Hipotesis VI: harapan kinerja (performance expectancy), harapan”
METODOLOGI PENELITIAN
4. Variabel penelitian
Pengukuran variabel dalam penelitian ini ada dua variabel yaitu:
4.1. Variabel Independen
Dalam penelitian ini variabel independen yang digunakan adalah yaitu harapan kinerja (Performance Expectancy), harapan usaha (Effort expectancy), pengaruh sosial (Social Influence), kondisi memfasilitasi (Facilitating Conditions) dengan masing-masing indikator.
4.2. Variabel Moderasi
Dalam penelitian ini menggunakan variebel moderasi yaitu Religiusitas, yang bertujuan untuk mengetahui seberapa jauh religiusitas mempengaruhi indikator variabel metode analisis UTAUT secara tidak langsung berpengaruh terhadap Penggunaan Layanan Perbankan Syariah.
4.3. Variabel Dependen
Variabel ini disebut sebagai variabel terikat yaitu variabel yang dipengaruhi atau variabel akibat yang disebabkan oleh variabel bebas sebagai variabel penyebab (Sugiono, 2011:61).
Variabel dependen dalam penelitian ini adalah penggunaan layanan digital banking (Y) yang dioengaruhi oleh semua variabel x. berdasarkan penjelasan di atas, maka dapat dioperasionalkan dalam bentuk tabel sebagai berikut:
1 Variabel Indikator
Harapan kinerja (performance expectany) (X1)
Persepsi terhadap kegunaan (perceived usefulness)
Kesesuaian pekerjaan (Job-Fit)
Keuntungan relative (relative advantage ) Ekspektasi-ekspetasi
hasil (outcome expectancy) 2 Harapan usaha (effort expectancy)
(X2)
Kemudahan kemudahan
penggunaan (perceived easy of
use)Kompleksitas (complecity)
No. Variabel Indikator
3 Pengaruh Sosial (social influence) (X3)
Norma Subjektif (subjective Norm) Faktor sosial (Social factor)
Status (image) 4 Kondisi memfasilitasi (facilitating
conditions) (X4)
Kontrol perilaku persepsian (perceived behavioral control)
5 Penggunaan layanan digital banking (Y)
“Untuk transaksi sehari-
Hari
Preferensi penggunaan Mempengaruhi
lingkunngan sekitar untuk menggunakan layanan digital banking”
Tabel 3.1 5. Skala Pengukuran
Dalam peelitian ini peneliti mendapatkan data primer dari menyebarkan kuesioner/angket kepada responden deengan memanfaatkan Google Form, karna mengingat situasi dan kondisi di
Indonesia sekarang sedang mengalami Pandemi Covid-19. “Skala pengukuran dalam penelitian ini adalah dengan menggunakan skala likert, yaitu skala yang digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang, dengan menggunakan skala likert, maka variabel yang akan diukur diuraikan menjadi indikator variable, kemudian indikator tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrument yang dapat berupa pernyataan atau pertanyaan (Sugiono, 2012) Berikut susunannya:
5.1. Sangat setuju (SS) di berikan kode angka 5 5.2. Setuju (S) diberikan kode” 4
5.3. Kurang setuju (KS) diberikan kode 3 5.4. Tidak setuju (TS) diberikan kode 2
5.5. Sangat tidak setuju(STS) diberikan kode 1 6. Metode Analisis Data
Penelitian ini menggunakan analisis partial least square, untuk menguji hipotesis-hipotesis dalam penelitian ini. Masing-masing hipotesis akan dianalisis menggunakan software SmartPLS untuk menguji hubungan antar variable.
Analisis data dilakukan dengan metode Partial Least Square (PLS). PLS adalah teknik statistika multivariat yang melakukan perbandingan antara variabel dependen berganda dan variabel independen berganda. PLS adalah salah satu metode sistemika SEM berbasis varian yang didesain untuk menyeleseikan suatu penelitian ketika terjadi permasalahan spesifik data, seperti sampel penelitian kecil, adanya data yang hilang dan multikolinieritas. (Ridhwan &
Purwanto, 2020)
Pendekatan SEM-PLS didasarkan pada pergeseran analisis dari pengukuran estimasi parameter model menjadi pengukuran prediksi yang relevan. Sehingga fokus analisis bergeser dari hanya estimasi dan penafsiran signifikan parameter menjadi validitas dan akurasi prediksi.
6.1 Pengukuran metode Partial Least Square
Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu (Ridhwan & Purwanto, 2020):
6.1.1. Weight estimate yang digunkanan untuk menciptakan skor variabel laten.
6.1.2. Estimasi jalur (Path Estimate) yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dan indikatornya.
Untuk memperoleh ketiga estimasi ini, PLS menggunakan iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi.
Tahap pertama menghasilkan penduga bobot (weight estimate), tahap kedua menghasilkan estimasi means dan lokasi (konstanta), pada dua tahap pertama proses iterasi dilakukan dengan pendekatan deviasi (penyimpangan) dari nilai means (rata-rata).
Pada tahap ketiga, estimasi bisa didasarkan pada matriks data asli dan atau hasil penduga bobot dan koefisien jalur pada ahap kedua , tujuannya untuk menghitung dan lokasi parameter (Ghozali, 2011).
6.2 Langkah-langkah partial least square
Berikut adalah langkah-langkah dalam analisis dengan partial least square (Yamin, 2011):
6.2.1. Merancang model structural (inner model)
Pada tahap ini, penelitia memformulasikan model hubungan antar konstrak
6.2.2. Langkah kedua: merancang model pengukuran (outer model)
Pada tahap ini, peneliti memformulasikan model hubungan antrara konstrak laten dengan indikatornya apakah bersifat reflektif atau formulatif
6.2.3. Langkah ketiga: mengkonstruksi diagram jalur
Fungsi utama membangun diagram jalur adalah untuk memvisualisasikan hubungan antar indikator dengan konstraknya serta antara konstrak yang akan mempe rmudah peneltii untuk melihat model secara keseluruhan 6.2.4. Langkah keempat: Estimasi model
Pada langkah ini, ada tiga skema pemilihan wighting dalam proses estimasi model, yaitu faktor weighting scheme, centroidweighting scheme, dan path weighting scheme.
6.2.5. Langkah kelima: Godness of Fit
Adalah evaluasi model pengukuran evaluasi model struktural.
6.2.6. Langkah keenam: pengujian hipotesis dan interpretasi Berikut adalah kriteria penilaian model PLS (Ghozali, 2011)
Kriteria Penjelasan
Evaluasi model structural
R2 untuk variabel endogen Hasil R2 sebesar 0,67. 0,3 dan 0,19 variabel laten endogen dalam model structural mengindikasikan bahwa model “baik”, “moderat”
dan “lemah”
Estimaasi koefisien jalur Nilai estimasi untuk hubungan jalur dalam model structural harus
signifikan. Nilai signifikan ini dapat diperoleh dengan prosedur
bootstrapping.
F2 untuk effect size Nilai f2 sebesar 0,2. 015. Dan 0,35 dapat diinterpretasikan apakah
predictor variabel laten mempunyai pengauh yang lemah,
medium atau besar pada tingkat struktural
Evaluasi model pengukuran reflective
Loading faktor Nilai loading faktor harus di atas 0.70
Composite Reliability Composite reliability mengukur internal consistency dan nilai
harus di atas 0.60
Average Variance Extracted Nilai average Variance Extracted (AVE) harus di atas 0.50 Validitas Deskriminan Nilai akar kuadrat dari AVE harus
lebih besar dari pada nilai korelasi antar variabel laten
Cross loading Merupakan ukuran lain dari validitas diskriminan. Diharapkan
setiap blok indikator memiliki
loading lebih tinggi untuk setiap variabel laten yang diukur dibandingkan dengan indikator
untuk variabel laten lainnya Evaluasi model pengukuran formatif
Signifikansi nilai weight Nilai estimasi untuk model pengukuran formatif harus signifikan. Tingkat signifikansi
ini dimulai dengan prosedur bootstrapping.
multikolinieritas Variabel manifest dalam blok harus diuji apakah terdapat multikol. Nilai variance inflation
faktor (VIF) dapat digunanakn untuk menguji hal ini. Nilai VIF
di atas 10 mengindikasikan terdapat multikol
BAB IV