ANALISIS TINGKAT PENERIMAAN IMPLEMENTASI JOBCARD BARCODING SYSTEM MENGGUNAKAN TECHNOLOGY ACCEPTANCE MODEL PADA UNIT BASE MAINTENANCE PT. GARUDA MAINTENANCE FACILITY AEROASIA
Putu Yoga Widhi Yasa, Patdono Suwignjo, dan Syarifa Hanoum
Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111
Email: putu.yoga.w@gmail.com ; patdono@ie.its.ac.id ; syarifa@ie.its.ac.id
ABSTRAK
PT. Garuda Maintenance Facility AeroAsia (PT. GMF AA) adalah perusahaan MRO (Maintenance, Repair and Overhaul) terbesar di Indonesia. Dalam upaya meningkatkan daya saingnya, PT. GMF AA melakukan improvement melalui penerapan Jobcard Barcoding System yang bertujuan untuk mencatat manhours dalam penyelesaian suatu pengerjaan secara akurat. Tujuan penelitian ini adalah untuk memodelkan tingkat penerimaan pengguna terhadap Jobcard Barcoding System pada unit Base Maintenance dengan Technology Acceptance Model (TAM) untuk kemudian dirancang suatu langkah-langkah perbaikan untuk meningkatkan tingkat penerimaan yang ada. Tingkat penerimaan diukur menggunakan kuesioner dan kemudian diuji keseuaiannya terhadap TAM menggunakan Structural Equation Modelling (SEM). Dari hasil penilaian dan pengujian dapat disimpulkan bahwa tingkat penerimaan user terhadap implementasi Jobcard Barcoding System masih cukup rendah. Berdasarkan model yang dihasilkan, dapat diusulkan tiga langkah perbaikan terhadap tingkat penerimaan tersebut.
Kata kunci: Jobcard Barcoding System; tingkat penerimaan; Technology Acceptance Model (TAM); Structural Equation Modelling (SEM).
ABSTRACT
PT. Garuda Maintenance Facility AeroAsia (PT. GMF AA) is the largest MRO (Maintenance, Repair, and Overhaul) company in Indonesia. To Increase it’s competitiveness, PT. GMF AA is applying Jobcard Barcoding System so it can record accurately manhours used to finish a task. The goal of this research is to modelling Jobcard Barcoding System user acceptance at Base Maintenance using Technology Acceptance Model (TAM) then using it to design improvement step. User acceptance measured using questionaire then examined it’s fitness to TAM using Structural Equation Modelling (SEM). From output of the questionaire and the test, we can conclude that user acceptance for Jobcard Barcoding System is still low. From the model, we can arrange three suggestions to increase the user acceptance of Actual Usage construct.
Keywords: Jobcard Barcoding System; user acceptance; Technology Acceptance Model (TAM); Structural Equation Modelling (SEM).
1. Pendahuluan
Industri Penerbangan merupakan salah satu industri dengan perkembangan yang cukup signifikan di Indonesia. Hal tersebut dapat dilihat dari indeks perkembangan industri penerbangan yang mencapai 15% dalam 4 tahun terakhir sebelum tahun 2009 (Detik finance, 30 Oktober 2009). Tidak hanya itu, industri penerbangan juga merupakan industri yang memiliki pengaruh besar terhadap pertumbuhan ekonomi dunia. Bahkan Oxford Economic memprediksi bahwa di tahun 2026 industri penerbangan akan menciptakan 60 juta lapangan pekerjaan dan pendapatan produk domestik
bruto (PDB) dunia sebesar 3,6 triliun dolar AS (Berita Sore, 30 Oktober 2009).
Perkembangan industri penerbangan akan meningkatkan jumlah kebutuhan akan perawatan dan perbaikan pesawat dari maskapai-maskapai penerbangan yang ada. Bertambahnya kebutuhan tersebut secara otomatis akan semakin meningkatkan persaingan antar industri jasa perawatan dan perbaikan pesawat (MROIndustry). Oleh karena
itu, setiap MROIndustry harus dapat melakukan
peningkatan terhadap setiap proses yang telah ada di dalam industri tersebut agar dapat merebut pangsa pasar yang lebih besar. PT.
Garuda Maintenance Facility AeroAsia (PT.
GMF AA) merupakan anak perusahaan dari PT. Garuda Indonesia yang bergerak di bidang industri jasa perawatan dan perbaikan pesawat (MRO Industry). Sebagai salah satu MRO Industry berskala internasional, PT.GMF AA
melayani perawatan dan perbaikan pesawat yang meliputi perawatan line Maintenance
hingga overhaul, perawatan dan perbaikan
mesin serta komponen pesawat, modifikasi dan juga melaksanakan cabin refurbinshment. Untuk
melaksanakan berbagai pelayanan tersebut, PT. GMF AA didukung oleh beberapa unit produksi antara lain Base Maintenance, Line Maintenance, Engine Maintenance, Component
Maintenance.
Untuk meningkatkan daya saingnya, PT. GMF AA berupaya untuk mengimplementasikan beberapa program yang diharapkan dapat meningkatkan produktifitas perusahaan. Salah satu program yang telah mulai diimplementasikan oleh perusahaan adalah Jobcard Barcoding System yang
bertujuan untuk me-record manhours secara
lebih tepat dan akurat. Latar belakang diimplementasikannya Jobcard Barcoding System ini adalah karena selama ini pencatatan
manhours yang telah dilakukan masih menggunakan cara manual. Hal tersebut menyebabkan tingginya unsur subjektifitas dan sering terjadinya rekayasa dalam pencatatan
manhours. Sehingga dengan adanya Jobcard Barcoding System diharapkan pencatatan
manhours aktual yang diterapkan akan memberikan hasil yang benar-benar akurat dan dapat menjadi input bagi penentuan standar manhours yang ada saat ini.
Namun dalam implementasi di lapangan, Jobcard Barcoding System belum
sepenuhnya dapat diterima oleh pihak-pihak yang berkaitan terutama oleh mekanik selaku pengguna langsung dari Jobcard Barcoding System. Hal ini dapat dilihat dari masih adanya
upaya mekanik untuk menolak penggunaan
barcode dalam pencatatan manhours dengan
masih tetap menggunakan pencatatan secara manual. Bahkan untuk beberapa pengerjaan pesawat, pencatatan manhours secara manual
mencapai 50% dari keseluruhan manhours
aktual yang tercatat sehingga data yang dihasilkan tidak seakurat yang diharapkan.
Oleh karena itu, dalam penelitian ini akan digunakan metode Technology Acceptance Model (TAM) yang akan memodelkan perilaku
pengguna atau user dalam penerimaan terhadap
implementasi teknologi baru, di dalam hal ini adalah teknologi Jobcard Barcoding System.
Metode TAM digunakan di dalam penelitian ini karena telah terbukti dapat menunjukkan tingkat penerimaan implementasi teknologi baru, khususnya yang berbasis komputasi, berdasarkan hasil fase percobaan implementasi awal dari teknologi baru tersebut. Hal tersebut sesuai dengan keadaan pada perusahaan yang saat ini sedang melaksanakan fase implementasi awal Jobcard Barcoding System. Dengan
demikian diharapkan metode tersebut dapat menangkap faktor-faktor utama dari perilaku
user dalam menerima teknologi baru. Hubungan
antara faktor-faktor dalam model tersebut kemudian akan diuji dengan menggunakan metode Structural Equation Modelling (SEM)
yang dibantu dengan software LISREL v8.30.
Dengan demikian akan diketahui faktor-faktor utama dalam perilaku penerimaan user yang
saling berhubungan. Dari faktor-faktor tersebut diharapkan dapat diketahui faktor-faktor yang menimbulkan penerimaan user terhadap
teknologi baru sehingga dapat disusun suatu langkah perbaikan untuk meningkatkan tingkat penerimaan user terhadap implementasi
teknologi barcode yang telah diterapkan.
Tujuan dari penelitian ini antara lain adalah memodelkan perilaku penerimaan user
terhadap implementasi Jobcard Barcoding System. Kemudian dari model yang telah diuji,
disusun suatu langkah perbaikan untuk meningkatkan tingkat penerimaan yang ada.
Manfaat yang dapat diperoleh dari penelitian ini yaitu memberikan masukan sebagai bahan pertimbangan perusahaan dalam menyusun suatu langkah perbaikan yang dapat meningkatkan penerimaan user terhadap
implementasi Jobcard Barcoding System.
Pembahasan penelitian ini dibatasi pada implementasi Jobcard Barcoding System di unit Base Maintenance PT GMF AA yang meliputi
perawatan pesawat wide body di Hangar 1 dan
perawatan pesawat narrow body di Hangar 3.
Selain itu, Data yang digunakan di dalam penelitian merupakan data primer berupa kuesioner tanggapan atau perilaku user terhadap
implementasi Jobcard Barcoding System dari
menggunakan beberapa asumsi yaitu tidak terjadi perubahan proses perawatan pesawat maupun perubahan kebijakan dalam prosedur perawatan pesawat oleh pihak manajemen perusahaan. Asumsi lain yang digunakan adalah Tidak terdapat perubahan prosedur pelaksanaan pencatatan manhours dengan Jobcard Barcoding System oleh pihak manajemen
perusahaan.
2. Metodologi Penelitian
Metodologi penelitian dibuat agar dalam penelitian ilmiah yang dilaksanakan tidak ada langkah yang terlewati sehingga tujuan penelitian tersebut dapat tercapai secara sistematis. Pembuatan metodologi penelitian tersebut disesuaikan dengan permasalahan apa yang akan diselesaikan.
Tahap identifikasi masalah dilakukan melalui proses brainstorming dengan berbagai
pihak yang terkait dengan implementasi Jobcard Barcoding System pada unit Base Maintenance
yang meliputi Tim Manhours Productivity, dan
pihak internal unit Base maintenance PT. GMF
AA. Selain itu, juga dilakukan observasi lapangan mengenai kondisi implementasi
Jobcard Barcoding System pada unit Base Maintenance. Tujuan dari pelaksanaan proses
brainstorming dan observasi lapangan tersebut adalah untuk memperoleh gambaran lengkap mengenai proses perawatan dan perbaikan pesawat terbang. Disamping itu, juga diharapkan dapat diperoleh gambaran mengenai proses dan kondisi implementasi Jobcard
Barcoding System dilapangan beserta
permasalahan yang terjadi. Setelah dilakukan identifikasi permasalahan, langkah selanjutnya adalah merumuskan permasalahan yang terdapat pada objek penelitian, yaitu implementasi
Jobcard Barcoding System, serta menetapkan
tujuan yang ingin dicapai dalam penelitian yang akan dilakukan. Penetapan tujuan dilakukan agar penelitian memiliki arah yang jelas.
Selanjutnya dilakukan tahap studi pustaka dan literatur yang merupakan tahap pendalaman materi tentang permasalahan yang akan diangkat. Dimana guna mendukung pelaksanaan penelitian, diberikan wawasan dan landasan teori yang cukup seputar metode maupun solusi yang akan diimplementasikan sesuai dengan kondisi objek penelitian. Pada tahap ini dilakukan pemilihan TAM sebagai model dasar yang digunakan didalam penelitian.
Pemilihan TAM sebagai model dasar yang digunakan didalam penelitian didasarkan pada kondisi penerimaan user dilapangan. Dari hasil
wawancara yang telah dilakukan, dapat diketahui bahwa penyebab munculnya resistensi
user dikarenakan belum dirasakannya manfaat
dan kemudahan penggunaan Jobcard Barcoding System. Hal tersebut sesuai dengan metode
TAM yang menjelaskan bahwa tingkat penerimaan user dipengaruhi persepsi
kemudahan penggunaan dan persepsi kemanfaatan dari teknologi baru tersebut. Pada saat yang bersamaan dilakukan tahap perencanaan penelitian yaitu suatu tahap perencanaan mengenai langkah–langkah yang harus ditempuh dalam pelaksanaan penelitian. Pembuatan perencanaan ini bertujuan untuk memberikan koridor atau tahap yang jelas terhadap pelaksanaan penelitian. Sehingga pelaksanaan penelitian dapat berjalan secara sistematis.
Tahap selanjutnya adalah tahap pengumpulan data, dimana tahap pertama yang harus dilakukan adalah tahap pembuatan kuesioner. Pada tahap pembuatan kuesioner dilakukan penyusunan kuesioner berdasarkan indikator-indikator yang menjelaskan variabel-variabel atau construct dari TAM yang
digunakan di dalam penelitian. Indikator-indikator tersebut dibentuk berdasarkan beberapa penelitian yang telah dilakukan sebelumnya serta berdasarkan kondisi riil dilapangan. Tahap selanjutnya adalah tahap penyebaran kuesioner. Tahap ini dilakukan dengan menyebarkan kuesioner yang telah dibuat kepada pihak-pihak yang terkait.
Berdasarkan data yang telah diperoleh pada langkah sebelumnya, selanjutnya dilakukan pengolahan data berdasarkan metode SEM yang digunakan pada penelitian ini. Pengolahan data ini dilakukan sesuai dengan langkah-langkah di dalam metode SEM dengan bantuan software LISREL v8.30. Tahap awal
yang harus dilakukan adalah tahap pengembangan model berbasis teori. Tahap ini merupakan tahapan awal dari proses SEM. Pada tahapan ini dilakukan pengembangan model berdasarkan konsep teori yang telah terdefinisikan sebelumnya dimana teori yang digunakan adalah TAM. Dimana fokus utama dari penelitian ini adalah untuk mengetahui tingkat penerimaan user terhadap implementasi Jobcard Barcoding System. Di dalam penjelasan
tentang metode TAM pada bab II, terdapat 6 variabel atau construct yang menyusun metode
TAM tersebut. Namun dari keseluruhan
construct tersebut, hanya 5 construct yang
digunakan secara umum. Construct tersebut
meliputi Perceived Ease of Use, Perceived Usefulness, Attitude Toward Using, Behavioral Intention dan Actual Usage. Oleh karena itu, di
dalam penelitian ini digunakan 5 construct
seperti yang telah dijelaskan tersebut. Berdasarkan model TAM yang digunakan sebagai model dasar di dalam penelitian, maka dapat dirumuskan beberapa hipotesis yang akan diuji didalam penelitian ini, yaitu :
H1: Variabel atau construct laten Perceived Usefulness dipengaruhi secara langsung
oleh variabel laten Perceived Ease Of Use.
H2: Variabel atau construct laten Attitude Toward Using dipengaruhi secara
langsung oleh variabel laten Perceived Ease Of Use dan Perceived Usefulness.
H3: Variabel atau construct laten Behavioral Intention dipengaruhi secara langsung
oleh variabel laten Attitude Toward Using
dan Perceived Usefulness.
H4: Variabel atau construct laten Actual Use
dipengaruhi secara langsung oleh variabel laten Behavioral Intention.
Tahap selanjutnya adalah tahap mengkonstruksi diagram alur atau path diagram. Tahap tersebut dilakukan dengan
menggambarkan model ke dalam bentuk path diagram. Tujuan pembentukan path diagram
adalah untuk memberikan kemudahan dalam mengetahui hubungan kausalitas variabel-variabel yang diuji, yang meliputi variabel-variabel eksogen dan endogen. Selanjutnya adalah tahap estimasi parameter, dimana pada tahap ini dilakukan estimasi terhadap parameter-parameter yang telah ditentukan sebelumnya. Dari hasil estimasi tersebut diharapkan akan dapat diketahui kedekatan antara matriks kovarians prediksi dengan matriks kovarians suatu sampel data. Kemudian dilakukan tahap uji kecocokan model dengan melakukan pengukuran terhadap kesesuaian model yang dihipotesiskan. Tujuan dari pengukuran tersebut adalah untuk mengetahui apakah model yang kita hipotesiskan merupakan model yang dapat merepresentasikan hasil dari penelitian yang dilakukan. Apabila terjadi ketidakcocokan
model maka perlu dilakukan langkah respesifikasi model untuk memodifikasi model yang dihipotesiskan dan kemudian dilakukan pengulangan proses kembali dari tahap konstruksi diagram alur. Setelah itu dilakukan tahap konversi diagram alur ke dalam persamaan. Pada tahap ini, hubungan kausalitas yang telah dibuat di dalam path diagram yang telah dinyatakan valid kemudian diubah kedalam bentuk persamaan. Adapun tujuan dari langkah ini adalah untuk mengetahui nilai dari hubungan kausalitas antar variabel tersebut berdasarkan persamaan yang telah ditentukan tersebut.
Setelah dilakukan pengolahan data dengan metode SEM, maka tahap selanjutnya adalah tahap analisis dan interpretasi data. Tahap pertama yang harus dilakukan adalah tahap analisis hasil pengolahan SEM dimana tahap tersebut dilakukan dengan melakukan analisa terhadap pengolahan data yang telah dilakukan dengan metode SEM menggunakan software LISREL v8.30. Analisis yang dilakukan meliputi analisis terhadap setiap langkah SEM yang telah digunakan di dalam pengolahan kuesioner. Dari hasil analisa ini akan dapat diketahui kecocokan model yang dapat menggambarkan tingkat penerimaan user
terhadap implementasi Jobcard Barcoding System dilapangan. Tahap tersebut kemudian
dilanjutkan dengan tahap analisis tahap-tahap perbaikan. Tahap analisis langkah-langkah perbaikan dilakukan berdasarkan hasil pengolahan data sebelumnya yang dapat menggambarkan tingkat penerimaan user
terhadap implementasi Jobcard Barcoding System dilapangan. Dari model atau gambaran
tersebut kemudian disusun suatu langkah perbaikan yang diharapkan dapat memecahkan hambatan implementasi Jobcard Barcoding System sehingga dapat meningkatkan tingkat
penerimaan user dilapangan. Kemudian tahap
tersebut dilanjutkan dengan tahap penarikan kesimpulan dan saran sebagai tahap terakhir di dalam penelitian.
3. Pengumpulan dan Pengolahan Data 3.1 Survey Tingkat Penerimaan Jobcard
Barcoding System
Di dalam memodelkan tingkat penerimaan user terhadap implementasi Jobcard Barcoding System dengan model TAM,
kuesioner. Kuesioner yang digunakan harus dapat menggambarkan tingkat penerimaan user
terhadap Jobcard Barcoding System dilapangan.
Oleh karena itu di dalam proses penyusunan kuesioner, pertanyaan yang digunakan di dalam kuesioner tersebut harus disesuaikan dengan indikator-indikator yang dapat menjelaskan
construct di dalam metode TAM yang
digunakan di dalam penelitian. Seperti penjelasan tentang metode TAM pada bab II, terdapat 6 variabel atau construct yang
menyusun metode TAM tersebut. Namun dari keseluruhan construct tersebut, hanya 5 construct yang digunakan secara umum. Construct tersebut meliputi Perceived Ease of Use (PEOU), Perceived Usefulness (PU), Attitude Toward Using (ATU), Behavioral Intention (BI), dan Actual Usage (AU). Oleh
karena itu, di dalam penelitian ini digunakan 5
construct seperti yang telah dijelaskan. Tabel
3.1 merupakan penjelasan mengenai construct
TAM dan indikatornya yang digunakan di dalam penelitian ini :
Tabel 3.1 Construct dan Indikator TAM No
Variabel/Construct
TAM Indikator Sumber
1 Perceived Ease of
Use (PEOU) Mudahdipelajari untuk
(PEOU1) Davis (1989) Kemudahan untuk digunakan (PEOU2) Davis (1989) Kemudahan untuk dipahami (PEOU3) Davis (1989) Kemudahan untuk diingat (PEOU4) Davis (1989) Ketersediaan petunjuk penggunaan (PEOU5) Davis (1989) Kemudahan untuk mengakses (PEOU6) Berdasarkan kondisi riil 2 Perceived Usefulness (PU) Memberikan hasil yang akurat (PU1) Berdasarkan kondisi riil Menjawab kebutuhan (PU2) Davis (1989)
Kontrol bagi pekerjaan
(PU3) Davis (1989) Penting bagi pekerjaan (PU4) Davis (1989) Menjadikan pekerjaan lebih mudah (PU5) Davis (1989) Meningkatkan produktivitas user (PU6) Davis (1989) Memotong waktu
yang tidak produktif
(PU7)
Davis (1989)
3 Attitude Toward Using (ATU)
Rasa suka dalam
menggunakan (ATU1) Lin et al (2008) Penggunaan menimbulkan antusiasme (ATU2) Lin et al (2008) Keinginan untuk menggunakan secara mandiri (ATU3) Berdasarkan kondisi riil 4 Behavioral Intention (BI)
Motivasi untuk tetap
menggunakan (BI1) Lin et al (2008) Rencana tetap menggunakan dimasa depan (BI2) Lin et al (2008) Memotivasi pengguna lain untuk menggunakan (BI3) Berdasarkan kondisi riil Motivasi untuk memberi masukan
bagi penggunaan (BI4)
Berdasarkan kondisi riil 5 Actual Usage (AU) Kejujuran dalam penggunaan (AU1) Berdasarkan kondisi riil Kesesuaian dengan prosedur (AU2) Berdasarkan kondisi riil Kepuasan Penggunaan (AU3) Berdasarkan kondisi riil Kenyamanan dalam penggunaan (AU4) Berdasarkan kondisi riil
Setelah dilakukan penyusunan kuesioner, maka langkah selanjutnya di dalam penelitian ini adalah penyebaran kuesioner tersebut. Penyebaran kuesioner dilakukan pada unit Base Maintenance PT. GMF AA, dimana
responden dari kuesioner tersebut adalah leader mechanic, dan mekanik selaku pengguna
langsung dari Jobcard Barcoding System.
Jumlah kuesioner yang disebarkan berjumlah 150 lembar kuesioner, dimana jumlah kuesioner yang kembali dan dapat diolah lebih lanjut adalah sebanyak 106 lembar kuesioner. Hal tersebut sesuai dengan jumlah sampel yang dibutuhkan oleh metode SEM yang digunakan di dalam penelitian ini, dimana jumlah sampel
data yang disarankan adalah berkisar antara 100 hingga 200 data (Yamin dan Kurniawan, 2009). 3.2 Konstruksi Diagram Alur
Setelah construct TAM dan
indikatornya telah disusun di dalam langkah selanjutnya, maka langkah selanjutnya adalah menggambarkan construct TAM dan indikator
tersebut kedalam bentuk path diagram. Tujuan
penggambaran path diagram adalah untuk
mengetahui hubungan kausalitas antara variable-variabel yang diuji di dalam penelitian ini. Gambar 3.1 adalah path diagram awal yang
menjelaskan permasalahan penelitian :
PEOU PEOU1 PEOU6 PEOU5 PEOU4 PEOU3 PEOU2 AU BI ATU PU PU1 PU6 PU5 PU4 PU3 PU2 PU7 ATU1 ATU3 ATU2 BI1 AU2 AU1 BI4 BIU3 BI2 AU3 AU4 λ λ ξ η γ γ β β β β
Gambar 3.1 Path Diagram Model TAM
3.3 Uji Normalitas
Menurut Yamin dan Kurniawan (2009), asumsi yang harus dipenuhi sebelum melakukan pengolahan data dengan metode SEM adalah normalitas (normality) data. Uji Normalitas
dilakukan dengan menggunakan software
LISREL v8.30. Uji normalitas yang dilakukan menghasilkan univariate normality dan multivariate normality. Hasil univariate normality menunjukkan bahwa semua indikator
berdistribusi normal. Sedangkan pada
multivariate normality terdapat beberapa
variabel yang tidak berdistribusi normal. Menurut Yamin dan Kurniawan (2009) untuk data yang tidak memenuhi asumsi normal
multivariate dapat diatasi dengan menambahkan asymptotic covariance matrix pada input data.
3.4 Confirmatory Factor Analysis (CFA)
CFA digunakan untuk menguji tingkat validitas dan reliabilitas dari variabel manifest
atau indikator-indikator terhadap masing-masing
construct latennya. Nilai validitas dapat
diketahui dari nilai t-statistik muatan faktor ( t-value) dan faktor loadingnya (λ) yang dapat
dilihat dari model t-value dan standardized solution. Sedangkan reliabilitas dapat diketahui
dengan menghitung construct reliability dan variance extracted.
3.4.1 CFA Perceived Ease Of Use (PEOU) Nilai validitas dapat diketahui dari nilai t-statistik muatan faktor (t-value) dan faktor loading (λ). Pada Tabel 3.5 berikut ini akan
dijelaskan mengenai nilai t-value dan faktor loading untuk construct PEOU :
Tabel 3.5 Nilai t-statistik dan Faktor Loading Construct PEOU Indikator t-statisti k keterangan faktor loading keterangan
PEOU1 - referencevariabel 0,91 Baik PEOU2 14,62 Baik 0,89 Baik PEOU3 12,03 Baik 0,84 Baik PEOU4 8,30 Baik 0,72 Baik PEOU5 2,53 Baik 0,28 Kurang Baik PEOU6 4,10 Baik 0,45 Kurang Baik
Berdasarkan nilai pada tabel dapat diketahui bahwa indikator PEOU1 tidak memiliki nilai t-statistik dikarenakan indikator PEOU1 adalah variabel reference yaitu indikator yang dianggap
paling mewakili construct laten PEOU.
Sedangkan nilai t-statistik dari indikator yang lain lebih besar dari 1,96 sehingga dapat disimpulkan bahwa tingkat validitas berdasarkan t-statistik untuk semua indikator adalah baik. Sedangkan berdasarkan nilai faktor
loading, dapat diketahui bahwa terdapat 2
indikator, yaitu PEOU5 dan PEOU6, memiliki nilai faktor loading kurang dari 0,5. Hal tersebut
menunjukkan bahwa kedua indikator tersebut memiliki kontribusi yang rendah dalam menggambarkan construct laten PEOU dan
dapat dipertimbangkan untuk dihilangkan. Langkah selanjutnya adalah melakukan uji kecocokan model. Beberapa ukuran yang digunakan adalah uji kecocokan chi-kuadrat,
root mean square error (RMR), goodness of fit index (GFI), root mean square error of approximation (RMSEA), adjusted goodness of fit index (AGFI), comparative fit index (CFI), normed fit index (NFI), incremental fit index
menguraikan penjelasan mengenai hasil uji kecocokan model yang digunakan :
Tabel 3.6 Uji Kecocokan Model Construct PEOU Parameter uji kecocokan model Cut off value Nilai output Keterangan Satorra-Bentler
Scaled Chi-Square ≥ 0,05 0,12 model fit Chi-Square
Corrected for
Non-Normality ≥ 0,05 0,0022 model tidak fit
GFI ≥ 0,9 0,95 model fit
RMR < 0,05 0,052 model tidak fit
RMSEA ≤ 0,08 0,074 model fit
AGFI ≥ 0,9 0,88 marginal fit
CFI ≥ 0,9 0,97 good fit
NFI ≥ 0,10 0,95 good fit
IFI ≥ 0,11 0,97 good fit
RFI ≥ 0,12 0,91 good fit
Dari hasil uji kecocokan model dapat diketahui bahwa beberapa parameter atau ukuran uji kecocokan model yaitu Chi-Square Corrected for Non-Normality dan RMR menunjukkan
bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi model dengan menghilangkan indikator PEOU5 dan PEOU6 yang memiliki tingkat validitas kurang baik. Pada Tabel 3.7 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading
untuk construct PEOU setelah modifikasi : Tabel 3.7 Nilai t-statistik dan Faktor Loading
Construct PEOU Setelah Modifikasi
Indikator t-statisti k keterangan faktor loading keterangan
PEOU1 - referencevariabel 0,92 Baik
PEOU2 15,15 Baik 0,89 Baik
PEOU3 12,21 Baik 0,84 Baik
PEOU4 8,19 Baik 0,71 Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih
besar dari 0,5 sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct laten PEOU.
Langkah selanjutnya adalah uji kecocokan model setelah modifikasi yang dapat dilihat pada tabel 3.8.
Tabel 3.8 Uji Kecocokan Model Construct PEOU Setelah Modifikasi
Parameter uji Cut off Nilai Keteran
kecocokan model value output gan
Satorra-Bentler
Scaled Chi-Square ≥ 0,05 0,43 model fit Chi-Square Corrected
for Non-Normality ≥ 0,05 0,41 model fit
GFI ≥ 0,9 0,99 model fit
RMR < 0,05 0,014 model fit
RMSEA ≤ 0,08 0,00 model fit
AGFI ≥ 0,9 0,95 good fit
CFI ≥ 0,9 1,00 good fit
NFI ≥ 0,9 0,99 good fit
IFI ≥ 0,9 1,00 good fit
RFI ≥ 0,9 0,98 good fit
Dari hasil uji kecocokan model yang telah dimodifikasi, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik.
Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah
sebesar 0,91, sedangkan nilai variance extracted
adalah sebesar 0,71. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct PEOU memiliki reliabilitas yang
tinggi.
3.4.2 CFA Perceived Usefulness (PU)
Pada Tabel 3.9 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor loading
untuk construct PU :
Tabel 3.9 Nilai t-statistik dan Faktor Loading Construct PU Indikator t-statisti k keterangan faktor loading keterangan
PU1 8,44 Baik 0.78 Baik
PU2 - referencevariabel 0,81 Baik
PU3 9,09 Baik 0,85 Baik
PU4 7,12 Baik 0,72 Baik
PU5 6,53 Baik 0,72 Baik
PU6 7,06 Baik 0,72 Baik
PU7 7,23 Baik 0,62 Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih
besar dari 0,5 sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct laten PU. Langkah
selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.10.
Tabel 3.10 Uji Kecocokan Model Construct PU Parameter uji kecocokan model Cut off value Nilai output Keterangan Satorra-Bentler
Scaled Chi-Square ≥ 0,05 0,0093 model tidak fit Chi-Square
Corrected for
Non-Normality ≥ 0,05 0,031 model tidak fit
GFI ≥ 0,9 0.89 model tidak fit
RMR < 0,05 0,049 model fit
RMSEA ≤ 0,08 0,10 model tidak fit AGFI ≥ 0,9 0,78 model tidak fit
CFI ≥ 0,9 0,93 good fit
NFI ≥ 0,9 0,90 good fit
IFI ≥ 0,9 0,93 good fit
RFI ≥ 0,9 0,85 marginal fit
Berdasarkan hasil uji kecocokan model dapat diketahui bahwa perlu dilakukan modifikasi terhadap construct PU. Tabel 3.11 menjelaskan
mengenai nilai t-statistik dan faktor loading dari construct PU setelah modifikasi.
Tabel 3.11 Nilai t-statistik dan Faktor Loading Construct PU Setelah Modifikasi
Indikator t-statistik keterangan faktor
loading keterangan
PU1 8,02 Baik 0,73 Baik
PU2 - referencevariabel 0,77 Baik
PU3 8,07 Baik 0,86 Baik
PU4 7,14 Baik 0,74 Baik
PU5 6,35 Baik 0,74 Baik
PU6 7,29 Baik 0,74 Baik
PU7 7,09 Baik 0,61 Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator tetap memiliki nilai t-statistik lebih besar dari 1,96 dan nilai faktor loading
lebih besar dari 0,5. Uji kecocokan model setelah modifikasi dapat dilihat pada tabel 3.12.
Tabel 3.12 Uji Kecocokan Model Construct PU Setelah Modifikasi Parameter uji kecocokan model Cut off value Nilai output Keterangan Satorra-Bentler Scaled
Chi-Square ≥ 0,05 0,12 model fit Chi-Square Corrected for
Non-Normality ≥ 0,05 0,056 model fit
GFI ≥ 0,9 0,93 model fit
RMR < 0,05 0,043 model fit RMSEA ≤ 0,08 0,066 model fit AGFI ≥ 0,9 0,85 marginal fit
CFI ≥ 0,9 0,96 good fit
NFI ≥ 0,9 0,93 good fit
IFI ≥ 0,9 0,96 good fit
RFI ≥ 0,9 0,89 marginal fit
Dari hasil uji kecocokan model yang telah dimodifikasi, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik.
Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah
sebesar 0,90, sedangkan nilai variance extracted
adalah sebesar 0,55. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct PU memiliki reliabilitas yang tinggi.
3.4.3 CFA Attitude Toward Using (ATU)
Pada Tabel 3.13 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor
loading untuk construct ATU :
Tabel 3.13 Nilai t-statistik dan Faktor Loading Construct ATU Indikator t-statisti k keterangan faktor loading keterangan
ATU1 - referencevariabel 0,82 Baik
ATU2 6,05 Baik 0,94 Baik
ATU3 4,67 Baik 0,46 Kurang Baik
Berdasarkan tabel dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Sedangkan untuk nilai faktor loading, hanya
indikator ATU3 yang memiliki nilai faktor
loading lebih kecil dari 0,5 sehingga memiliki
kontribusi yang rendah dan dapat dipertimbangkan untuk dihilangkan.
Kemudian dilakukan uji kecocokan model yang dapat dilihat pada tabel 3.14.
Tabel 3.14 Uji Kecocokan Model Construct ATU Parameter uji kecocokan model Cut off value Nilai output Keterangan Normal Theory ≥ 0,05 1,00 model fit
Weighted Least Squares Chi-Square
RMSEA ≤ 0,08 0,00 model fit
Hasil uji kecocokan model yang muncul pada output software LISREL v8.30 menunjukkan saturated model. Hasil tersebut menandakan
bahwa model construct ATU merupakan model
saturasi, yaitu model yang memiliki tingkat kecocokan model-data yang terbaik sehingga indikator ATU3 tidak perlu dihilangkan.
Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah
sebesar 0,80, sedangkan nilai variance extracted
adalah sebesar 0,59. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct ATU memiliki reliabilitas yang tinggi.
3.4.4 CFA Behavioral Intention (BI)
Pada Tabel 3.15 berikut ini akan dijelaskan mengenai nilai t-statistik dan faktor
loading untuk construct BI :
Tabel 3.15 Nilai t-statistik dan Faktor Loading Construct BI Indikato r t-statisti k keterangan faktor loading keterangan
BI1 - referencevariabel 0,82 Baik
BI2 13,47 Baik 0,96 Baik
BI3 13,02 Baik 0,80 Baik
BI4 6,06 Baik 0,59 Baik
Berdasarkan tabel diatas dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Selain itu, semua indikator juga memiliki nilai faktor loading yang lebih besar dari 0,5
sehingga semua indikator memiliki kontribusi yang tinggi dalam menggambarkan construct
laten BI. Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.16.
Tabel 3.16 Uji Kecocokan Model Construct BI Parameter uji kecocokan model Cut off value Nilai output Keterangan Satorra-Bentler
Scaled Chi-Square ≥ 0,05 0,72 model fit Chi-Square
Corrected for
Non-Normality ≥ 0,05 0,76 model fit
GFI ≥ 0,9 1,00 model fit
RMR < 0,05 0,013 model fit
RMSEA ≤ 0,08 0,00 model fit
AGFI ≥ 0,9 0,98 good fit
CFI ≥ 0,9 1,00 good fit
NFI ≥ 0,9 1,00 good fit
IFI ≥ 0,9 1,00 good fit
RFI ≥ 0,9 0,99 good fit
Dari hasil uji kecocokan model, dapat diketahui bahwa semua parameter atau ukuran yang digunakan menunjukkan bahwa model yang telah dimodifikasi memiliki tingkat model fit yang baik.
Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah
sebesar 0,88, sedangkan nilai variance extracted
adalah sebesar 0,65. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct BI memiliki reliabilitas yang tinggi.
3.4.5 CFA Actual Usage (AU)
Pada Tabel 3.17 berikut ini akan dijelaskan mengenai nilai t-statistik untuk
construct AU :
Tabel 3.17 Nilai t-statistik Construct AU
Indikator t-statistik keterangan
AU1 - variabel reference
AU2 4,97 Baik
AU3 4,54 Baik
AU4 0,94 Tidak Baik
Berdasarkan nilai t-statistik dapat diketahui bahwa indikator AU4 memiliki nilai t-statistik yang lebih rendah dari 1,96. Hal tersebut menunjukkan bahwa indikator AU4 tidak valid dalam menggambarkan construct laten AU dan
model yang ada harus dimodifikasi.
Tabel 3.18 berikut ini menjelaskan tentang nilai t-statistik dan faktor loading untuk construct AU setelah modifikasi:
Tabel 3.18 Nilai t-statistik dan Faktor Loading Construct AU Setelah Modifikasi
Indikato r t-statisti k keterangan faktor loading keterangan
AU1 - referencevariabel 0,72 Baik
AU2 4,89 Baik 0,98 Baik
Berdasarkan tabel dapat diketahui bahwa semua indikator memiliki nilai t-statistik lebih besar dari 1,96 sehingga dapat disimpulkan semua indikator memiliki tingkat validitas yang baik. Sedangkan untuk nilai faktor loading, hanya
indikator AU3 yang memiliki nilai faktor
loading lebih kecil dari 0,5 sehingga memiliki
kontribusi yang rendah dan dapat dipertimbangkan untuk dihilangkan.
Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.19.
Tabel 3.19 Uji Kecocokan Model Construct AU Setelah Modifikasi Parameter uji kecocokan model Cut off value Nilai output Keterangan Normal Theory Weighted Least
Squares Chi-Square ≥ 0,05 1,00 model fit Satorra-Bentler Scaled
Chi-Square ≥ 0,05 1,00 model fit
RMSEA ≤ 0,08 0,00 model fit
Hasil uji kecocokan model yang muncul pada output software LISREL v8.30 menunjukkan saturated model sehingga indikator AU3 tidak
perlu dihilangkan.
Untuk mengetahui tingkat reliabilitas dari tiap indikator dapat dilakukan dengan menghitung construct reliability dan variance extracted. Nilai construct reliability adalah
sebesar 0,79, sedangkan nilai variance extracted
adalah sebesar 0,57. Indikator dikatakan memiliki tingkat reliabilitas yang baik apabila nilai construct reliability-nya > 0,7 dan nilai variance extracted-nya > 0,5. Dengan demikian construct AU memiliki reliabilitas yang tinggi.
3.5 Structural Equation Modelling
Setelah CFA dilakukan untuk tiap
construct beserta indikator masing-masing,
maka langkah selanjutnya adalah melakukan analisis model persamaan struktural sesuai keseluruhan model dasar TAM yang digunakan. Di dalam tahap ini akan ditinjau hubungan antara seluruh variabel atau construct di dalam
model TAM yang meliputi construct PEOU,
PU, ATU, BI, dan AU. Gambar 3.2 dan 3.3 menjelaskan tentang analisis model persamaan struktural yang telah dilakukan.
Gambar 3.2 Full Structural Equation Modelling Model TAM untuk t-values
Gambar 3.3 Full Structural Equation Modelling Model TAM untuk Standardized Solution
Berdasarkan hasil analisis model persamaan structural dapat diketahui bahwa nilai t-statistik dari semua construct yang saling berhubungan
lebih besar dari 1,96 sehingga memiliki validitas yang baik. Sedangkan berdasarkan path diagram tersebut, dapat diketahui bahwa untuk
hubungan PEOU-ATU dan PU-BI memiliki
path coefficient atau nilai pengaruh yang paling
kecil.
Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.20.
Tabel 3.20 Uji Kecocokan Model Full Structural Equation Modelling Model TAM Parameter uji kecocokan model Cut off value Nilai output Keterangan
Normal Theory Weighted Least Squares Chi-Square
≥ 0,05 0,00 model tidak fit
GFI ≥ 0,9 0,76 model tidak fit
RMR < 0,05 0,089 model tidak fit RMSEA ≤ 0,08 0,091 model tidak fit AGFI ≥ 0,9 0,70 model tidak fit
CFI ≥ 0,9 0,87 marginal fit
NFI ≥ 0,9 0,78 model tidak fit
IFI ≥ 0,9 0,87 marginal fit
RFI ≥ 0,9 0,75 model tidak fit
Dari hasil uji kecocokan model dapat diketahui bahwa sebagian besar parameter atau ukuran uji kecocokan model yang digunakan menunjukkan bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi model agar diperoleh tingkat model fit yang baik.
Modifikasi dilakukan atas dasar estimasi perbaikan yang terdapat pada output software LISREL v8.30. Berdasarkan nilai t-statistik yang terbentuk dari modifikasi yang dilakukan, hubungan antara construct PU terhadap BI
memiliki nilai t-statistik < 1,96. Oleh karena itu, dapat disimpulkan bahwa hubungan antara
construct PU terhadap BI tidak valid sehingga
harus dilakukan modifikasi model kembali. Gambar 3.4 dan 3.5 menunjukkan hasil analisis model persamaan struktural yang telah dimodifikasi.
Gambar 3.4 Full Structural Equation Modelling Model TAM untuk t-values Setelah Modifikasi
Gambar 3.5 Full Structural Equation Modelling Model TAM untuk Standardized Solution Setelah
Modifikasi
Berdasarkan hasil analisis model persamaan structural dapat diketahui bahwa nilai t-statistik dari semua construct yang saling berhubungan
lebih besar dari 1,96 sehingga memiliki validitas yang baik.
Langkah selanjutnya adalah uji kecocokan model yang dapat dilihat pada tabel 3.21.
Tabel 3.20 Uji Kecocokan Model Full Structural Equation Modelling Model TAM Setelah Modifikasi
Parameter uji kecocokan model Cut off value Nilai output Keterangan
Normal Theory Weighted Least Squares
Chi-Square ≥ 0,05 0,00 model tidak fit GFI ≥ 0,9 0,82 model tidak fit RMR < 0,05 0,069 model tidak fit RMSEA ≤ 0,08 0,066 model fit AGFI ≥ 0,9 0,75 model tidak fit
CFI ≥ 0,9 0,93 good fit
NFI ≥ 0,9 0,84 marginal fit
IFI ≥ 0,9 0,94 good fit
RFI ≥ 0,9 0,81 marginal fit
Dari uji kecocokan model yang dilakukan dapat diketahui bahwa sebagian besar parameter atau ukuran uji kecocokan model menyatakan bahwa
full structural equation modeling model TAM
yang telah dimodifikasi adalah model fit. 4. Analisis dan Interpretasi Data
Pada tahap ini akan dijelaskan mengenai analisis dan interpretasi dari hasil proses pengumpulan dan pengolahan data yang telah dilakukan sebelumnya. Proses analisis ini dilakukan untuk menterjemahkan model dasar
TAM yang digunakan di dalam penelitian dengan hasil pengujian metode SEM.
4.1 Analisis Hasil Penilaian Kuesioner
Berdasarkan hasil penilaian kuesioner yang telah disebarkan dapat diketahui rata-rata penilaian para pengguna terhadap variabel atau
construct TAM beserta tiap indikatornya. Construct yang memiliki nilai penerimaan
paling rendah oleh para pengguna adalah
construct AU yaitu sebesar 3,19.
4.2 Analisis CFA Perceived Ease Of Use (PEOU)
Berdasarkan nilai faktor loading,
tingkat validitas untuk indikator PEOU1, PEOU2, PEOU3, dan PEOU4 adalah baik. Sedangkan indikator PEOU5 dan PEOU6 memiliki tingkat validitas yang kurang baik. Berdasarkan hasil uji kecocokan model dapat diketahui bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi dengan menghilangkan indikator PEOU5 dan PEOU6.
Indikator PEOU5 atau ketersediaan petunjuk penggunaan memiliki tingkat validitas kurang baik menurut nilai faktor loading
dikarenakan tidak adanya petunjuk penggunaan bagi aplikasi Jobcard Barcoding System
dilapangan. Sedangkan indikator PEOU6 atau kemudahan untuk mengakses juga memiliki tingkat validitas yang kurang baik menurut nilai faktor loading dikarenakan para pengguna dari Jobcard Barcoding System masih merasa
kesulitan untuk dapat mengakses atau menggunakan perangkat dan aplikasi Jobcard Barcoding System. Hal tersebut terjadi karena
belum adanya penyebaran tempat untuk pelaksanaan proses barcoding itu sendiri.
Berdasarkan nilai faktor loading, dapat
diketahui bahwa indikator PEOU1 atau kemudahan untuk dipelajari memiliki kontribusi terbesar bagi construct PEOU. Hal tersebut
disebabkan karena proses penggunaan dari perangkat dan aplikasi Jobcard Barcoding System merupakan suatu proses yang sederhana
dan tidak rumit sehingga dapat dengan mudah dipelajari. Sedangkan indikator PEOU4 atau kemudahan untuk diingat memiliki kontribusi terkecil karena pada kenyataannya meskipun proses penggunaan aplikasi Jobcard Barcoding System mudah dipelajari, tetapi proses tersebut
memiliki prosedur yang cukup panjang sehingga agak menyulitkan pengguna untuk mengingatnya.
4.3 Analisis CFA Perceived Usefulness (PU) Berdasarkan hasil pengolahan CFA untuk
construct PU dengan 7 indikator yang
digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga keseluruhan indikator untuk construct PU
memiliki tingkat validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, semua
indikator juga memiliki nilai lebih besar dari 0,5.
Namun, berdasarkan hasil uji kecocokan model dapat diketahui bahwa model tidak fit. Oleh karena itu, perlu dilakukan modifikasi tanpa menghilangkan salah satu indikator dari
construct PU. Dari hasil CFA yang meliputi
nilai t-statistik dan faktor loading, dapat
diketahui bahwa semua indikator untuk
construct PU yang telah dimodifikasi memiliki
tingkat validitas yang baik.
Berdasarkan nilai faktor loading, dapat
diketahui bahwa indikator PU3 atau kontrol bagi pekerjaan memiliki kontribusi terbesar bagi
construct PU. Hal tersebut disebabkan karena Jobcard Barcoding System mampu mencatat
secara tepat waktu pelaksanaan dan penyelesaian suatu pekerjaan. Dimana hasil pencatatan tersebut dapat langsung dibandingkan dengan plan manhours untuk
penyelesaian pekerjaan jobcard tersebut.
Sedangkan indikator PU7 atau memotong waktu yang tidak produktif memiliki kontribusi terkecil karena pada kenyataannya, seringkali
plan manhours yang saat ini digunakan sebagai
panduan waktu pengerjaan suatu jobcard belum
dapat secara tepat memperkirakan waktu yang dibutuhkan untuk penyelesaian jobcard tersebut.
4.4 Analisis CFA Attitude Toward Using (ATU)
Berdasarkan hasil pengolahan CFA untuk
construct ATU dengan 3 indikator yang
digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga berdasarkan nilai t-statistik, keseluruhan indikator untuk construct ATU memiliki tingkat
validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, hanya indikator ATU1
dan ATU2 yang memiliki nilai lebih besar dari 0,5. Hasil uji kecocokan model menunjukkan bahwa construct ATU adalah saturated model,
yaitu model yang memiliki tingkat kecocokan antara model dengan data yang terbaik.
Nilai faktor loading menunjukkan bahwa
antusiasme memiliki kontribusi terbesar bagi
construct ATU. Hal tersebut disebabkan karena
kenyataannya implementasi dari Jobcard Barcoding System memberikan manfaat yang
diharapkan oleh pengguna yaitu berupa hasil pencatatan yang lebih akurat sehingga di dalam pelaksanaannya para pengguna merasa tertarik atau antusias untuk dapat menggunakannya. Sedangkan indikator ATU3 atau keinginan untuk menggunakan secara mandiri memiliki kontribusi terkecil karena pada saat ini para pengguna masih dibantu oleh timekeeper untuk
melaksanakan proses barcoding di dalam
pencatatan manhours-nya. Keberadaan timekeeper bertujuan untuk membantu proses
adaptasi dari pengguna terhadap pelaksanaan implementasi Jobcard Barcoding System.
Namun, pada kenyataannya sebagian besar pengguna akhirnya merasa tergantung terhadap keberadaan timekeeper untuk melaksanakan
proses barcoding di dalam pencatatan manhours.
4.5 Analisis CFA Behavioral Intention (BI)
Berdasarkan hasil pengolahan CFA untuk
construct BI dengan 4 indikator yang
digunakan, keseluruhan indikator memiliki nilai t-statistik yang lebih besar dari 1,96. Sehingga berdasarkan nilai t-statistik, keseluruhan indikator untuk construct BI memiliki tingkat
validitas yang baik. Sedangkan berdasarkan nilai faktor loading-nya, semua indikator juga
memiliki nilai lebih besar dari 0,5. Dari hasil uji kecocokan model dapat diketahui bahwa
construct BI memiliki tingkat model fit yang
baik sehingga tidak perlu dilakukan modifikasi. Nilai faktor loading menunjukkan bahwa
indikator BI2 atau rencana tetap menggunakan di masa depan memiliki kontribusi terbesar bagi
construct BI. Hal tersebut disebabkan karena
para pengguna telah memahami bahwa pihak manajemen telah berencana untuk mengubah cara pencatatan manhours secara manual dengan Jobcard Barcoding System. Sedangkan
indikator BI4 atau motivasi untuk memberikan masukan bagi penggunaan memberikan kontribusi terkecil dikarenakan para pengguna merasa tidak tahu bagaimana cara memberikan masukan bagi penggunaan Jobcard Barcoding System. Hal ini dikarenakan fungsi kontrol dari
tim kecil bagian dari Manhours Productivity Team dilapangan belum terlalu intensif
dilaksanakan.
4.6 Analisis CFA Actual Usage (AU)
Berdasarkan hasil pengolahan CFA untuk
construct AU dengan 4 indikator yang
digunakan, hanya indikator AU1, AU2, dan AU3 yang memiliki nilai t-statistik yang lebih besar dari 1,96. Penyebab dari tidak validnya indikator AU4 atau kenyamanan dalam penggunaan adalah karena para pengguna mayoritas masih mengalami kesulitan dalam mengakses atau menggunakan perangkat dan aplikasi Jobcard Barcoding System.
Dari hasil CFA dapat diketahui bahwa seluruh indikator construct AU yang telah
dimodifikasi memiliki nilai t-statistik yang lebih besar dari 1,96. Sedangkan berdasarkan nilai faktor loading, hanya indikator AU1 dan AU2
yang memiliki nilai lebih besar dari 0,5. Dari nilai faktor loading dapat diketahui bahwa
indikator AU2 atau kesesuaian dengan prosedur memiliki kontribusi terbesar terhadap construct
AU. Hal tersebut menjelaskan bahwa manfaat dan kemudahan dari implementasi Jobcard Barcoding System dapat membantu meraka
untuk selalu berusaha mengimplementasikan
Jobcard Barcoding System sesuai dengan
prosedur yang ada. Sedangkan indikator AU3 atau kepuasan penggunaan memiliki kontribusi terkecil terhadap construct AU dikarenakan
bahwa meskipun mengetahui manfaat dan kemudahan implementasi Jobcard Barcoding System, sebagian besar pengguna belum dapat
mengetahui secara langsung hasil atau output
dari pencatatan manhours dengan Jobcard Barcoding System yang telah mereka lakukan.
4.7 Analisis Structural Equation Modelling Berdasarkan hasil full structural equation modeling yang telah dilakukan dapat diketahui
bahwa semua construct yang berhubungan
memiliki nilai t-statistik yang lebih besar dari 1,96. Namun, berdasarkan hasil uji kecocokan
full structural equation modeling, dapat
diketahui bahwa sebagian besar parameter atau ukuran yang digunakan dalam uji kecocokan model menunjukkan bahwa model tidak fit. Oleh karena itu, harus dilakukan modifikasi terhadap model TAM.
Dari modifikasi yang dilakukan, dapat diketahui bahwa hubungan antara construct PU
dan BI tidak valid karena memiliki nilai t-statistik < 1,96 sehingga hubungan tersebut harus dihilangkan. Hal tersebut menunjukkan bahwa meskipun implementasi Jobcard Barcoding System memberikan kemudahan bagi
langsung mempengaruhi tingkat kecenderungan dari pengguna untuk tetap menggunakan
Jobcard Barcoding System. Oleh karena itu,
dilakukan modifikasi kembali terhadap model dengan menghilangkan hubungan antara
construct PU terhadap BI. Dari hasil tersebut
dapat diketahui bahwa tiap construct yang
berhubungan memiliki nilai t-statistik dan path coefficient yang baik. Gambaran model TAM
yang dihasilkan dari penelitian dapat dilihat pada Gambar 4.1.
Gambar 4.1 Model TAM Jobcard Barcoding System
4.8 Rekomendasi Berdasarkan Hasil Penelitian
Berdasarkan hasil penelitian menggunakan hasil penilaian kuesioner dan metode TAM yang telah dilaksanakan, maka dapat disusun suatu langkah perbaikan. Pada metode TAM, variabel atau construct utama
yang mempengaruhi tingkat penerimaan
construct lainnya adalah construct PEOU dan
PU. Dari hasil pengujian dengan SEM dapat diketahui bahwa hubungan antar construct pada
metode TAM tersebut juga berlaku atau valid untuk implementasi Jobcard Barcoding System.
Dari hasil wawancara yang telah dilakukan kepada user, dapat diketahui hal-hal yang menyebabkan terjadinya hambatan dalam penerimaan implementasi Jobcard Barcoding System dari sisi variabel PEOU, PU, dan AU di
lapangan. Berdasarkan penyebab-penyebab yang telah diketahui tersebut, maka dapat disusun langkah-langkah perbaikan untuk mengatasi hal tersebut. Langkah perbaikan yang disusun meliputi :
A. Langkah Perbaikan 1
Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM dapat diketahui bahwa pada construct PEOU, indikator yang memiliki
penilaian penerimaan yang paling rendah adalah indikator PEOU3 yaitu kemudahan untuk dipahami dan indikator PEOU1 yaitu kemudahan untuk dipelajari. Oleh karena itu, langkah perbaikan yang dapat diusulkan untuk meningkatkan nilai penerimaan indikator-indikator tersebut adalah perlunya dilakukan
sosialisasi dan pelatihan secara intensif langsung kepada para pengguna atau mekanik mengenai fungsi dan penggunaan dari perangkat dan aplikasi Jobcard Barcoding System. Kemudian
selanjutnya perlu disediakan suatu petunjuk penggunaan perangkat dan aplikasi dari Jobcard Barcoding System.
B. Langkah Perbaikan 2
Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM dapat diketahui bahwa pada construct PU, indikator yang
memiliki nilai penerimaan yang paling rendah adalah indikator PU7 yaitu memotong waktu yang tidak produktif dan indikator PU6 yaitu meningkatkan produktivitas user. Oleh karena
itu, langkah perbaikan yang dapat diusulkan berdasarkan keadaan tersebut adalah dilakukannya perbaikan terhadap penentuan
plan manhours yang ada saat ini. Hal tersebut
sangat penting untuk dilakukan mengingat plan manhours yang ada saat ini belum dapat
memperkirakan secara tepat waktu yang diperlukan untuk mengerjakan suatu jobcard.
Tetapi untuk perbaikan terhadap plan manhours
perlu didukung dengan menghilangkan tekanan terhadap para mekanik untuk berpatokan terhadap plan manhours yang ada.
C. Langkah Perbaikan 3
Selain meningkatkan tingkat penerimaan pada construct PEOU dan PU, tingkat
penerimaan pada construct AU juga dapat
ditingkatkan dengan memperkuat tingkat penerimaan dari indikator construct AU
tersebut. Berdasarkan hasil penilaian kuesioner dan hasil pengujian dengan SEM, indikator yang memiliki nilai penerimaan yang paling rendah adalah indikator AU3 yaitu kepuasan penggunaan. . Oleh karena itu, langkah perbaikan yang dapat diusulkan adalah penyusunan suatu laporan bagi para pengguna atau mekanik yang memuat hasil pencatatan manhours yang telah mereka lakukan.
5. Kesimpulan
Beberapa kesimpulan yang diperoleh dari hasil penelitian yang telah dilakukan antara lain adalah :
1. Berdasarkan hasil penilaian kuesioner dan pengujian dengan SEM, dapat diketahui bahwa tingkat penerimaan
Barcoding System saat ini masih cukup
rendah.
2. Dari hasil pengolahan CFA yang telah dilakukan, dapat diketahui indikator-indikator yang memiliki tingkat validitas yang baik dalam merepresentasikan construct latennya.
Indikator-indikator tersebut adalah : a. Indikator yang valid untuk construct
PEOU adalah PEOU1-PEOU4 b. Indikator yang valid untuk construct
PU adalah PU1-PU7
c. Indikator yang valid untuk construct
ATU adalah ATU1-ATU3
d. Indikator yang valid untuk construct
BI adalah BI1-BI4
e. Indikator yang valid untuk construct
AU adalah AU1-AU3
3. Hasil dari full stuctural equation modelling yang telah dilakukan
menunjukkan hubungan atau pengaruh antar construct yang ada. Construct
yang berhubungan antara lain :
a. Construct PEOU berpengaruh
terhadap construct PU.
b. Construct PEOU dan PU
berpengaruh terhadap construct AU.
c. Construct ATU berpengaruh
terhadap construct BI
d. Construct BI berpengaruh terhadap construct AU
4. Langkah Perbaikan yang dapat diusulkan antara lain :
a. Pelaksanaan sosialisasi dan pelatihan intensif mengenai penggunaan perangkat dan aplikasi Jobcard Barcoding System yang didukung
dengan penyediaan petunjuk penggunaan dalam bentuk hardcopy
dan softcopy.
b. Perbaikan terhadap plan manhours
yang didukung dengan menghilangkan tekanan terhadap para pengguna atau mekanik.
c. Penyusunan suatu laporan bagi para pengguna atau mekanik yang memuat hasil pencatatan manhours yang telah dilakukan
6. Daftar Pustaka
Chang, Vin-Cent. 2004. The Validity of an Extended Technology Acceptance Model (TAM) for Predicting Intranet/Portal
Usage. A Master’s paper for the M.S. in
I.S. degree, Chapel Hill, North Carolina.
Davis, FD. 1989. Perceived Usefullness, Perceived ease of use of Information Technology. Management Information System Quarterly, 21(3).
Heriansyah, Tengku. 2009. Perancangan Manajemen Perubahan Menggunakan Model Change Acceleration Process
Untuk Implementasi Sistem Jobcard
Barcode Automation (Studi Kasus : Base
Maintenance, PT. GMF AA). Tugas Akhir Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember, Surabaya. Lin et al. 2009. Usefulness, Ease of Use,
Attitude, and Their Interaction Effects on Usage Intention of Three Electronic Mail Systems.
http://www.allacademic.com/meta/p230958_
index.html (diperoleh 23 November 2009)
Rahadi, Dedi Rianto. 2007. Peranan Teknologi Informasi Dalam Peningkatan Pelayanan Di Sektor Publik. Seminar Nasional Teknologi 2007 (SNT 2007), Yogyakarta
Tangke, Natalia. 2004. Analisa Penerapan Teknik Audit Berbantuan Komputer (TABK) Dengan Menggunakan
Technology Acceptance Model (TAM)
Pada Badan Pemeriksa Keuangan (BPK) RI. http://puslit.petra.ac.id. (diperoleh 26 Oktober 2009).
Teo et al. 2008. A cross-cultural examination of the intention to use technology between Singaporean and Malaysian pre-service teachers: an application of the Technology Acceptance Model (TAM). Educational Technology & Society, 11 (4),
265–280.
Yamin, Sofyan. Kurniawan, Heri. 2009.
Structural Equation Modelling. Salemba