BAB IV ANALISIS DAN PEMBAHASAN
B. Uji Kualitas Data
Uji validitas digunakan untuk mengukur apakah instrumen penelitian benar-benar mampu mengukur konstruk yang digunakan. Ghozali (2005) mengemukakan bahwa suatu kuesioner dikatakan valid jika pertanyaan pada
commit to user
kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner. Uji validitas yang digunakan untuk mengidentifikasi variabel dasar atau faktor yang menerangkan pola hubungan dalam satu himpunan variabel observasi. Pengujian instrumen penelitian ini menggunakan Confirmatory Factor Analysis (CFA). Tinggi rendahnya suatu validitas suatu kuesioner dengan melihat Factor Loading dengan bantuan program SPSS. Dimana apabila Factor loading suatu item ≥ 0,5 maka item tersebut valid dan sebaliknya jika Factor Loading dalam kuesioner ≤ 0,5 maka item tersebut tidak valid. Hasil perhitungan dapat dilihat pada tabel berikut:
commit to user Tabel 4.3 Uji Validitas Component 1 2 3 4 5 6 PEU1 .036 .739 .126 .046 .194 .105 PEU2 .123 .833 .164 -.081 .152 .155 PEU3 .199 .809 .223 -.112 -.095 .198 PEU4 .235 .659 .144 .341 .038 -.337 PEU5 .115 .672 .045 .189 .236 .038 PEU6 .196 .636 .254 .448 .154 -.101 MU1 .238 .296 .613 .108 .281 -.168 MU2 .432 .358 .627 .023 -.083 .015 MU3 .030 .133 .781 .112 .214 .261 MU4 .415 .305 .642 .040 -.038 .032 MU5 .174 -.017 .726 .232 .037 .025 MU6 -.064 .141 .765 .001 .372 .011 PU1 .368 .208 .257 .140 .685 -.112 PU2 .396 .279 .360 -.020 .376 -.060 PU3 .277 .267 .372 .139 .678 .254 PU4 .446 .139 .117 .045 .730 .075 ATU1 .034 .038 .073 .897 .003 .098 ATU2 .096 .029 .201 .860 .050 .045 ATU3 .181 .308 .010 .595 .332 .328 BI1 .703 .177 .116 .163 .186 .192 BI2 .741 .228 .025 .162 .093 .013 BI3 .853 .076 .160 .036 .190 .118 BI4 .839 .062 .179 .001 .164 .111 BI5 .767 .094 .203 .029 .296 .114 AU1 .415 .103 .256 .217 .159 .585 AU2 .473 .230 -.008 .247 -.040 .671
Tabel diatas menunjukkan ada satu item pertanyaan yang mempunyai faktor loading ≥ 0,5. Yaitu item pertanyaan PU2 dengan nilai faktor loading
commit to user
kurang dari 0,5. Hasil perhitungan setelah mengurangi item pertanyaan yang tidak valid ditampilkan pada tabel di bawah ini:
Tabel 4.4 Hasil Uji Validitas
Component 1 2 3 4 5 6 PEU1 .739 PEU2 .833 PEU3 .809 PEU4 .659 PEU5 .672 PEU6 .636 MU1 .613 MU2 .627 MU3 .781 MU4 .642 MU5 .726 MU6 .765 PU1 .685 PU3 .678 PU4 .730 ATU1 .897 ATU2 .860 ATU3 .595 BI1 .703 BI2 .741 BI3 .853 BI4 .839 BI5 .767 AU1 .585 AU2 .671
commit to user
Perhitungan dengan mengurangi item pertanyaan yang tidak valid (PU2) menghasilkan semua item pertanyaan terekstrak sempurna dan memiliki faktor loading ≥ 0,5.
1. Uji Reliabilitas
Uji reliabilitas merupakan uji yang dilakukan untuk mengukur apakah kuesioner benar-benar merupakan indikator yang mengukur suatu variabel. Suatu kuesioner dikatakan reliabel apabila jawaban seseorang konsisten dari waktu ke waktu. Reliabilitas dalam penelitian ini diuji dengan metode Cronbach’s Alpha. Nilai Cronbach Alpha antara 0,80 – 1,0 dikategorikan reliabilitas baik, nilai 0,60 – 0,79 dikategorikan reliabilitasnya dapat diterima, nilai = 0,60 dikategorikan reliabilitasnya buruk (Ghozali, 2005).
Tabel 4.5 Hasil Uji Reliabilitas
Variable cronbac's alpha Kesimpulan
Percieved ease of use (PEU) 0.870 Reliabel
Mandatory using (MU) 0.861 Reliabel
Percieved usefulness (PU) 0.856 Reliabel
Attitude toward using (ATU) 0.814 Reliabel
Behavioral intention (BI) 0.899 Reliabel
Actual usage (AU) 0.762 Reliabel
commit to user 2. Uji Asumsi
a. Asumsi Normalitas
Tabel 4.6
Skewness dan kurtosis
Variable Min Max Skew c.r. Kurtosis c.r. PEU 20.000 30.000 -.052 -.214 -.855 -1.763 MU 14.000 30.000 -.078 -.322 1.121 2.312 PU 9.000 15.000 .261 1.075 .164 .338 ATU 7.000 15.000 -.103 -.424 .790 1.630 BI 9.000 25.000 -.160 -.660 .490 1.011 AU 4.000 10.000 -.368 -1.517 -.074 -.152 Multivariate 3.542 1.826
Tabel di atas menunjukkan bahwa semua variabel memiliki nilai skewness di bawah 2 dan nilai kurtosis dibawah 7. Sehingga dapat disimpulkan bahwa semua variabel berdistribusi normal. Selain itu secara multivariate nilai kurtosisnya juga kecil sehingga secara multivariate juga berdistribusi normal.
b. Asumsi outlier
Tabel dibawah ini adalah hasil perhitungan setelah mengurangi data outlier. Data yang dibuang yaitu 15,74,70, 45, 94, dan 5. Data ke 94 dan ke 5 juga dibuang karena setelah membuang keempat data terjauhnya ternyata kedua data terjauhnya yaitu 94 dan 5 masih sebagai outlier.
commit to user Tabel 4.7
Pengecekan outlier tahap akhir. Observation
number Mahalanobis d-squared p1 p2
38 19.205 .004 .324 50 16.910 .010 .257 8 15.945 .014 .174 35 15.517 .017 .090 28 15.179 .019 .045 66 15.055 .020 .016 14 14.113 .028 .027 27 10.697 .098 .795 68 10.577 .102 .728 5 10.555 .103 .615
Hasil perhitungan dengan tidak melibatkan data outlier sudah menunjukkan bahwa asumsi tidak adanya outlier sudah terpenuhi.
c. Asumsi Goodness of Fit
Tabel 4.8
Goodness of Fit
Goodness-of-fit Indices Cut-off Value Nilai yang diperoleh
Kesimpulan Chi-square (c²) Diharapkan kecil 74,857 Tidak terpenuhi Significance Probability
(p)
≥ 0,05 0,000
CMIN/DF ≤ 2,00 9,357 Tidak terpenuhi
GFI ≥ 0,90 0.743 Terpenuhi
AGFI ≥ 0,90 0.727 Terpenuhi
TLI ≥ 0,90 0.416 Tidak terpenuhi
CFI ≥ 0,90 0.688 Terpenuhi
NFI ≥ 0,90 0.674 Terpenuhi
commit to user
1) Chi Square dan significance probability
Tujuan analisis ini adalah mengembangkan dan menguji apakah sebuah model yang sesuai dengan data. Chi square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Nilai chi-square yang diperoleh sebesar 74,857. Dengan nilai p sebesar 0,000. Karena nilai chi-square sangat bergantung pada jumlah sampel dan cenderung signifikan (tidak memenuhi asumsi), jika nilai chi-square tidak kecil dan nilai p tidak melebihi 0,05 maka kita dianjurkan mengabaikannya dan menggunakan uji goodness of fit lainnya.
2) CMIN/DF
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. Batas nilai yang baik adalah cmin/df < 2, dan nilai reasonabel (cukup) cmin/df <5. Nilai yang diperoleh adalah 9,357. Nilai ini menunjukkan bahwa model yang dibuat kurang cocok.
commit to user 3) Goodness Of Fit Index (GFI)
Asumsi goodness of fit menunjukkan bahwa hanya GFI yang memenuhi nilai yang dianjurkan yaitu lebih dari 0,9. 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. Hasil perhitungan menunjukkan nilai GFI = 0,743, hasil tersebut menunjukkan bahwa menurut Ghozali (2005) asumsi goodness if fit kurang dari nilai yang dianjurkan, tetapi nilai GFI sudah cukup mengingat kategori cukup adalah 0,50 sampai dengan 0,80 sehingga dapat dikatakan bahwa asumsi goodness of fit dilihat dari GFI adalah cukup.
4) 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). Analog dengan R2 pada regresi berganda. Nilai yang direkomendasikan adalah AGFI ≥ 0,90, semakin besar nilai AGFI maka semakin baik kesesuaian yang dimiliki oleh model. Nilai yang diperoleh adalah 0,727, meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai AGFI cukup
commit to user
besar yaitu sebesar 72,7%. Artinya model yang dibuat mampu menggambarkan keadaan sebenarnya sebesar 72,7 % sedangkan sisanya 27,3 % dipengaruhi oleh faktor lain yang tidak digunakan dalam penelitian ini.
5) Tucker Lewis Index (TLI)
TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan baseline model. TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model (Ghozali dan Fuad, 20005:34). Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,90. TLI merupakan indeks yang kurang dipengaruhi oleh ukuran sampel. Nilai yang diperoleh adalah 0,416, sehingga dapat disimpulkan bahwa asumsi TLI tidak terpenuhi. Nilai TLI juga jauh dari nilai 0. Sehingga dapat dikatakan bahwa goodness of fit dari segi TLI cukup.
6) Comparative Fit Index ( CFI)
CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yang direkomendasikan
commit to user
adalah CFI ≥ 0,90 (Ghozali dan Fuad, 2005:34). Nilai yang diperoleh adalah 0.688, meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai yang diperoleh cukup besar dan jauh dari nilai 0.
7) Normed Fit Index (NFI)
Indeks ini juga merupakan ukuran perbandingan antara proposed model dan null model (Ghozali, 2005: 25). Nilai yang direkomendasikan adalah NFI ≥ 0,90. Nilai NFI yang diperoleh adalah 0,674. Sama seperti CFI meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai 0,674 tersebut jauh dari nilai 0. Sehingga model dikatakan cukup fit.
8) Root Mean Square Error of Approximation (RMSEA)
RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 dan 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model (Ghozali, 2005:24). Nilai yang diperoleh adalah 0.2881 sehingga dapat disimpulkan bahwa model yang digunakan tidak sesuai yang diharapkan.
commit to user C. Uji Hipotesis
Tabel 4.9 Regression weight
Estimate S.E. C.R. P Cut of
value Kesimpulan PEU PU .294 .052 5.643 *** P<0.05 Berpengaruh PEU ATU .126 .061 2.057 .040 P<0.05 Berpengaruh PU ATU .180 .102 1.758 .079 P<0.05 Tidak berpengaruh PU BI 1.285 .158 8.108 *** P<0.05 Berpengaruh ATU BI .326 .165 1.972 .049 P<0.05 Berpengaruh MU ATU -.002 .053 -.036 .972 P<0.05 Tidak berpengaruh BI AU .272 .033 8.169 *** P<0.05 Berpengaruh
Keterangan: Tanda *** berarti p < 0,001
Secara grafik gambar hubungan dapat dijelaskan secara singkat sebagai berikut: p <0,001 H4 0,079 H5 H1 p <0,001 0,049 0,04 H2 H6 0,972 p <0,001 Gambar 4.1 Perceived usefullness (PU) H3 Behavioral intention to Use (BI) Attitude
toward using (ATU)
Percieved ease of
use (PEU) H7
Mandatory using (MU)
commit to user Model Penelitian hasil adalah sebagai berikut:
p <0,001 H4 H5 H1 p <0,001 0,049 0,04 H2 p <0,001 Gambar 4.2
Hasil Korelasi antar Variabel Technology Acceptance Model
1. Hipotesis 1.
Kemudahan yang dirasakan (PEU: Perceived ease of use) akan mempengaruhi kegunaan yang dirasakan (PU: Perceived usefulness). PU = 0,294 PEU errorvar 0,258 R2 0,240
0,052 nilai standar error
5,643 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 5,643 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah H1 diterima, dengan nilai koefisien Perceived usefullness (PU) Behavioral intention to Use (BI) Attitude
toward using (ATU)
Percieved ease of
use (PEU) H7
Mandatory using
commit to user
cut of value adalah <0,05 maka nilai estimate PEU terhadap PU sebesar 0,294. Artinya setiap penambahan 100% PEU maka besarnya PU akan bertambah sebesar 29,4 %. Hipotesis bahwa PEU berpengaruh signifikan terhadap PU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa PEU berpengaruh terhadap PU.
2. Hipotesis 2
Kemudahan yang dirasakan (PEU: perceived ease of use) mempengaruhi sikap (ATU: attitude toward using).
ATU = 0,180 PU + 0,126 PEU - 0,002 MU error var =0,274 R2=0.124
0,102 0,061 0,053 nilai standarerror 1,758 2,057 0,036 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 2,057 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,126. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PEU terhadap ATU sebesar 0,126 Artinya setiap penambahan 100% PEU maka besarnya ATU akan bertambah sebesar 12,6 %. Hipotesis bahwa PEU
commit to user
berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,040 berdasarkan batas nilai (cut of value) p <0,05 maka p hitung 0,040 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa PEU berpengaruh terhadap ATU.
3. Hipotesis 3
Kegunaan yang dirasakan (PU: Perceived usefulness) mempengaruhi sikap (ATU: attitude toward using).
ATU = 0,180 PU + 0,126 PEU - 0,002 MU error var =0,274 R2= 0.124
0,102 0,061 0,053 nilai standar error 1,758 2,057 0,036 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 1,758 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis ditolak, dengan nilai koefisien 0,180. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PU terhadap ATU sebesar 0,180. Artinya setiap penambahan 100% PU maka besarnya ATU akan bertambah sebesar 18 %. Hipotesis bahwa PU berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,079 berdasarkan batas nilai (cut of value) p <0,05 maka
commit to user
p hitung 0,079 lebih besar dari batas nilainya sehingga dapat disimpulkan bahwa PU tidak berpengaruh terhadap ATU.
4. Hipotesis 4
Kegunaan yang dirasakan (PU: Perceived usefulness) mempengaruhi minat (BI: behavioral intention).
BI = 0,326 ATU + 1,285 PU error var =0,786 R2=0.462 0,165 0,158 nilai standar error 1,972 8,108 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 8,108 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 1,285. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PU terhadap BI sebesar 1,285. Artinya setiap penambahan 100% PU maka besarnya BI akan bertambah sebesar 128,5 %. Hipotesis bahwa PU berpengaruh signifikan terhadap BI dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa PU berpengaruh terhadap BI.
commit to user 5. Hipotesis 5.
Sikap (ATU: attitude toward using) mempengaruhi minat (BI: behavioral intention).
BI = 0,326 ATU + 1,285 PU error var =0,786 R2=0.462 0,165 0,158 nilai standar error
1,972 8,108 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 1,972 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,326. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate ATU terhadap BI sebesar 0,326. Artinya setiap penambahan 100% ATU maka besarnya BI akan bertambah sebesar 32,6 %. Hipotesis bahwa ATU berpengaruh signifikan terhadap BI dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,049 berdasarkan batas nilai (cut of value) p <0,05 maka p hitung 0,049 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa ATU berpengaruh terhadap BI.
6. Hipotesis 6.
Kewajiban penggunaan (MU: mandatory using) mempengaruhi sikap (ATU: attitude toward using).
commit to user
ATU = 0,180 PU + 0,126 PEU - 0,002 MU error var =0,274 R2= 0.124
0,102 0,061 0,053 nilai standar error 1,758 2,057 0,036 nilai uji t
Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 0,036 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis ditolak, dengan nilai koefisien 0,002. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate MU terhadap ATU sebesar -0,002 Artinya setiap penambahan 100% MU maka besarnya ATU akan berkurang sebesar 0,2 %. Hipotesis bahwa MU berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,972 berdasarkan batas nilai (cut of value) p <0,05 maka p hitung 0,972 lebih besar dari batas nilainya sehingga dapat disimpulkan bahwa MU tidak berpengaruh terhadap ATU.
7. Hipotesis 7.
Minat (BI: behavioral intention) mempengaruhi penggunaan (AU: actual usage).
AU = 0,272 BI error var = 0,786 R2 = 0.398 0,033 nilai standar error
commit to user
Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 8,169 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,272. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate BI terhadap AU sebesar 0,272. Artinya setiap penambahan 100% BI maka besarnya AU akan bertambah sebesar 27,2%. Hipotesis bahwa BI berpengaruh signifikan terhadap AU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa BI berpengaruh terhadap AU.