingkat signifikansi penerimaan yang direkomendasikan adalah apabila p > 0,05 (Hair et al., 1998), yang berarti matriks input yang sebenarnya dengan matriks input yang diprediksi secara statistik tidak berbeda.
b) Goodness Of Fit Index (GFI)
Indeks yang menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya. Nilai GFI 0,90 mengisyaratkan model yang diuji memiliki kesesuaian yang baik (Diamantopaulus dan Siguaw dalam Ghozali dan Fuad, 2005: 31). c) Root Mean Square Error of Approximation (RMSEA)
RMSEA adalah ukuran yang mencoba memperbaiki kecenderungan statistik Chi-squares menolak model dengan jumlah sampel yang besar
commit to user
(Ghozali, 2008: 67). Nilai RMSEA 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model.
d) Adjusted Goodness Fit of Index (AGFI)
Indeks ini merupakan pengembangan dari Goodness Fit Of Index
(GFI) yang telah disesuaikan dengan ratio dari degree of freedom
model (Ghozali dan Fuad, 2005: 31). Nilai yang direkomendasikan adalah AGFI 0,90, semakin besar nilai AGFI maka semakin baik kesesuaian modelnya.
e) Tucker LewisIndex (TLI)
TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. TLI merupakan indeks kesesuaian incremental
yang membandingkan model yang diuji dengan null model. Nilai penerimaan yang direkomendasikan adalah nilai TLI 0,90. TLI merupakan indeks yang kurang dipengaruhi oleh ukuran sampel. f) Normal Fit Index (NFI)
Indeks ini juga merupakan indeks kesesuaian incremental dan dapat dijadikan alternatif untuk menentukan model fit. Nilai yang direkomendasikan adalah NFI 0,90.
g) Normed Chi Square ( CMIN/DF)
Menurut Ghozali (2005: 67) “CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom”. Indeks ini merupakan indeks kesesuaian parsimonious yang mengukur hubungan
goodness of fit model dan jumlah-jumlah koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima adalah CMIN/DF < 2,0.
commit to user
47
Berikut ini adalah tabel Goodness-of-fit Indices menurut Ghozali (2005):
Tabel 4. Goodness-of-fit-indices.
Goodness-of-fit Indices Cut of value
Significance Probability (p) 0,05 CMIN/DF < 2,0 / < 3,0 GFI 0,90 AGFI 0,90 TLI 0,90 NFI 0,90 RMSEA 0,08
2) Analisis Koefisien Jalur
Analisis koefisien jalur bertujuan untuk melihat signifikansi besaran koefisien path (regression weightsestimate)untuk membuktikan hipotesis yang ada. Pada pengujian dua arah (two tailed), hipotesis diterima (Ha diterima dan H0 ditolak) jika dengan tingkat signifikansi 0,05 nilai critical
ratio adalah > 1,96. Kesesuaian arah hubungan path dengan arah hubungan yang telah dihipotesiskan sebelumnya juga diperhatikan, jika arah hubungan (positif atau negatif) sesuai dengan yang dihipotesiskan dan nilai critical ratio-nya juga memenuhi syarat, maka dapat dikatakan bahwa hipotesis yang diuji memperoleh dukungan yang kuat.
commit to user
48