Analisis Faktor yang Mempengaruhi Anggot

(1)

Analisis Faktor yang Mempengaruhi Anggota

Komunitas Virtual Melakukan

Knowledge Sharing

:

Studi Kasus Komunitas

Online

TI di Indonesia

(2)

Agenda

Pendahuluan

Landasan Teori

Metodologi

Analisis dan Pembahasan

Penutup

(3)

(4)

Latar Belakang

(5)

Latar Belakang (Lanj.)

Pengguna KASKUS 4,5

juta orang (Kaskus,

2012)

(6)

Rumusan Masalah

PENDAHULUAN - LANDASAN TEORI – METODOLOGI - ANALISIS & PEMBAHASAN - PENUTUP

Faktor-faktor

apa yang berpengaruh

bagi

anggota komunitas online dalam

berbagi

pengetahuan

?

Bagaimana

pengaruh perilaku berbagi

pengetahuan

terhadap

promosi komunitas

(7)

(8)

Knowledge Sharing

(9)

Komunitas Virtual

Komunitas

online

merupakan sebuah

ruang virtual

yang ada pada internet

dimana

sekumpulan orang

dari

ketertarikan yang sama

melakukan

komunikasi dan interkasi

secara

kolektif atau individu untuk

mencapai

suatu tujuan

(10)

Norm of Reciprocity

Interpersonal Trust Knowledge Sharing

Self-efficacy Perceived Relative

Advantage Perceived Compatibility

Model Penelitian Chen dan Hung

Knowledge

Contributing

Behavior

Knowledge

Contributing

Behavior

Knowledge

Utilization

Knowledge

Utilization

Community

Promotion

Community

Promotion

Contextual

Factors

Contextual

Factors

Individual

Factors

Individual

Factors

Knowledge

Collecting

Behavior

Knowledge

Collecting

(11)

Model Penelitian Chen dan Hung

Knowledge

Contributing

Behavior

Knowledge

Contributing

Behavior

Knowledge

Utilization

Knowledge

Utilization

Community

Promotion

Community

Promotion

Contextual

Factors

Contextual

Factors

Individual

Factors

Individual

Factors

Knowledge

Collecting

Behavior

Knowledge

Collecting

Behavior

P

E

B

(12)

DeLone & McLean

IS Success Model

Information

Quality

Use

(Intention to Use)

Net

Benefits

System Quality

Service Quality

User

Satisfaction

(13)

(14)

(15)

(16)

Rancangan Penelitian

220 Responden

IndoNet

workers

XCode

BBDevI

D

Xlmani

a

Id-Android-dev Id-Android

Populasi

Anggota

Komunitas

Online

TI di

Indonesia

Purposive

Sampling

Kuesioner

Kuantitati

(17)

Teknik Analisis Data

• _{Membuat Model SEM}

Berdasarkan Teori

• _{Mengidentifikasi Model}

• _{Mengevaluasi Estimasi Model}

• _{Menguji Kelayakan Model}

• _Uji

_{Measurement Model}

• _Uji

_{Structural Model}

• _{Melakukan Respesifikasi}

Structural

Equation Mode

(SEM)

Structural

Equation Mode

(SEM)

• _Mengevaluasi

_Measurement

Model

• _Mengevaluasi

_{Structural Model}

Partial Least

Square

(PLS)

(18)

(19)

(20)

Pembuatan dan

identifikasi

Model

Spesifikasi Model

Pengukuran

KSS1-KSS5 = KSS

OE1-OE4 = OE

EHO1-EHO3 = EHO

SyQ1-SyQ4 = SyQ

SeQ1-SeQ5 = SeQ

IQ1-IQ6 = IQ

IT1-IT3 =IT

NR1-NR3 = NR

GK1-GK3 = GK

RK1-RK3 = RK

KU1-KU3 = KU

CP1-CP4 = CP

Spesifikasi Model Struktural

GK = KSS OE EHO SyQ SeQ IQ IT

NR

RK = KSS OE EHO SyQ SeQ IQ IT NR

KU = GK RK

CP = GK RK KU

Gambar

Path Diagram

Identifikasi Model

(21)

Estimasi Model

Transformasi Data

Ordinal

MSI

Interval

Ukuran

Sampel

100–

200 (EQ dan Wijaya,

2012)

220 Sampel

Multikolinearit

as

nilai korelasi

antara

indikator-indikator > 0,9

Normalitas Data

Test of Multivariate Normality for Continuous Variables

Skewness Kurtosis Skewness and Kurtosis Value Z-Score P-Value Value Z-Score P-Value Chi-Square P-Value --- --- 676.914 29.373 0.000 2442.507 14.394 0.000 1069.956 0.000

Outlier

13 Data Outlier

Sehingga tersisa

207 data

asymptotic

covariance

matrix

(22)

Uji Validitas

Kode Indikato

r

Coreccted Item-Total Correlatio

n (> 0,136)

Standardi zed Loading

Factor

IT1 0,703 0,73 17,36 Valid IT2 0,812 1 11,46 Valid IT3 0,690 0,73 8,28 Valid NR1 0,761 0,85 14,58 Valid NR2 0,813 0,89 15,58 Valid NR3 0,755 0,87 15,23 Valid GK1 0,485 0,74 11,07 Valid GK2 0,384 0,91 13,75 Valid GK3 0,001 0 -0,04 Tidak Valid RK1 0,460 0,64 10,25 Valid RK2 0,466 0,99 20,05 Valid RK3 0,051 0,05 0,76 Tidak Valid KU1 0,824 0,85 14,91 Valid KU2 0,872 0,94 17,56 Valid KU3 0,846 0,9 16,23 Valid CP1 0,668 0,7 10,91 Valid CP2 0,621 0,69 10,8 Valid CP3 0,754 0,9 15,58 Valid CP4 0,627 0,83 13,76 Valid

Kode Indikat

or

n (> 0,136)

Standardiz ed Loading

Factor

SyQ1 0,743 0,83 13,83 Valid SyQ2 0,772 0,88 13,15 Valid SyQ3 0,704 0,79 13,09 Valid SyQ4 0,629 0,66 10,09 Valid SeQ1 0,684 0,71 11,28 Valid SeQ2 0,736 0,78 12,83 Valid SeQ3 0,743 0,83 14,04 Valid SeQ3 0,744 0,83 14,28 Valid SeQ5 0,756 0,84 14,53 Valid IQ1 0,772 0,78 12,98 Valid IQ2 0,756 0,76 12,57 Valid IQ3 0,809 0,84 14,48 Valid IQ4 0,714 0,76 12,58 Valid IQ5 0,818 0,88 15,61 Valid IQ6 0,797 0,82 11,37 Valid

Kode Indikat

or

n (> 0,136)

Standardiz ed Loading

Factor

(23)

Uji Reliabilitas

Kode

Variabel

Cronbach’s

Alpha

Construct

Reliability (CR)

Variance

Extracted (VE)

Keterangan

KSS

0,860

0,86

0,68

Reliable

EO

0.863 0,88

0,64

Reliable

EHO

0.891 0,90

0,75

Reliable

SyQ

0.863 0,87

0,63

Reliable

SeQ

0.890 0,9

0,64

Reliable

IQ

0.923 0,91

0,65

Reliable

IT

0.859 0,87

0,69

Reliable

NR

0.885 0,90

0,76

Reliable

GK

0.756 0,81

0,68

Reliable

RK

0.771 0,79

0,65

Reliable

KU

0,925

0,93

0,81

Reliable

(24)

Uji Kecocokan Model

Kriteria

Goodness of

Fit

Tingkat

Kecocokan

Ukuran

Goodness of

Fit

SRMR

≤ 0,5

0,055

Marinal fit

GFI

≥ 0,9

0,76

Poor Fit

Error

Covariance yang dihubungkan

x/df RMSEA NFI NNFI GFI CFI SRMR

CP3-CP4

1,5

6 0,052

0,9

6 SeQ2-SeQ1

1,4

5 0,047

0,9

6 IQ2-IQ1

1,4

3 0,046

0,9

6 SeQ4-SeQ5

1,4

1 0,045

0,9

6 RK2-GK2

1,3

7 SyQ2-SyQ1

1,3

7 kombinasi 2 indikator yang baik untuk melakukan

uji kecocokan model yaitu

NNFI (TLI) dan SRMR

,

RMSEA dan SRMR

, serta

CFI dan SRMR

(Hopper, Coughlan, dan Mullen, 2008)

GFI

merupakan indikator yang dipengaruhi oleh

jumlah sampel

dan akan

bias

jika Jumlah

sampel

besar

, sehingga saat ini

GFI jarang digunakan

(Bollen, 1990; Miles and Shevlin, 1998; Sharma et al,

2005; Hopper, Coughlan, dan Mullen, 2008;

Kenny,2012).

Standardized Root Mean Square

Residual

(SRMR)

< 0,08

dapat

dikatakan model sudah

good

fit

/baik

(25)

Uji

Structural Model

(26)

Partial Least Square

(PLS)

(27)

Mengevaluasi

Measurement

Model

Individual item

reliability/indicato

r reliability

dikatakan baik jika

memiliki nilai

loading factor ≥

0,7

(28)

Mengevaluasi

Measurement

Model

Internal Consistency

dikatakan baik jika

memiliki nilai

cronbach’s

alpha > 0,7

dan

composite reliability >

0,7

.

(Latan dan Ghozali, 2012)

Convergent Validity

baik jika nilai

Average

Variance Extracted

(AVE) > 0,5.

(Latan dan Ghozali, 2012)

Varia

bel

AVE

Compos

hs Alpha

Communa

19 0,86203

0,706746

0,218193

EHO

0,82483

4 0,93379

2 0,893127

0,824834

EO

0,72834

8 0,91455

1 0,874984

0,728348

GK

09 0,80622

0,837506

0,127737

IQ

9 0,855709

0,775165

KSS

0,78467

2 0,91619

0,863385

0,784672

KU

51 0,924773

0,869347

0,240257

NR

0,83709

1 0,93907

6 0,902738

0,837091

RK

52 0,777754

0,817856

0,13287

SeQ

0,71181

4 0,92500

9 0,898761

0,711814

SyQ

0,71549

5 0,90950

(29)

Mengevaluasi

Measurement

Model

Menurut Latan

dan Ghozali

(2012) untuk

discriminant

validity

dilihat

dari

nilai akar

kuadrat AVE >

nilai korelasi

antar variabel

laten

.

0,41

0,40

0,42

0,40

0,60

0,48

0,20

0,45

0,51

0,47

0,74

0,84

(30)

Menguji

Structural

Model

Path

Path Coeffecie

nt

T Statistics (|O/STERR|)

≥ 1.96

Kesimpulan

KSS  GK 0,053938 0,81108 tidak signifikan KSS  RK -0,00298 0,191872 tidak signifikan

OE GK 0,118093 2,018772 Signifikan OE  RK -0,10533 1,672073 tidak signifikan EHO GK 0,181321 2,330491 Signifikan EHO  RK 0,223235 3,307435 Signifikan

SyQ  GK -0,15154 2,193693 Signifikan (negatif) SyQ  RK 0,005224 0,016992 tidak signifikan SeQ  GK 0,090786 1,320714 tidak signifikan SeQ  RK 0,071021 0,996682 tidak signifikan

Path

Path Coeffecien

t

T Statistics (|O/STERR|)

≥ 1.96

Kesimpulan

(31)

Uji Hipotesis

Hipotesis

CBSEM-LISREL

PLS-SmartPLS

Individual Factors

H1a: KSSGK

Ditolak

H1b: KSSRK

Ditolak

H2a: EOGK

Diterima

H2b: EORK

Ditolak

H3a: EHOGK

Diterima

H3b: EHORK

Diterima

Contextual Factors

H7a: IT GK

Diterima

H7b: ITRK

Ditolak

H8a: NRGK

Diterima

H8b: NRRK

Diterima

Hipotesis

CBSEM-LISREL

PLS-SmartPLS

Technology Factors

H4a:

SyQGK

Ditolak

Diterima tetapi

negatif

Ditolak

H5b:

SeQRK

Ditolak

H6a: IQGK

Diterima

H6b: IQRK

Diterima

Knowledge-sharing activity

H9a: GKKU

Diterima

H9b: RKKU

Diterima

H10a:

GKCP

Diterima

H10b:

RKCP

Ditolak

(32)

(33)

Kesimpulan

enjoyment in

helping others

expectation

out-comes

interpersonal

trust

norm of

reciprocity

information

quality

knowledge

contributing

behaviour

knowledge

collecting

behaviour

knowledge

utilization

(34)



Ukuran sampel dan normalitas data

◦

Menurut Wijanto (2008) jumlah sampel yang ideal untuk MLE yaitu

sebanyak lima kali jumlah indikator/pertanyaan



Kompleksitas model

Keterbatasan Penelitian

(35)



Menggunakan ukuran sampel

yang lebih besar

antara

(250-350)



Disarankan untuk melakukan

pilot study

dan

pilot survey

sebelum mengumpulkan data



Penelitian selanjutnya akan lebih baik ditujukan kepada

pengguna komunitas

online

secara luas.

(36)

Terima kasih