BAB IV
Analisis Data Dan Pembahasan
Pada Bab ini akan dijelaskan mengenai gambaran umum obyek penelitian, menjelaskan hasil pengumpulan data, hasil penelitian serta pembuktian hipotesis dan jawaban atas pertanyaan dalam rumusan masalah
4.1 Data Penelitian
4.1.1 Penyebaran Dan Pengembalian Kuesioner
Data penelitian menggunakan survei dengan instrumen berupa kuesioner yang dibagikan kepada seluruh calon mahasiswa atau mahasiswa dan panitia pendaftaran, pengguna sistem informasi pendaftaran online Universitas (client PT.Sapua Edukasi).
Penyebaran kuesioner dilakukan mulai tanggal 14 september 2011 sampai dengan 30 september 2011. Sebanyak 200 kuesioner yang disebarkan sebanyak 167 yang kembali, dan sebanyak 120 kuesioner yang layak.
4.1.2 Demografi Responden
1. Jenis Kelamin
Berdasarkan penelitian terhadap 120 kuesioner, mayoritas responden berjenis kelamin wanita sebanyak 82 responden (68,33%) sedangkan sisanya sebanyak 38 responden (31,67%) berjenis kelamin Pria.
2. Pendidikan terakhir
Sumber : Data Primer
Gambar 21: Responden berdasarkan pendidikanterakhir
Berdasarkan penelitian terhadap 120 responden, sebanyak 114 responden
pendidikan terakhirnya adalah SMA (95%), 3 responden berpendidikan terakhir D3 (2,5%), 3 responden pendidikan terakhir adalah S1 (2,5%).
4.2 Statistik Deskriptif
Untuk mengetahui kecenderungan responden dalam menjawab pertanyaan
tersebut kemudian dikelompokkan dalam interval variabel-variabel penelitian. Perhitungan interval dengan menggunakan rumus:
I = (B max – B min) KL
I = Interval
B max = Rentang Tersetuju B min = Rentang Tertidak setuju KL = Kelas
Dengan perhitungan sebagai berikut : I = 6 – 1 = 0,833
6
Dengan demikian didapatkan rentang nilai perkategori jawaban sebagai berikut:
Kategori Rentang Nilai
Sangat tidak setuju 1.00 – 1.82 Tidak setuju 1.83 – 2.66 kurang setuju 2.67 – 3.50 cukup setuju 3.51 – 4.34
Setuju 4.35 – 5.18
Sangat setuju 5.19 – 6.00
Table 1: Rentang Nilai
Dari masing masing item pertanyaan dihitung nilai rata-ratanya. No
Pertanyaan
Item Pertanyaan Rata - rata Kategori
1 Desain SQ1 4,066667 Cukup setuju
2 Keakuratan SQ2 4,083333 Cukup setuju
3 Waktu Respon SQ3 3,533333 Cukup setuju
4 Navigasi SQ4 4,158333 Cukup setuju
6 Bebas eror SQ6 2,95 Kurang setuju
7 Utilisasi SQ7 3,158333 Kurang setuju
8 Keandalan SERQ1 4,041667 Cukup setuju
9 Ketanggapan SERQ2 4,025 Cukup setuju
10 Jaminan SERQ3 4,433333 Setuju
11 Empati SERQ4 4,125 Cukup setuju
12 Informasi berdasarkan
waktu
IQ1 4,1 Cukup setuju
13 Keakuratan IQ2 3,916667 Cukup setuju
14 Konten IQ3 4,008333 Cukup setuju
15 Ketepatan format IQ4 4,25 Cukup setuju
16 Kepuasan Informasi US1 3,966667 Cukup setuju
17 Kinerja US2 3,85 Cukup setuju
18 Kepuasan Jasa US3 3,983333 Cukup setuju
19 Kinerja US4 4,091667 Cukup setuju
20 Efektifitas NB1 4,266667 Cukup setuju
21 Produktifitas NB2 4,333333 Setuju
22 Produktifitas NB3 4,258333 Cukup setuju
23 Keberadaan Informasi NB4 4,108333 Cukup setuju
24 Keberadaan Informasi NB5 4,075 Cukup setuju
Table 2: Nilai Rata – rata 4.3 Evaluasi Model
Untuk menganalisi data, peneliti menggunakan program SmartPLS. PLS tidak
mengasumsikan adanya distribusi tertentu untuk estimasi parameter, sehingga teknik parametrik untuk menguji signifikansi parameter tidak diperlukan, seperti yang diungkapkan Chin (1998) dalam Ghozali (2006). Model pengukuran atau outer model mengevaluasi validitas dan realibilitas.
Reliabilitas dievaluasi menggunakan cronbach alpha dan composite
reliability, sedangkan validitas dievaluasi dengan validitas konvergen dan validitas
diskriminan dari masing-masing indikatornya. Tetapi, menurut Werts et al. (1974) dalam Salisbury et al. (2002) dalam Jogiyanto et al. (2009), composite reliability lebih baik digunakan dalam teknik PLS, karena model struktural atau innermodel dievaluasi dengan melihat presentase variansi yang dijelaskan dengan melihat R-square untuk setiap variabel laten independen. Interpretasinya sama dengan interpretasi pada regresi.
4.4 Validasi model penelitian
Untuk memvalidasi model penelitian yang dibangun, diukur dua parameter
utama yang dibangun, yaitu pengujian validitas konstruk (konvergen dan diskriminan) dan pengujian konsistensi internal (reability) konstuk. Uji validitas
konstruk dapat diukur dengan parameter skor loading, AVE, communality, R2, dan
redundancy. Skor AVE harus > 0,5, communality > 0,5, dan redundancy mendekati 1.
Uji kehandalan (reliability) dapat dilihat dari nilai cronbach’s alpha dan nilai
composite reliability. Nilai cronbach’s alpha harus > 0,6 dan nilai composite reability
harus > 0,7.
4.4.1 Validitas konvergen
Jika skor dari dua instrument berbeda yang mengukur konstruk yang sama mempunyai korelasi tinggi maka perlu dilakukan validitas konvergen. Hal ini membuktikan bahwa alat ukur tersebut secara tepat mengukur konstruk yang dimaksud.
Untuk menguji validitas konvergen, syarat yang digunakan untuk pemeriksaan awal skor loading adalah memenuhi level 0,5 yang dianggap signifikan secara praktikal. Semakin tinggi nilai faktor loading, semakin penting peranan
loading dalam menginterpretasikan matrik faktor, (Hair et.al., 2006). Jika skor loading < 0,5 maka indikator dapat dihapus konstruknya karena tidak termuat (load)
ke konstruk yang mewakilinya. Jika skor loading antara 0,5 – 0,7 , penelitian tidak menghapus indikator tersebut sepanjang skor AVE dan Communality variabel > 0,5.
Variabel Indicator Outer Loadings
AVE Communality R2 Redudancy
System quality SQ1 0,7444 0,5921 0,5921 SQ2 0,7285 SQ3 0,8334 SQ4 0,6777 SQ5 0,7796 SQ6 0,7966 SQ7 0,8145 Service quality SERVQ1 0,8373 0,5725 0,5725 SERVQ2 0,8535 SERVQ3 0,6324 SERVQ4 0,6788 Information quality IQ1 0,706 0,6849 0,6849 IQ2 0,869 IQ3 0,8799 IQ4 0,8437 US1 0,8669 0,7392 0,7294 0,7734 0,4009
User Satisfaction US2 0,8909 US3 0,8755 US4 0,8031 Net Benefit NB1 0,8561 0,7257 0,7257 0,6072 0,4381 NB2 0,8733 NB3 0,794 NB4 0,868 NB5 0,8655
Table 3: Nilai Rata – rata
Berdasarkan tabel 3 dapat dinyatakan bahwa seluruh skor loading tidak ada
yang dibawah 0,5, sehingga tidak ada indikator yang harus dikeluarkan dari model, karena skor AVE dan Communality memenuhi syarat, yaitu > 0.5
4.4.2 Validitas Diskriminan
Validasi diskriminan adalah validasi jika dua instrument berbeda yang mengukur dua konstruk yang diprediksikan tidak berkorelasi menghasilkan skor-skor yang memang tidak berkorelasi (Hartono, 2008 dalam Jogiyanto, 2009). Hal ini membuktikan bahwa alat ukur secara tepat hanya mengukur konstuk yang diukur, bukan konstruk lain.
IQ NB SERVQ SQ US IQ (0,8275) NB 0,7889 (0,8518) SERVQ 0,7859 0,6061 (0,7517) SQ 0,7358 0,6732 0,6723 (0,7694) US 0,8309 0,7792 0,7378 0,7995 (0,8597)
AVE Akar AVE IQ 0,6849 0,8275 NB 0,7257 0,8518 SERVQ 0,5766 0,7517 SQ 0,5921 0,7694 US 0,7392 0,8597
Table 5: Akar AVE
Validitas diskriminan dapat dievaluasi dengan melihat akar AVE dan nilai korelasi antar variabel, dalam hal ini nilai akar AVE seharusnya lebih besar daripada korelasi antar variabel.( Fornel dan Lacker ,1981). Tabel 5 menunjukkan bahwa hampir seluruh nilai akar AVE pada konstruk lebih besar dibandingkan dengan korelasi antar konstruk lainnya, kecuali hubungan antara Information Quality dan
User Satisfaction dengan selisih 0,0034, System Quality dan User Satisfaction dengan
selisih 0,0301. Dengan ini maka dapat dikatakan validitas diskriminan termasuk baik, dengan pertimbangan variabel Information Quality, Service Quality, dan User
Satisfaction.
Dengan melihat cross loading pengukuran dengan konstruknya, validitas diskriminan juga dapat diukur. Pada tabel cross loading terlihat bahwa masing-masing indikator disuatu konstruk akan berbeda dengan indikator di konstruk lain dan mengumpul pada konstruk yang dimaksud. Dapat disimpulkan bahwa masing-masing indikator yang ada disuatu variabel laten memiliki perbedaan dengan indikator di variabel lain yang ditunjukkan dengan skor loading-nya lebih tinggi di konstruknya sendiri.
4.4.3 Uji Reliabilitas (Reliability)
Untuk mengevaluasi reliabilitas dapat dengan melihat cronbach dan
composite realibility. Suatu konstruk dinyatakan memenuhi realibilitas jika cronbach alpha > 0,6 dan composite reability > 0,7. Hal ini menunjukkan keakuratan,
kekonsistenan, dan ketetapan suatu alat ukur dalam melakukan suatu pengukuran.(Neuman, 2006)
Cronbachs Alpha Composite Reliability
IQ 0,8436 0,8962
NB 0,9053 0,9296
SERVQ 0,7516 0,8405
SQ 0,8844 0,91
US 0,882 0,9188
Table 6: Uji keandalan 4.5 Struktural Model (Inner Model)
Untuk mengevaluasi struktural model dapat dilakukan dengan melihat
R-square untuk konstruk dependen, serta ditunjukkan dengan t-hitung dan
path-coefficient. R-Square menunjukkan sejauh mana suatu konstruk dapat menjelaskan
model atau dengan kata lain untuk mengetahui besarnya pengaruh variabel laten independen tertentu terhadap variabel laten dependen dan apakah mempunyai pengaruh subtantif. Interpretasi R-square pada SmartPLS sama dengan interpretasi regresi. R- Square Redudancy IQ NB 0,6072 0,4381 SERVQ SQ
Table 7: Struktural model
Dari tabel 7 dapat disimpulkan bahwa model pertama menunjukkan Net benefit dapat dijelaskan oleh Information quality, Service quality, System quality sebesar 0,60.
User Satisfaction dapat dijelaskan oleh variabel Information quality, Service quality, System quality sebesar 0,77.
Model PLS juga dievaluasi dengan melihat square predictive relevance.
Q-square mengukur seberapa besar nilai observasi yang dihasilkan oleh model dan juga
estimasi parameternya. Nilai Q-square lebih besar dari nol berarti menunjukkan bahwa model memiliki predictive relevance, sedangkan nilai q-square kurang dari nol menunjukkan bahwa model kurang memiliki predictive relevance. Pada PLS Q-square ditunjukkan dalam tabel Redudancy (Ghozali, 2006). Maka, berdasarkan tabel 7 penelitian yang dihasilkan oleh model dan estimasi parameter dinilai baik.
4.6 Ujian Hipotesis
Uji hipotesis dilakukan dengan melihat statistik dan path-coefficient. Nilai t-statistik menunjukkan signifikansi konstruk, sedangkan path-coefficient menunjukkan sifat hubungan antar konstruk (positif atau negatif).
Konstruk Koefisien Beta T Statistik T Tabel (5%) T Tabel (1%) Hipotesis
SQ Æ US 0,3841 3,3112 1,65 2,32 Diterima
SERVQÆUS 0,1271 0,9763 1,65 2,32 Ditolak
IQÆUS 0,4484 3,793 1,65 2,32 Diterima
USÆNB 0,7792 16,4907 1,65 2,32 Diterima
Gambar 22: Bagan Hasil Uji Hipotesis (t-statistik)
Gambar 23: Bagan Hasil Uji Hipotesis (koefisien beta)
Untuk lebih mengetahui kerapatan dari hasil pengujian hipotesis, Uji-t dilakukan pengujian dengan menggunakan sig sebesar 5% atau 0,05 dan 1% atau 0,01. Hipotesis terdukung apabila nilai t-statistik lebih besar daripada nilai t-tabel. Nilai t-tabel sebesar 1,65 untuk sig sebesar 0,05 sedangkan nilai t-tabel sebesar 2,32 untuk sig sebesar 0,01. Koefisiean beta ( 0 sample estimate) mempunyai nilai positif untuk menjelaskan hubungan antara kedua variabel yang diteliti. Koefisien beta berada dalam rentan -1,0 hingga 1,0.
Hipotesis pertama (H1) menyatakan system quality berpengaruh positif
secara siqnifikan terhadap user satisfaction. Berdasarkan hasil perhitungan software SmartPLS 2.0 menunjukkan bahwa variabel system quality berpengaruh
positif secara signifikan terhadap user satisfaction dengan nilai koefisien beta sebesar 0,38 dan t-statistik 3,31. Maka, hipotesis pertama diterima. Hasil ini sesuai dengan penelitian Roldan dan Leal (2003), Livari (2005), Seddon dan Kiew (1996), McGill et al. (2000), Hussein (2004) dalam penelitian sektor public dan Wu Wang (2006) dalam penelitian e-commerce system yang menemukan hubungan positif antara kualitas sistem dengan kepuasan user.
Hipotesis kedua (H2) menyatakan service quality tidak berpengaruh
positif secara siqnifikan terhadap user satisfaction. Hasil perhitungan software SmartPLS 2.0 menunjukkan bahwa variabel service quality tidak memiliki pengaruh
positif secara signifikan terhadap user satisfaction dengan nilai koefisien beta sebesar 0,12 dan t-statistik 0,97. Berdasarkan hasil ini, hipotesis kedua tidak diterima / ditolak. Hasil ini tidak sesuai dengan penelitian Kusumasturi (2010) dan Agustin (2010) yang menyatakan bahwa terdapat hubungan positif antara kualitas layanan terhadap kepuasan user.
Hipotesis ketiga (H3) menyatakan information quality berpengaruh positif
secara siqnifikan terhadap user satisfaction. Perhitungan software SmartPLS 2.0
menghasilkan bahwa variabel information quality memiliki pengaruh positif secara signifikan terhadap user satisfaction dengan nilai koefisien beta sebesar 0,44 dan t-statistik sebesar 3,79. Dengan hasil ini menunjukkan bahwa hipotesis ketiga diterima. Hasil penelitian ini konsisten dengan Roldan dan Leal (2003), Seddon dan Kiew
(1996), McGill et al. (2000), Hussein (2004) yang menemukan hubungan positif antara kualitas informasi dengan kepuasan user.
Hipotesis keempat (H4) menyatakan user satisfaction berpengaruh positif
secara signifikan terhadap net benefit. Hasil perhitungan software SmartPLS 2.0
menunjukkan bahwa variabel user satisfaction berpengaruh positif secara signifikan terhadap net benefit dengan nilai koefisien beta sebesar 0,77 dan t-statistik 16,49. Maka hipotesis keempat diterima. Hasil penelitian ini sesuai dengan pernyataan Roldan dan Leal (2003). Livari (2005), McGill et al (2000) dan Wu dan Wang (2006) yang menemukan hubungan positif antara kepuasan user dan net benefit.
