INF-326
ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI MANFAAT BERSIH
DAN KEPUASAN PENGGUNA E-PROCUREMENT
Fatmawati
STMIK Nusa Mandiri fatmawati@gmail.com ABSTRAK — Keberadaan e-Procurement sangat
efektif bagi pemerintah untuk mencari rekanan perusahaan sebagai penyedia kebutuhan barang dan jasa bagi pemerintah.Proses diharapkan bisa lebih cepat, transparan dan adil bagi semua perusahaan yang memiliki kualifikasi. Beberapa faktor yang bisa mempengaruhi tingkat kepuasan dan tingginya manfaat yang diperoleh peserta e-Procurement yaitu kualitas sistem, kualitas informasi dan kualitas layanan. Penelitian ini melibatkan 2 jenis variabel yaitu, (1) Variabel Eksogen: Kualitas Sistem (KS), Kualitas Informasi (KI) dan Kualitas Layanan (KL); (2) Variabel Endogen: Kepuasan Peserta (KP) dan Manfaat Bersih (MB). Dari hasil pengujian dan analisa menggunakan model DeLone dan McLean dengan alat bantu SPSS 19 dan AMOS 22, diperoleh hubungan; Kepuasan Peserta (KP) yang dipengaruhi oleh variasi Kualitas Informasi (KI) sebanyak 12,20%. Sedangkan Manfaat Bersih (MB) yang dipengaruhi oleh variasi Kualitas Layanan (KL), Kualitas Sistem (KS) dan Kepuasan Peserta (KP) sebanyak 63,40%.
Kata Kunci: Analisa, E-Procurement, Faktor-faktor . ABSTRACT - The existence of e-Procurement is very effective for the government to find partner companies as providers of goods and services for the government. The process is expected to be faster, transparent and fair for all qualified companies. Several factors that can affect the level of satisfaction and high benefits obtained by e-Procurement participants are system quality, information quality and service quality. This study involves two types of variables: (1) Exogenous Variables: Quality of System (KS), Quality of Information (KI) and Quality of Service (KL); (2) Endogenous Variables: Participant Satisfaction (KP) and Net Benefit (MB). From the results of testing and analysis using DeLone and McLean models with SPSS 19 and AMOS 22 tools, the relationship was obtained; Participants' satisfaction (KP) is influenced by the variation of Information Quality (KI) of 12.20%. While the Net Benefit (MB) is influenced by the variation of Service Quality (KL), System Quality (KS) and Participant's Satisfaction (KP) 63,40%.
Keywords: Analysis, E-Procurement, Factors.
PENDAHULUAN
Berkembangnya teknologi informasi mencetuskan adanya fasilitas pengadaan barang/jasa secara elektronik. Pemerintah Republik Indonesia kemudian membentuk Layanan Pengadaan Secara Elektronik (LPSE).
LPSE bertujuan untuk meningkatkan transparansi dan akuntabilitas, meningkatkan akses pasar dan persaingan usaha yang sehat, memperbaiki tingkat efisiensi proses pengadaan, mendukung proses monitoring dan audit dan memenuhi kebutuhan akses informasi yang real time guna mewujudkan clean and good government
dalam pengadaan barang/jasa pemerintah (Lembaga Kebijakan Pengadaan Barang/Jasa Pemerintah, http://lpse.lkpp.go.id/).
LPSE selanjutnya menjadi unit kerja yang dibentuk di setiap kabupaten, kota dan provinsi di seluruh Indonesia sebagai pelaksana kegiatan pengadaan barang dan jasa secara online. Dengan adanya sistem pengadaan secara elektronik (electronic procurement/e-Procurement) maka perusahaan-perusahaan dari beragam wilayah bisa mengikuti tender pengadaan barang dan jasa di daerah manapun yang dikehendaki.
Keberadaan e-Procurement sangat efektif bagi pemerintah untuk mencari rekanan perusahaan sebagai penyedia kebutuhan barang dan jasa bagi pemerintah. Proses diharapkan bisa lebih cepat, transparan dan adil bagi semua perusahaan yang memiliki kualifikasi.
Sistem e-Procurement menggantikan sistem pengadaan barang dan jasa secara konvensional (sistem offline/sistem non elektronik). Hal ini membutuhkan adaptasi dan penyesuaian disisi infrastruktur teknologi, pemahaman prosedur
online hingga pelatihan sumber daya manusia, bagi perusahaan-perusahaan calon rekanan pemerintah yang tidak semuanya berupa perusahaan skala besar, disamping itu banyak juga perusahaan yang berasal dari daerah-daerah yang masih memiliki keterbatasan keahlian sumber daya manusia, infrastruktur teknologi informasi serta ketersediaan informasi yang dibutuhkan.
Untuk itu agar sistem yang dikembangkan dan diterapkan bisa berjalan secara efektif dan efisien, perlu dilakukan pengujian terhadap
faktor-INF-327 faktor yang akan mempengaruhi penggunaan
e-Procurement.
BAHAN DAN METODE
E-Procurement
Menurut Turban E., King D., Lee J., dan Viehland D. (2004), e-Procurement merupakan pengadaan barang dan jasa secara elektronik oleh perusahaan. Sedangkan menurut Chaffey (2004), e-Procurement merupakan integrasi dan manajemen elektronik terhadap semua aktivitas pengadaan termasuk permintaan pembelian, pemberian hak pemesanan, pengiriman dan pembayaran antara pembeli dan pemasok.
Manfaat pengadaan barang dan jasa secara elektronik atau e-Procurement diantaranya adalah (Lembaga Kebijakan Pengadaan Barang/Jasa Pemerintah):
1. Meningkatkan transparansi dan akuntabilitas, 2. Meningkatkan akses pasar dan persaingan usaha
yang sehat,
3. Memperbaiki tingkat efisiensi proses pengadaan, 4. Mendukung proses monitoring dan audit, 5. Memenuhi kebutuhan akses informasi yang real
time guna mewujudkan clean and good government dalam pengadaan barang/jasa pemerintah.
Kualitas Sistem
Menurut DeLone dan McLean (1992), kualitas sistem merupakan kombinasi hardware dan
software dalam sistem informasi. Swanson dalam Jogiyanto (2007) menggunakan beberapa item
kualitas sistem untuk mengukur keberhasilan sistem informasi manajemen yang dilakukan oleh manajer, diantaranya adalah:
1. Keandalan sistem komputer, 2. Kecepatan akses,
3. Kemudahan penggunaaan.
Sedangkan DeLone dan McLean dalam Jogiyanto (2007) mengusulkan pengukuran kualitas sistem yang diterapkan di lingkungan e-commerce
berdasarkan:
1. Kehandalan sistem (system reliability), 2. Waktu respon sistem (system response time), 3. Ketergunaan sistem (system usability). Kualitas Informasi
Selain mengukur kualitas kinerja sistem, peneliti sistem informasi juga memfokuskan pada kualitas keluaran sistem informasi. Kualitas informasi merupakan output yang dihasilkan oleh sistem informasi yang digunakan (DeLone dan McLean, 1992).
Menurut Seddon, P.B., Staples, S., Patnayakuni, R., dan Bowtell, M. (1999) terdapat beberapa indikator kualitas informasi, yaitu:
1. Ketepatan waktu, 2. Keringkasan, 3. Mudah dipahami, 4. Aktualitas, 5. Relevansi.
DeLone dan McLean dalam Jogiyanto (2007) mengukur kualitas informasi dalam lingkungan e-commerce berdasarkan:
1. Isi web harus personal (personalized), 2. Kelengkapan informasi (completeness), 3. Relevansi informasi (relevance), 4. Mudah dipahami (easy to understand), 5. Aman (secure).
Kualitas Layanan
Menurut Zeithalm, Parasuraman, dan Berry dalam (Aritonang, 2000) pengukuran kualitas layanan didasarkan pada indikator-indikator, berikut:
1. Reliabilitas (reliability), 2. Daya tanggap (responssiveness), 3. Jaminan (assurance),
4. Empati (emphaty).
Kepuasan Peserta E-procurement
Beberapa indikator kepuasan peserta e-procurement (Liu dan Arnet, 2009), meliputi: 1. Kepuasan peserta (participant satisfaction), 2. Kesulitan penggunaan (difficulty of use), 3. Kenyamanan penggunaan (comfort of use), 4. Kesenangan penggunaan (pleasure of use).
Manfaat Bersih
Berdasarkan hasil beberapa penelitian, dampak dari sistem informasi sangat banyak. Dampak tersebut misalnya terhadap pemakai perorangan, kelompok, organisasi dan lain lainnya. Beberapa indikator manfaat bersih (Seddon, et al., 1999) yang dimodifikasi dalam penelitian ini, meliputi:
1. Mempercepat pengolahan data, 2. Kemampuan memecahkan masalah, 3. Meningkatkan kualitas informasi, 4. Menghasilkan informasi cepat dan tepat, 5. Mendukung pengambilan keputusan. Pendekatan Model DeLone dan McLean
Model untuk pengukuran kesuksesan suatu sistem informasi telah dikembangkan oleh banyak para peneliti, salah satunya adalah model pengukuran yang dikembangkan oleh DeLone dan McLean. Model tersebut dikenal dengan istilah D&M IS
SuccessModel. Model Delone and McLean Structural Equation Modeling (SEM)
Menurut Sitinjak dan Sugiharto (2006)
INF-328
suatu teknik statistik yang mampu menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara langsung.
Sedang menurut Ghozali (2004) SEM merupakan gabungan dari dua metode statistik yang terpisah, yaitu analisis faktor (factor analyst) yang dikembangkan pada bidang psikologi atau psikometri serta model persamaan simultan (Simultaneus Equation Modelling) yang dikembangkan pada bidang ekonometrika.
Selain dapat menganalisis hubungan kausal searah, SEM juga dapat menganalisis hubungan dua arah yang seringkali muncul dalam ilmu sosial dan perilaku. SEM termasuk multivariate statistics yang memungkinkan dilakukannya analisis satu atau lebih variabel eksogen dengan satu atau lebih variabel endogen.
Analysis of Moment Structure (AMOS)
AMOS (Analysis of Moment Structure) merupakan salah satu program atau software yang digunakan untuk mengestimasi model pada model persamaan struktural (SEM) (Ghozali, 2004). Saat ini software AMOS merupakan software yang dapat diandalkan dalam menyelesaikan permasalahan sosial karena kemampuannya dalam mengukur variabel yang bersifat laten atau tidak dapat diukur secara langsung akan tetapi dapat diukur melalui indikatornya.
Pengumpulan data pada penelitian ini menggunakan metode sebagai berikut:
1. Kuesioner
Data dan informasi yang bersifat primer diperoleh dari sebaran kuesioner dikirim ke setiap responden dengan melalui surat elektronik (e-mail) ke perusahaan yang pernah mengikuti proses e-procurement untuk diisi dan dikumpulkan kembali yang kemudian hasilnya dianalisa untuk menguji hipotesis yang diajukan pada tahap awal penelitian ini.
2. Studi Pustaka
Studi pustaka dilakukan dengan membaca buku literatur, sehingga diperoleh data yang bersifat teoritis dengan cara mempelajari literatur, jurnal penelitian, bahan kuliah dan sumber atau bahan lain yang berhubungan dengan permasalahan dalam penelitian.
HASIL DAN PEMBAHASAN
Hasil Penelitian
A.Data Demografi Responden
Responden dari penelitian ini adalah perusahan-perusahaan yang pernah mengikuti proses e-procurement pada instansi pemerintah daerah di beberapa daerah di Indonesia yang diambil secara random melalui fasilitas pengadaaan
secara elektronik (e-procurement) situs Layanan Pengadaan Secara Elektronik (LPSE) yang terkoneksi ke setiap kota/kabupaten dan provinsi seluruh Indonesia.
Jumlah perusahaan yang dilibatkan dalam proses pengumpulan data melalui sebaran kuesioner surat elektronik (e-mail) sebanyak 200 perusahaan. Kuesioner yang dikembalikan dan berisi data lengkap dan siap untuk dianalisis sebanyak 127 kuesioner. Jumlah sampel tersebut telah memenuhi batas minimal analisis SEM yang membutuhkan sampel antara 100 - 200 sampel.
Dapat disimpulkan bahwa peserta e-procurement mayoritas berjenis kelamin laki-laki sebanyak 80,3% dan sisanya 19,7% adalah perempuan. Menurut lokasi perusahaan mayoritas berada di Jakarta sebanyak 76,4% dan 23,6% berada di Luar Jakarta. Sedangkan status kepemilikan modal perusahaan mayoritas adalah milik swasta sebesar 93,7% dan sisanya BUMN sebanyak 6,3%.
B.Analisis Statistik Deskriptif
Nilai statistik masing-masing variabel penelitian dapat dilihat pada tabel 4.2. Pada tabel tersebut juga ditampilkan nilai c.r skewness dan c.r
kurtosis dalam kisaran nilai yang direkomendasikan yaitu -2.58 sampai 2.58.
Tabel 4.2. Statistik Variabel Penelitian
Variabel Nilai Minimum
Nilai Maksimum
Nilai
Mean Skewness Kurtosis
KS 3,00 5,50 4,306 -0,169 -0,306
KI 3,00 6,00 4,701 0,148 0,680
KL 2,50 6,00 4,621 -0,546 0,380
KP 1,00 6,00 3,630 -0,683 0,498
MB 2,00 6,00 4,344 -0,402 -0,479
Pengujian Model Berbasis Teori
Berdasarkan model penelitian yang diajukan, maka penelitian ini memiliki beberapa variabel, yaitu
1. Variabel eksogen, terdiri dari kualitas informasi, kualitas sistem, dan kualitas layanan.
2. Variabel endogen, terdiri dari kepuasan peserta e-procurement dan manfaat bersih.
Pada penelitian ini indikator variabel penelitian berjumlah 20 indikator. Hubungan kausal antara variabel eksogen dan variabel endogen diperlihatkan pada gambar 4.1.
INF-329 Gambar 4.1. Model Awal Penelitian
Pengujian Validitas
Uji validitas pada penelitian ini menggunakan teknik analisis faktor konfirmatori (Confirmatory Factor Analysis) terhadap variabel laten eksogen dan endogen. Analisis faktor konfirmatori bertujuan untuk menguji apakah indikator-indikator pembentuk konstruk merupakan indikator yang valid sebagai pengukur konstruk laten, yang dapat dilihat dari nilai loading factor.
1. Uji Validitas Variabel Laten Eksogen a. Kualitas Sistem (KS)
Hasil output standardized loading estimate
yang disajikan pada tabel 4.3., menunjukkan nilai loading factor
(estimate pada standardized regression weight) indikator variabel laten Kualitas Sistem yang terdiri dari KS1, KS2, dan KS3 memiliki nilai > 0,5 berarti merupakan konstruk yang valid.
Tabel 4.3. Uji Validasi Variabel KS Indikator Estimasi Keterangan
KS1 0,766 Valid
KS2 0,566 Valid
KS3 0,756 Valid
b. Kualitas Informasi (KI)
Nilai loading factor (estimate pada
standardized regression weight) indikator variabel laten Kualitas Informasi yang terdiri dari KI1, KI2, KI3, dan KI4 yang dapat dilihat pada tabel 4.4. memiliki nilai > 0,5 berarti merupakan konstruk yang valid.
Tabel 4.4. Uji Validasi Variabel KI Indikator Estimasi Keterangan
KI1 0,507 Valid
KI2 0,944 Valid
KI3 0,517 Valid
KI4 0,625 Valid
c. Kualitas Layanan (KL)
Hasil output standardized loading estimate
yang disajikan pada tabel 4.5., menunjukkan nilai loading factor
(estimate pada standardized regression weight) indikator variabel laten Kualitas Layanan yang terdiri dari KL1, KL2, KL3, dan KL4 memiliki nilai > 0,5 berarti merupakan konstruk yang valid.
Tabel 4.5. Uji Validasi Variabel KL Indikator Estimasi Keterangan
KL1 0,566 Valid
KL2 0,514 Valid
KL3 0,541 Valid
KL4 0,995 Valid
2. Uji Validitas Variabel Laten Endogen a. Kepuasan Peserta e-procurement (KP)
Nilai loading factor (estimate pada
standardized regression weight) indikator variabel laten Kualitas Informasi yang terdiri dari KP1, KP3, dan KP4 yang dapat dilihat pada tabel 4.6. memiliki nilai > 0,5 berarti merupakan konstruk yang valid. Sedangkan KP2 memiliki nilai < 0,5 berarti merupakan konstruk yang tidak valid
Tabel 4.6. Uji Validasi Variabel KP Indikator Estimasi Keterangan
KP1 0,845 Valid KP2 -0,570 Tidak Valid KP3 0,897 Valid KP4 0,867 Valid b. Manfaat Bersih (MB)
Hasil output standardized loading estimate
yang disajikan pada tabel 4.7., menunjukkan nilai loading factor
(estimate pada standardized regression weight) indikator variabel laten Kualitas Layanan yang terdiri dari MB1, MB2, MB3, MB4 dan MB5 memiliki nilai > 0,5 berarti merupakan konstruk yang valid.
Tabel 4.7. Uji Validasi Variabel MB Indikator Estimasi Keterangan
MB1 0,883 Valid MB2 0,542 Valid MB3 0,939 Valid MB4 0,887 Valid MB5 0,625 Valid Pengujian Reliabilitas
Pendekatan yang digunakan pada pengujian realiabilitas ini adalah mencari nilai besaran
INF-330
construct reliability dan variance extracted dari masing-masing variabel laten dengan menggunakan informasi yang terdapat dalam loading factor dan
measurement error. Cut-off value dari construct reliability adalah minimal 0,7 sedangkan cut-off value dari variance extracted minimal 0,5.
Tabel 4.8. Uji Reliabilitas Gabungan Variabel
Laten Reliability Construct Extracted Variance
KI 0,824 0,614
KS 0,827 0,562
KL 0,832 0,574
KP 0,946 0,853
MB 0,930 0,736
Dari tabel 4.8. di atas dapat disampaikan bahwa seluruh konstruk variabel laten memenuhi syarat cut-off value untuk contruct reliability yaitu memiliki nilai > 0,7. Dengan demikian dapat dikatakan bahwa masing-masing variabel memiliki reliabilitas yang baik.
Uji Asumsi
Uji asumsi model dilakukan untuk mengetahui apakah data yang digunakan telah memenuhi asumsi-asumsi SEM. Asumsi-asumsi yang harus diperhatikan dalam uji asumsi ini adalah:
a. Ukuran Sampel
Jumlah data sampel dalam penelitian ini sebanyak 127 sampel. Jumlah tersebut telah memenuhi persyaratan ukuran sampel dalam pemodelan SEM minimum berjumlah 100 sampel.
b. Uji Normalitas
Berdasarkan penilaian normalitas (assessment of normality), secara univariate bahwa nilai c.r. keseluruhan berada pada kisaran nilai yang direkomendasikan yaitu antara -2,58 sampai dengan 2,58 (signifikansi pada 1%). Namun nilai
multivariate c.r sebesar 17,896 berada di atas 2,58, sehingga dapat disimpulkan bahwa data berdistribusi tidak normal.
c. Outlier
Sebuah data digolongkan outlier jika memiliki nilai p1 dan p2 kurang dari 0,05. Pada
mahalanobis distanceada nilai p1 dan p2 di bawah 0,05. Kondisi tersebut menunjukkan bahwa terdapat adanya outlier.
d. Multikolinearitas dan Singularitas
Jika determinan dari matrik kovarians sangat besar atau jauh dari angka nol, maka dapat disimpulkan bahwa tidak terdapat masalah
multikolinearitas dan singularitas pada data yang dianalisis, sehingga data dinyatakan valid. Nilai
determinant of sampel covariance matrix = .000.
Berdasarkan nilai tersebut maka dapat disimpulkan bahwa tidak terdapat masalah
multikolinearitas dan singularitas pada data yang dianalisis, sehingga data dinyatakan valid. Uji Kesesuaian
Model penelitian sementara terlihat pada gambar 4.2. yang diperoleh setelah dilakukan uji validasi dan reliabilitas
Gambar 4.2.
Model Penelitian Setelah Uji Validasi dan Reliabilitas Model teori yang diajukan pada penelitian ini tidak sesuai dengan model populasi yang diobservasi. Hal tersebut dapat dibuktikan dengan melihat nilai P pada tabel 4.9. yang bernilai kurang dari 0,05.
Tabel 4.9. Hasil Uji Kesesuaian Model Ukuran
Kesesuaian Batas Nilai Kritis Hasil Uji Model Keterangan Absolut Fit Measures
Chi-Square
X2 (CMIN) Kecil,
2 α ; df
816,145 Tidak Baik Probability 0,05 0,000 Tidak Baik Chi-Square
X2 Relatif (CMIN/DF)
2,00 5,748 Tidak Baik
GFI 0,90 0,566 Tidak Baik
RMSEA 0,08 0,194 Tidak Baik Incremental Fit Measures
AGFI 0,90 0,420 Tidak Baik
INF-331
NFI 0,90 0,613 Tidak Baik
CFI 0,95 0,652 Tidak Baik
Parsimonious Fit Measures
PNFI 0,60 0,509 Tidak Baik
PGFI 0,60 0,423 Tidak Baik
Karena nilai P kurang dari 0,05 atau tidak memenuhi persyaratan, maka uji kriteria lain seperti; absolut fit measure, incremental fit measures, dan parsimonious fit measures tidak dilanjutkan. Sehingga langkah selanjutnya adalah dengan menggunakan analisis jalur (path analysis).
Analisis Model Jalur (Path Analysis) Model Jalur Awal
Model jalur awal untuk analisis jalur dapat dilihat pada gambar 4.3.:
Gambar 4.3. Model Jalur Awal Dari hasil uji signifikansi diperoleh nilai koefisien yang mempengaruhi signifikansi setiap jalur pada model jalur awal. Hasil uji signifikansi ditunjukkan pada gambar 4.4.
Gambar 4.4. Hasil Uji Signifikansi Model Jalur Awal
Hubungan kausalitas antar jalur yang boleh digunakan harus memenuhi kriteria nilai probabilitas P < 0,05 dan koefisien regresi bernilai positif. Pada tabel 4.10. ditampilkan hasil analisis terhadap model jalur awal.
Tabel 4.10.
Koefisien Regresi dan Nilai Probabilitas Model Jalur Awal
Hubunga n Kausalita s Koefisien Regresi (KR) Probabi litas (P) Keterangan KP ← KL -0,131 0,351 Non Signifikan KP ← KS 0,201 0,451 Non Signifikan KP ← KI 0,671 0,005 Signifikan MB ← KI 1,227 0,000 Signifikan MB ← KL 0,170 0,066 Non Signifikan MB ← KS 1,163 0,000 Signifikan MB ← KP 1,133 0,022 Signifikan
Dari hasil uji signifikansi yang disimpulkan dalam tabel 4.10., terdapat empat jalur signifikan dan tiga jalur non signifikan. Hal ini menyatakan bahwa model jalur awal yang diajukan, tidak sesuai atau tidak fit.
Hipotesis operasional akan diterima (jika P < 0,05) atau ditolak (jika P > 0,05) sesuai dengan hasil uji signifikansi. Tabel 4.11. memperlihatkan hasil hipotesis khusus
Tabel 4.11. Hasil Hipotesis Operasional Hipot
esis Deskripsi Hipotesis
Statistik Hipotesi s Hasil H1 Diduga kualitas sistem secara signifikan mempengaruhi kepuasan peserta e-procurement. KP ← KS Ditolak (Non Signifikan ) H2 Diduga kualitas sistem secara signifikan mempengaruhi manfaat bersih. MB ← KS Diterima (Signifika n) H3 Diduga kualitas informasi secara signifikan mempengaruhi kepuasan peserta e-procurement. KP ← KI Diterima (Signifika n) H4 Diduga kualitas informasi secara signifikan mempengaruhi manfaat bersih. MB ← KI Diterima (Signifika n)
INF-332 H5 Diduga kualitas layanan secara signifikan mempengaruhi kepuasan peserta e-procurement KP ← KL Ditolak (Non Signifikan ) H6 Diduga kualitas layanan secara signifikan mempengaruhi manfaat bersih MB ← KL Ditolak (Non Signifikan ) H7 Diduga kepuasan peserta e-procurement secara signifikan mempengaruhi manfaat bersih MB ← KP Diterima (Signifika n)
Model Jalur Akhir
Model jalur akhir yang dibuat berdasarkan penghapusan jalur dari uji signifikansi, diperlihatkan pada gambar 4.5.
Gambar 4.5. Model Jalur Akhir
Dari hasil uji signifikansi diperoleh gambaran koefisien regresi seperti pada gambar 4.6.
Gambar 4.6. Hasil Uji Signifikansi Model Jalur Akhir Tabel 4.12. memperlihatkan hasil analisa Koefisien Regresi dan Probabilitas untuk model jalur akhir yang dibuat.
Tabel 4.12.
Koefisien Regresi dan Nilai Probabilitas Model Jalur Akhir
Hubungan
Kausalitas Koefisien Regresi (KR) Probabilitas (P) Keterangan
KP ← KI 0,750 0,000 Signifikan
MB ← KL 0,252 0,022 Signifikan
MB ← KS 1,965 0,000 Signifikan
MB ← KP 0,239 0,000 Signifikan
Tabel 4.13.Koefisien Determinasi Model Jalur Akhir Variabel
Endogen R2 Intercept
KP 12,20% -2,445
MB 63,40% -11,122
4.2.6. Interpretasi Model
Berdasarkan tabel 4.12. dan tabel 4.13., maka dibuat persamaan variabel endogen model akhir yang diperlihatkan dibawah ini:
KP = intercept + 12 KI 4.1
KP = -2,445 + 0,750 KI
Persamaan 4.1 menjelaskan hubungan antara Kepuasan Pengguna (KP) dengan Kualitas Informasi (KI). Apabila KI meningkat 1 satuan, maka KP akan meningkat 0,750.
Variabel endogen Kepuasan Peserta (KP) dipengaruhi oleh Kualitas Informasi (KI). Hasil penelitian menjelaskan Kepuasan Peserta (KP) yang dipengaruhi oleh variasi Kualitas Informasi (KI) sebanyak 12,20%, sedangkan persentase sebesar 87,80% merupakan variasi yang dijelaskan oleh variabel-variabel lain dalam penelitian ini.
MB = intercept + 21 KL + 22 KS + β21 KP 4.2
MB = -11,122 + 0,252 KL + 1,965 KS + 0,239 KP Persamaan 4.2 menjelaskan hubungan antara Manfaat Bersih (MB) dengan Kualitas Layanan (KL), Kualitas Sistem (KS) dan Kepuasan Pengguna (KP). Jika KL meningkat 1 satuan dan KS serta KP bernilai konstan, maka Manfaat Bersih (MB) akan meningkat sebesar 0,252. Jika KS meningkat 1 satuan dan KL serta KP bernilai konstan, maka Manfaat Bersih (MB) akan meningkat sebesar 1,965. Jika KP meningkat 1 satuan dan KL serta KS bernilai konstan, maka Manfaat Bersih (MB) akan meningkat sebesar 0,239.
Variabel endogen Manfaat Bersih (MB) juga dipengaruhi secara signifikan oleh 3 variabel yaitu Kualitas Layanan (KL), Kualitas Sistem (KS), dan Kepuasan Peserta (KP). Hasil penelitian menjelaskan Manfaat Bersih (MB) yang dipengaruhi oleh variasi Kualitas Layanan (KL), Kualitas Sistem (KS) dan Kepuasan Peserta (KP) 63,40%, sedangkan
INF-333 persentase sebesar 36,60% merupakan variasi yang
dijelaskan oleh variabel Kualitas Informasi (KI).
KESIMPULAN
Dari penelitian ini dapat disimpulkan beberapa hal berikut:
1. Kualitas informasi merupakan variabel atau faktor yang paling mempengaruhi kepuasan peserta e-procurement.
2. Kualitas layanan, kualitas sistem dan kepuasan peserta merupakan variabel atau faktor yang paling mempengaruhi manfaat bersih e-Procurement bagi para peserta e-Procurement.
UCAPAN TERIMA KASIH
Terima kasih kepada semua pihak khususnya orang tua yang selalu mendoakan dan mendukung atas kelancaran penyusunan penelitian ini.
REFERENSI
(LPSE), Layanan Pengadaan Secara Elektronik. lpse.lkpp.go.id. 25 November 2013 <http://lpse.lkpp.go.id/eproc/tentangkami>. Aritonang, R. L. Kepuasan Pelanggan. Jakarta: PT
Gramedia Pustaka Utama, 2005.
Chaffey, D. E-business and E-commerce Management: Strategy, Implementation, and Practice (2nd edition). New Jersey: Prentice Hall, 2004.
DeLone, W. H., dan McLean E. R. . h,. . “Information Systems Success: A Ten-Year Update.” Journal of Information Systems Research, The Institute of Management Sciences (2003). DeLone, W. H., dan McLean E. R. “Information
System Success: The Quest for the Dependent Variable.” Information System Research, 3(1) (1992): 60-95.
Fauzan, M., Mukhlis T., dan Ricky Husny. “Tingkat Kesiapan Masyarakat Jasa Konstruksi Dalam Penerpan E-Procurement Di Lhokseumawe.” Teras Jurnal, Vol 3, No. 1, Maret ( 2013). Ghozali, I. Model Persamaan Struktural: Konsep dan
Aplikasi dengan Program AMOS Ver. 5.0.
Semarang: Badan Penerbit Universitas Diponegoro, 2004.
Hair, J, F. Jr., Anderson, R.E., Tathan, R.L., dan Black, W.C. Multivariat Data Analysis. New Jersey: Prentice Hall, 1998.
Jogiyanto, H. Model Kesuksesan Sistem Teknologi Informasi. Yogyakarta: Andi Offset, 2007. Kusdaryono, Aries. Strategi Penerapan Sistem
E-Procurement Pemerintah (SePP): Studi Kasus di Departemen Komunikasi dan Informatika R.I. Jakarta: Universitas Budi Luhur, 2007. Liu, C., dan Arnett, K. P. “Exploring the Factors
Associated with Web Site Success In the Context Of Electronic Commerce.” Information & Management, 38 (2009): 23-33.
Muzahid Akbar, Mohamma, dan Parvez, Noorjahan. “Impact of Service Quality, Trust, and Customer Satisfaction on Customers Loyalty.” ABAC Journal Vol. 29, No. 1 (January-April) ( 2009.): 24-38.
Nazir, M. Metode Penelitian. Jakarta: Ghalia Indonesia, 2009.
Santoso, Singgih dan Fandy Tjiptono. Riset Pemasaran: Konsep dan Aplikasi dengan SPSS. Jakarta: Elex Media Komputindo, 2002. Santoso, Singgih. Struktural Equation Model (SEM):
Konsep dan Aplikasi dengan AMOS 18. Jakarta: Elex Media Komputindo, 2011. Seddon, P.B., Staples, S., Patnayakuni, R., dan
Bowtell, M. “Dimensions of Information Systems Success.” Communication of the AIS (2) (1999).
Sitinjak, Tumpal, dan Sugiarto. Lisrel. Yogyakarta: Graha Buku, 2006.
Sugiyono. Metode Penelitian Bisnis. Bandung: Alfabeta, 1999.
Turban, E., King D., Lee J., dan Viehland D. Electronic Commerce: A Managerial Perspective. New Jersey: Prentice Hall, 2004.
Widodo, Prabowo Pudjo. Seri Structural Equation Modeling. Jakarta: Universitas Budi Luhur, 2007.
Zeithaml, Valarie A., Parasuraman, A., dan Berry, Leonard L. Delivering Quality Service: Balancing Customer Perception and Expectation New York. The Free Press, 1990.