Lukman Hakim, 2018. Evaluasi Terhadap Penerimaan Masyarakat Terhadap Situs Pembelajaran Koding belajarkoding.net Menggunakan Unified Theory of Acceptance and Use of Technology. Skripsi ini dibawah bimbingan Drs. Eto Wuryanto, DEA dan Badrus Zaman, S.Kom., M.Cs. Program Studi S1 Sistem Informasi. Fakultas Sains dan Teknologi, Universitas Airlangga.
ABSTRAK
Belajarkoding.net merupakan situs yang dikembangkan untuk membantu masyarakat mempelajari ilmu di bidang web design, development, dan graphic design. Tujuan penelitian ini adalah untuk mengevaluasi penerimaan dan penggunaan website belajarkoding.net dengan menggunakan model Unified Theory of Acceptance and Use of Technology UTAUT.
Penelitian dilakukan dengan mengumpulkan data melalui penyebaran kuesioner yang diadaptasi dari model UTAUT. Kuesioner disebarkan kepada 100 pengguna situs belajarkoding.net secara online menggunakan Google Form. Data kuesioner dianalisis menggunakan metode Partial Least Square-Structural Equation Modeling (SEM) dengan tools SmartPLS. Proses analisis PLS-SEM diawali dengan evaluasi model pengukuran. Selanjutnya dilakukan evaluasi model struktural. Hasil analisa PLS-SEM kemudian diinterpretasikan.
Hasil penelitian menunjukkan bahwa evaluasi model pengukuran telah valid, reliabel, dan dapat diterima secara substansial berdasarkan hasil pengujian data. Selanjutnya hasil evaluasi model struktural yang diperoleh menunjukkan bahwa faktor-faktor yang berpengaruh signifikan terhadap minat pemanfaatan belajarkoding.net antara lain ekspektasi kinerja dan pengaruh sosial. Minat pemanfaatan dan kondisi pemfasilitas berpengaruh signifikan terhadap perilaku penggunaan belajarkoding.net. Karakteristik pengguna (jenis kelamin, usia, pengalaman dan kesukarelaan) tidak terbukti berperan sebagai moderator. Akurasi prediksi model UTAUT dalam menjelaskan minat pemanfaatan belajarkoding.net tergolong tinggi yaitu sebesar 78,7%, sedangkan akurasi prediksi model UTAUT dalam menjelaskan perilaku penggunaan belajarkoding.net juga tergolong tinggi yaitu sebesar 65,7%. Hasil evaluasi penerimaan dan penggunaan belajarkoding.net yang diperoleh bisa memberikan rekomendasi kebutuhan yang harus diperhatikan dan menjadi hal yang bisa dikembangkan untuk penelitian lebih lanjut.
Lukman Hakim, 2018. Evaluating Society’s Acceptance on Coding e-Learning website belajarkoding.net using Unified Theory of Acceptance and Use of Technology. This Undergraduate Thesis was under guidance of Drs. Eto Wuryanto, DEA and Badrus Zaman, S.Kom., M.Cs. Information System Bachelor Degree. Fakultas Sains dan Teknologi, Universitas Airlangga.
ABSTRACT
Belajarkoding.net is a website developed to help society learning web design, development, and graphic design. The purpose of this research is to evaluate the acceptance and use of belajarkoding.net website using Unified Theory of Acceptance and Use of Technology (UTAUT) model.
This research was carried by gathering data from spreading questionnaire adapted from UTAUT model. The quesionnaire was spread online to 100
belajarkoding.net users via Google Form. Questionnaire data was analized with Partial Least Square-Structural Equation Modelling (PLS-SEM) method using SmartPLS tools. The PLS-SEM analizing process started with measurement model evaluation and followed by structural model evaluation. Then the result of PLS-SEM analyzation was interpreted.
The research indicates the measurement model evaluation are valid, reliable, and substantially acceptable based on data testing. Next the structural model evaluation shows the factors that have significant influence to behavorial intention on belajarkoding.net. Those factors are performance expectancy and social influence. Behavorial intention and facilitating condition have significant influence on use behavior on belajarkoding.net. User characteristics (gender, age, experience, and voluntariness) are not proven effective as moderator. UTAUT model has quite high prediction accuracy both in explaining behavioral intention on belajarkoding.net at 78,7%, and in explaining use behavior on
belajarkoding.net at 65,7%. The result of acceptance and use of belajarkoding.net
evaluation can give a requirement recommendation needed to improve future researches.
2.6 Tools SmartPLS ... 16
2.7 Pengambilan Keputusan dengan P-Value ... 17
BAB III METODE PENELITIAN... 18
3.1 Penentuan Populasi dan Sampel Responden ... 18
3.2 Penentuan Model Penelitian dan Hipotesis ... 19
3.3 Penyebaran Kuesioner dan Metode Pengumpulan Data ... 29
3.4 Pengolahan Data ... 30
3.5 Analisis Model UTAUT dengan Menggunakan PLS-SEM ... 31
3.6 Uji Hipotesis dan Pembahasan ... 33
3.7 Rekomendasi ... 33
BAB IV HASIL DAN PEMBAHASAN ... 34
4.1 Penentuan Populasi dan Sampel Responden ... 34
4.2 Penentuan Model Penelitian dan Hipotesis ... 34
4.3 Penyebaran Kuesioner dan Metode Pengumpulan Data ... 36
4.4 Pengolahan Data ... 37
4.5 Analisis Model UTAUT dengan Menggunakan PLS-SEM ... 43
4.6 Uji Hipotesis dan Pembahasan ... 56
4.7 Rekomendasi ... 69
BAB V KESIMPULAN DAN SARAN ... 72
5.1 Kesimpulan ... 72
5.2 Saran ... 74
DAFTAR GAMBAR
No. Judul Gambar Halaman
2.1 Halaman Depan belajarkoding.net 5
2.2 Model Penelitian UTAUT 9
2.3 Tahapan analisis PLS-SEM 16
3.1 Model Penelitian 19
4.1 Model Penelitian 35
4.2 Output Diagram Jalur 45
No. Judul Tabel Halaman
Tabel 2.1 Konsep Model UTAUT 8
Tabel 2.2 Susunan Skala Likert 11
Tabel 2.3 Kriteria Penilaian PLS 13
Tabel 3.1 Hipotesis Penelitian 19
Tabel 3.2 Instrumen Kuesioner 29
Tabel 4.1 Hipotesis Penelitian 35
Tabel 4.2 Profil Responden 37
Tabel 4.3 Distribusi Frekuensi Variabel Ekspektasi Kinerja 38 Tabel 4.4 Distribusi Frekuensi Variabel Ekspektasi Usaha 39 Tabel 4.5 Distribusi Frekuensi Variabel Pengaruh Sosial 40 Tabel 4.6 Distribusi Frekuensi Minat Pemanfaatan 41 Tabel 4.7 Distribusi Frekuensi Variabel Kondisi Pemfasilitas 42 Tabel 4.8 Distribusi Frekuensi Variabel Perilaku Penggunaan 43
Tabel 4.9 Outer Loading 46
Tabel 4.10 Outer Loading Hasil Re-estimasi Model 48
Tabel 4.11 Uji Composite reliability 49
Tabel 4.12 Nilai AVE 49
Tabel 4.13 Cross Loading 51
Tabel 4.14 Fornell-Larcker Criterion 52
Tabel 4.15 Path Coefficients 53
Tabel 4.16 Hasil PLS-MGA Variabel Moderator Gender 54 Tabel 4.17 Hasil PLS-MGA Variabel Moderator Age 54
Tabel 4.18 R Square 56
No. Judul Lampiran
berupa artikel, video learning, dan modul-modul pembelajaran interaktif yang tersedia dalam bahasa Indonesia.
Situs pembelajaran pemrograman online banyak tersedia dan saling bersaing untuk mendapatkan pengunjung. Pengunjung sendiri memiliki penilaian untuk memilih menggunakan situs pembelajaran online. Niat perilaku pengunjung dalam melakukan pemilihan dipengaruhi oleh harapan akan kinerja, harapan akan usaha, pengaruh sosial, dan kondisi pendukung. Untuk mendapatkan kejelasan terkait hal-hal tersebut diperlukan sebuah analisis penerimaan penggunaan situs pembelajaran online pada masyarakat.
Secara teoritis dan praktis Unified Theory of Acceptance and Use of Technology (UTAUT) merupakan model yang dianggap paling tepat dalam menjelaskan penerimaan dan penggunaan sistem informasi. Model UTAUT telah digunakan untuk penelitian yang berada di lingkungan akademik. Model UTAUT telah diterapkan di lingkungan akademik oleh banyak peneliti untuk memahami persepsi mahasiswa terhadap penerimaan dan penggunaan Case tools (Sedana & Wijaya, 2006). Peneliti ingin menggunakan model ini untuk mengevaluasi penerimaan dan penggunaan masyarakat terhadap situs pembelajaran koding BelajarKoding dengan menggunakan dimensi-dimensi yang ada pada model UTAUT yaitu harapan akan kinerja, harapan akan usaha, pengaruh sosial, dan kondisi pendukung.
sehingga dapat dengan baik menjelaskan dan memprediksi ada atau tidaknya hubungan antar variabel laten dalam satu blok model penelitan. Terlebih lagi PLS-SEM dapat digunakan pada jenis data nominal, ordinal, dan rasio, dan syarat asuransi yang fleksibel (Yamin & Kurniawan, 2011).
1.2 Rumusan Masalah
Berdasarkan latar belakang, rumusan masalah dari penelitian ini: Bagaimana UTAUT berperan dalam menilai penerimaan masyarakat terhadap situs pembelajaran koding BelajarKoding untuk meningkatkan minat mempelajari pemrograman?
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengevaluasi penerimaan dan penggunaan website BelajarKoding dengan menggunakan model UTAUT.
1.4 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat sebagai berikut: 1. Dapat mengetahui faktor yang memiliki pengaruh paling dominan
terhadap minat penggunaan dan penerimaan situs BelajarKoding.
2. Dapat mengetahui seberapa besar akurasi prediksi model UTAUT dalam menjelaskan penerimaan dan penggunaan website BelajarKoding.
1.5 Batasan Masalah
1. Indikator penerimaan yang digunakan adalah turunan dari penelitian-penelitian terdahulu terkait model UTAUT. Indikator-indikator tersebut digunakan sebagai instrumen pengukuran variabel ekspektasi kinerja,
ekspektasi usaha, pengaruh sosial, kondisi pemfasilitas, minat pemanfaatan, dan perilaku penggunaan.
2. Hanya mengkaji model penerimaan teknologi UTAUT dengan pendekatan analisis jalur PLS-SEM.
2.2 The Unified Theory of Acceptance and Use of Technology (UTAUT)
UTAUT merupakan model penerimaan teknologi yang diformulasikan oleh Venkatesh. Dalam UTAUT Venkatesh dkk. menggabungkan fitur-fitur yang terdapat dalam berbagai teori penerimaan teknologi yang telah dianggap berhasil (Venkatesh dkk., 2003) yaitu:
1. Teori tindakan beralasan (theory of reasoned action atau TRA)
2. Model penerimaan tenologi (technology acceptance model atau TAM) 3. Model motivasional (motivational model atau MM)
4. Teori perilaku perencanaan (theory of planned behavior atau TPB)
5. Model gabungan TAM dan TPB (Combined TAM and TPB atau C-TAMTPB) 6. Model pemanfaatan PC (model of PC utilization atau MPCU)
7. Teori difusi inovasi (innovation diffusion theory atau IDT) 8. Teori kognitif sosial (social cognitive theory atau SCT)
Melalui penggabungan teori-teori penerimaan tersebut Venkatesh dkk memformulasikan UTAUT yang menjelaskan terdapat empat konstruk yang memiliki pengaruh langsung terhadap penerimaan pengguna dan perilaku penggunaan. Keempat konstruk tersebut adalah:
Gambar 2.2 Model Penelitian UTAUT
2.3 Data
Data adalah deskripsi dasar dari benda, peristiwa, aktivitas dan transaksi yang direkam, dikelompokkan, dan disimpan tetapi belum terorganisir untuk menyampaikan arti tertentu (Turban dkk., 2010). Secara garis besar pengelompokan data dibagi ke dalam beberapa kelompok menurut (Siregar, 2014), antara lain sebagai berikut:
1. Kelompok data menurut cara memperolehnya a. Data Primer
Data primer adalah data yang dikumpulkan sendiri oleh peneliti langsung dari sumber pertama atau tempat obyek penelitian dilakukan. b. Data Sekunder
bobot yang lebih rendah akan berkontribusi rendah pula terhadap variabel laten (Chin dkk, 1996).
PLS digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner model dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan konstrak yang lain, sedangkan outer model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya.
2.5.2 Kriteria Penilaian PLS
PLS memiliki dua model evaluasi, yaitu:
a. Model Pengukuran (Measurement/Outer Model)
Model pengukuran adalah model yang menspesifikasikan hubungan antara variabel laten dengan setiap blok indikatornya. Evaluasi model pengukuran yang bersifat reflektif adalah menguji convergent validity, discriminant validity, dan reliabillity (Campbell dkk, 1959).
relevan dalam pengujian kualitas model pengukuran, hal yang harus dilakukan ialah menggunakan teori yang ada (rasional) dan pendapat ahli. Setidaknya ada lima isu kritis untuk menentukan kualitas model formatif yaitu content specification, specification indicator, reliability indicator, colinierity indicator, dan external validity (Yamin dkk, 2011).
b. Model Struktural (Structural/Inner Model)
Model struktural adalah model yang menunjukkan hubungan prediksi (estimasi) antar variabel laten dalam model penelitian. Evaluasi model struktural bertujuan untuk melihat signifikansi hubungan antar variabel laten dalam model penelitian dengan melihat koefisien jalur (path coefficient). Untuk menyimpulkan apakah hipotesis diterima atau ditolak, digunakan komparasi antara |t-statistik| dan dari t-tabel pada
derajat bebas dan tingkat kesalahan (α) yang ditetapkan.
Tabel 2.3 Kriteria Penilaian PLS Evaluasi Model Struktural
R2 Nilai R2 untuk menjelaskan pengaruh variabel laten (eksogen) tertentu terhadap variabel laten (endogen)
pengaruh) jika|t-statistik| ≥ t-tabel
f2 untuk effect size
Nilai f2 dapat diinterpretasikan apakah prediktor variabel laten mempunyai pengaruh yang lemah, medium, atau besar pada tingkat struktural
Prosedur blindfolding digunakan untuk menghitung:
∑ ∑
D adalah ommission distance, E adalah sum of squares of predictionerrors, dan O adalah sum of squares of observation.
Nilai Q2 > 0 menunjukkan variabel laten eksogen baik/sesuai sebagai variabel penjelas yang mampu memprediksi variabel endogennya
Evaluasi Model Pengukuran Reflektif Convergent
Validity
Loading factor > 0.7 untuk confirmatory research > 0.6 untuk exploratory research
Cross Loading Nilai cross loading antara variabel laten dengan indikatornya (sendiri) harus lebih besar dibandingkan indikator lain
Akar kuadrat AVE dan korelasi antar variabel laten
Nilai akar kuadrat dari AVE > nilai korelasi antar variabel laten
Reliability Cronbach’s alpha > 0.7 untuk Confirmatory research > 0.6 untuk Exploratory research Composite reliability > 0.7 untuk Confirmatory research
> 0.6 untuk Exploratory research Evaluasi Model Pengukuran Formatif
Reliability
Indicator
signifikan (minimal 0.2). Tingkat signifikansi ini dinilai dengan prosedur bootstrapping
Multikolonieritas Variabel manifes dalam blok harus diuji apakah terdapat multikol. Nilai Variance Inflation Factor (VIF)
dapat digunakan untuk menguji hal ini. Nilai VIF > 10 mengindikasikan multikolinier
Evaluasi Model Gabungan Goodness of Fit
(GoF)
GoF index ini merupakan ukuran tunggal yang digunakan untuk memvalidasi performa gabungan antara model pengukuran dan model struktural
√
0.1; 0.25 dan 0.36 menunjukkan
GoF “kecil”, “moderat”, dan besar
2.5.3 Tahapan Analisis PLS-SEM
Tahapan analisis PLS-SEM setidaknya ada tujuh proses yang harus dilakukan, Diagram jalur tahapan analisis dapat dilihat pada gambar 2.5. Tahapan analisis PLS-SEM dijabarkan sebagai berikut:
a. Merancang model struktural (inner model) tujuannya adalah memformulasikan model hubungan antar variabel laten.
b. Mendefinisikan model pengukuran (outer model), tujuannya untuk adalah mendefinisikan dan mespesifikan hubungan antara konstruk dengan indikatornya, apakah hubungannya bersifat reflektif atau formatif.
laten dalam model penelitian, sehingga mempermudah peneliti untuk melihat model secara keseluruhan.
d. Evaluasi model dimana terdiri dari tahapan evaluasi model pengukuran, evaluasi model struktural, dan evaluasi model gabungan. e. Interpretasi model dimana berdasarkan kepada hasil analisis dari
model penelitian (signifikansi hubungan antar variabel).
Gambar 2.3 Tahapan analisis PLS-SEM (Sofyan & Kurniawan, 2011)
2.6 Tools SmartPLS
Tahun 2005 SmartPLS dikembangkan oleh Profesor Cristian M. Ringle, Sven Wended dan Alexander Will. Software ini diciptakan sebagai proyek di Institute of Operation Management and Organization (School of Business) University of Hamburg, Jerman. SmartPLS menggunakan Java Webstart Technology. SmartPLS 3.0 merupakan salah satu program yang digunakan untuk menganalisis data dalam menyelesaikan permasalahan variance-based SEM
Merancang Model Struktural
Mendefinisikan Model Pengukuran
Membuat Diagram jalur
Mengkonversikan Diagram Jalur ke Sistem Persamaan
Evaluasi Model
(Ghozali, 2013). SmartPLS 3.0 baik versi student maupun versi trial satu tahun dapat di download di www.smartpls.com cari platform yang sama dengan
operating system computer yang digunakan (windows, macs). Selain bersifat
freeware, penggunaan SmartPLS mudah dipelajari dan user friendly. Adapun dukungan problem-solving oleh pembuatnya melalui forum diskusi di www.smartpls.com/forum.
2.7 Pengambilan Keputusan dengan P-Value
P-Value merupakan kriteria uji signifikansi dalam memutuskan apakah menolak H0 atau menerima H0. P-value memberikan dua informasi sekaligus yaitu disamping petunjuk apakah H0 pantas ditolak, p-value juga memberikan informasi mengenai besarnya peluang salah menolak H0 dari data penelitian (Kurniawan, 2008).
Pada umumnya, p-valuedibandingkan dengan suatu taraf nyata α tertentu, biasanya α = 5% atau 0.05. Taraf nyata α diartikan sebagai peluang peneliti
melakukan kesalahan untuk menyimpulkan bahwa H0 salah, padahal sebenarnya statement H0 benar. Ketentuan yang berlaku untuk keputusan uji statistik dengan
p-value sebagai berikut:
BAB III
METODE PENELITIAN
Metode penelitian adalah suatu cara atau prosedur yang digunakan untuk melakukan penelitian sehingga mampu menjawab rumusan masalah dan tujuan penelitian dengan suatu landasan ilmiah tertentu, tahapan penelitian ini sebagai berikut :
1. Penentuan Populasi dan Sampel Responden 2. Penentuan Model Penelitian dan Hipotesis
3. Penyebaran Kuesioner dan Metode Pengumpulan Data 4. Pengolahan Data
5. Analisis Model UTAUT dengan Menggunakan PLS-SEM 6. Uji Hipotesis dan Pembahasan
7. Rekomendasi Hasil
3.1 Penentuan Populasi dan Sampel Responden
3.2 Penentuan Model Penelitian dan Hipotesis
Model penelitian yang digunakan adalah model UTAUT yang diperkenalkan oleh Venkantesh dkk (2003). Model penelitian dapat dilihat pada gambar dan tabel menjelaskan hipotesis penelitian.
Gambar 3.1 Model Penelitian Tabel 3.1 Hipotesis Penelitian
H1 Ekspektasi kinerja akan berpengaruh positif pada minat pemanfaatan situs belajarkoding.net
H2 Ekspektasi usaha akan berpengaruh positif pada minat pemanfaatan situs belajarkoding.net
H3 Pengaruh sosial akan berpengaruh positif pada minat pemanfaatan situs belajarkoding.net H4 Kondisi pemfasilitas akan berpengaruh positif pada perilaku penggunaan situs belajarkoding.net H5 Minat pemanfaatan akan berpengaruh positif pada perilaku penggunaan situs
belajarkoding.net
H6 Pengaruh ekspektasi kinerja dengan minat pemanfaatan situs belajarkoding.net akan dimoderasi oleh (a) jenis kelamin dan (b) usia H7 Pengaruh ekspektasi usaha dengan minat pemanfaatan situs belajarkoding.net akan dimoderasi oleh (a) jenis kelamin, (b) usia, dan (c) pengalaman H8 Efek pengaruh sosial dengan minat pemanfaatan situs belajarkoding.net akan
Adapun penjelasan masing-masing hipotesis mengenai penerimaan atau penolakan hipotesis adalah sebagai berikut:
1. Hipotesis pertama untuk mengetahui pengaruh ekspektasi kinerja terhadap minat pemanfaatan
H0: Tidak ada pengaruh positif antara ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara ekspektasi kinerja yang dimiliki oleh mahasiswa dengan minat pemanfaatan e-learning belajarkoding.net
2. Hipotesis kedua untuk mengetahui pengaruh ekspektasi usaha terhadap minat pemanfaatan
H0: Tidak ada pengaruh positif antara ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara ekspektasi usaha yang dimiliki oleh mahasiswa dengan minat pemanfaatan e-learning belajarkoding.net
3. Hipotesis ketiga untuk mengetahui hubungan pengaruh sosial terhadap minat pemanfaatan
H0: Tidak ada pengaruh positif antara pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara pengaruh sosial yang dimiliki oleh mahasiswa dengan minat pemanfaatan e-learning belajarkoding.net
H0: Tidak ada pengaruh positif antara kondisi pemfasilitas yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara kondisi pemfasilitas yang dimiliki oleh mahasiswa dengan minat pemanfaatan e-learning belajarkoding.net
5. Hipotesis kelima untuk mengetahui pengaruh minat pemanfaatan terhadap Perilaku Pengguna
H0: Tidak ada pengaruh positif antara minat pemanfaatan yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara minat pemanfaatan yang dimiliki oleh mahasiswa dengan minat pemanfaatan e-learning belajarkoding.net
6. Hipotesis keenam
a) Hipotesis 6a untuk mengetahui pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi kinerja dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan
e-learning belajarkoding.net
H1: Ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H0: Tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi usia terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net 7. Hipotesis ketujuh
a) Hipotesis 7a untuk mengetahui pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
b) Hipotesis 7b untuk mengetahui pengaruh moderasi usia terhadap hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi usia terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
c) Hipotesis 7c untuk mengetahui pengaruh moderasi pengalaman terhadap hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi pengalaman terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi pengalaman terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net 8. Hipotesis kedelapan
a) Hipotesis 8a untuk mengetahui pengaruh moderasi jenis kelamin terhadap hubungan pengaruh sosial dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi jenis kelamin terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi jenis kelamin terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
b) Hipotesis 8b untuk mengetahui pengaruh moderasi usia terhadap hubungan pengaruh sosial dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi usia terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
H1: Ada pengaruh moderasi usia terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
c) Hipotesis 8c untuk mengetahui pengaruh moderasi pengalaman terhadap hubungan pengaruh sosial dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi pengalaman terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi pengalaman terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
d) Hipotesis 8d untuk mengetahui pengaruh moderasi kesukarelaan terhadap hubungan pengaruh sosial dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi kesukarelaan terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi kesukarelaan terhadap hubungan pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net 9. Hipotesis kesembilan
H0: Tidak ada pengaruh moderasi usia terhadap hubungan kondisi pemfasilitas yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh moderasi usia terhadap hubungan kondisi pemfasilitas yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
b) Hipotesis 6b untuk mengetahui pengaruh moderasi pengalaman terhadap hubungan kondisi pemfasilitas dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi pengalaman terhadap hubungan kondisi pemfasilitas yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh moderasi pengalaman terhadap hubungan kondisi pemfasilitas yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
Variabel bebas terdiri dari ekspektasi kinerja, ekspektasi usaha, pengaruh sosial, kondisi pemfasilitasi, minat pemanfaat serta karakteristik responden (usia, jenis kelamin, pengalaman dan kesukarelaan menggunakan situs belajarkoding.net). Variabel terikat terdiri dari perilaku penggunaan situs belajarkoding.net, dan minat pemanfaat situs belajarkoding.net. Operasional variabel dijabarkan sebagai berikut:
a. Usia
Skala pengukuran : Nominal
Kriteria : < 20 tahun, ≥ 20 tahun b. Jenis kelamin
Skala pengukuran : Nominal
Kriteria : Laki-laki dan Perempuan
c. Pengalaman adalah lama menggunakan situs belajarkoding.net Skala pengukuran : Nominal
Kriteria : < 2 tahun, ≥ 2 tahun
d. Kesukarelaan adalah tingkat kesukarelaan responden dalam menggunakan situs belajarkoding.net
Skala pengukuran : Nominal
Kriteria : Ya dan Tidak
2. Ekspektasi kinerja adalah seberapa tinggi individu meyakini bahwa dengan menggunakan situs belajarkoding.net akan membantu dia meningkatkan kinerjanya. Pengukuran menggunakan kuesioner. Kuesioner diambil dari penelitian Marchewka dkk (2007) yang diterjemahkan menjadi 4 item pertanyaan. Instrumen dinilai dengan menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
kuesioner. Kuesioner diambil dari penelitian Gandawati (2011) yang diterjemahkan menjadi 4 item pertanyaan. Instrumen dinilai dengan menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
4. Pengaruh sosial adalah tingkat dimana individu menganggap bahwa orang lain meyakinkan dirinya bahwa dia harus menggunakan situs belajarkoding.net. Pengukuran menggunakan kuesioner. Kuesioner diambil dari penelitian Marchewka dkk (2007) yang diterjemahkan menjadi 5 item pertanyaan. Instrumen dinilai dengan menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
5. Kondisi pemfasilitas adalah tingkat dimana individu percaya bahwa organisasi dan infrastruktur teknis tersedia untuk mendukung penggunaan situs belajarkoding.net. Pengukuran menggunakan kuesioner. Kuesioner diambil dari penelitian Tan (2013) yang diterjemahkan menjadi 4 item pertanyaan. Instrumen dinilai dengan menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
7. Perilaku penggunaan adalah intensitas individu dalam menggunakan e-learning belajarkodin.net. Pengukuran menggunakan kuesioner. Kuesioner diambil dari penelitian Priyono (2013) yang diterjemahkan menjadi 3 item pertanyaan. Instrumen dinilai dengan menggunakan skala likert 4 poin yaitu 1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Setuju, 4 = Sangat Setuju.
Tabel 3.2 Instrumen Kuesioner
Variable Indikator Sumber
Ekspektasi Kinerja
PE1 Responden merasa penggunaan e-learning bermanfaat untuk studi
Marchewka dkk, 2007 PE2 Responden merasa penggunaan e-learning mampu
meningkatkan penyelesaian tugas lebih cepat
PE3 Mampu meningkatkan produktivitas jika menggunakan e-learning
PE4 Meningkatkan kesempatan untuk mendapatkan grade yang lebih baik melalui penggunaan e-learning
Ekspektasi Usaha
EE1 Interaksi dengan e-learning jelas dan dimengerti
Gandawati, 2011 EE2
Menurut responden menu-menu dalam e-learning cukup banyak (kompleks) namun disusun dengan baik dan terorganisasi
EE3 e-learning mudah dalam penggunaan (pengoperasian)
EE4 Mudah dalam mempelajari bagaimana menggunakan e-learning
Pengaruh Sosial
SI1
Memperoleh saran dari orang-orang yang mempengaruhi tindakan responden untuk menggunakan e-learning
Marchewka dkk, 2007 SI2 Memperoleh saran dari orang-orang yang sangat berarti bagi responden untuk menggunakan e-learning
SI3 Memperoleh dukungan dari administrasi organisasi dalam penggunaan belajarkoding.net
SI4 Secara umum memperoleh dukungan dari organisasi dalam penggunaan belajarkoding.net
SI5
Memperoleh dukungan orang-orang yang sangat berarti bagi responden dalam penggunaan belajarkoding.net
FC3 belajarkoding.net kompatibel dengan aplikasi lain yang juga digunakan
FC4
Terdapat orang-orang yang membantu jika mengalami kesulitan dalam menggunakan situs belajarkoding.net (dosen, teman, help desk dsb)
Minat Pemanfaatan
BI1 Berniat tetap menggunakan belajarkoding.net hingga seterusnya
Sari, 2013 BI2 Berangan tetap menggunakan belajarkoding.net
hingga seterusnya
BI3 Berencana tetap menggunakan belajarkoding.net
Perilaku Penggunaan
UB1 Menggunakan belajarkoding.net secara konsisten
Priyono, 2013 UB2 Menggunakan belajarkoding.net, tetapi hanya
sebagian kecil
UB3 Menggunakan belajarkoding.net hanya untuk kepentingan tugas
3.3 Penyebaran Kuesioner dan Metode Pengumpulan Data
pada teman menyebarkan tautan online form Google From melalui group chat
Line, Whatsapp, serta group mahasiswa dan group pengguna belajarkoding.net di media sosial Facebook. Kuesioner juga akan dibuat dan disebarkan secara offline apabila data belum terpenuhi hanya dengan form online. Peneliti akan memberikan penjelasan kepada responden tentang kuesioner yang akan diisi bersamaan dengan pesan tautan dan kontak yang bisa dihubungi, untuk mengantisipasi adanya kebingungan responden dalam menjawab kuesioner sampai selesai. Responden akan dipilih secara acak oleh peneliti.
Pengumpulan data primer dalam penelitian ini dilakukan dengan metode survei melalui kuesioner yang dikirimkan kepada responden. Jangka waktu pengisian kuesioner dan pengembalian kuesioner adalah 1 minggu setelah kuesioner disebar. Penyebaran kuisioner ini disesuaikan dengan subjek yang menjadi responden dalam penelitian yaitu pengguna situs belajarkoding.net. Metode pemilihan responden berdasarkan daerah populasi yang telah ditetapkan.
3.4 Pengolahan Data
Data yang telah dikumpulkan akan dilakukan rekapitulasi hasil. Adapun enam variabel yang diuraikan dalam pertanyaan pada kuesioner yaitu ekspektasi kinerja, ekspektasi usaha, pengaruh social, minat pemanfaatan, kondisi pemfasilitas dan perilaku penggunaan.
untuk analisis PLS-SEM adalah SmartPLS, fitur yang digunakan diantaranya PLS Algorithm, Bootsrapping dan PLS-MGA.
3.5 Analisis Model UTAUT dengan Menggunakan PLS-SEM
Analisa data penelitian telah diputuskan menggunaka teknik analisis PLS-SEM. Alasan peneliti menggunakan analisis PLS-SEM karena dalam penelitian ini menggunakan indikator untuk mengukur setiap variabel latennya, model pengukuran bersifat struktural, dan juga bertujuan untuk orientasi prediktif hubungan antar variabel. Tools yang digunakan untuk analisa data adalah SmartPLS dengan tahapan analisis PLS-SEM sebagai berikut:
3.5.1 Evaluasi Model Pengukuran Reflektif
Model pengukuran digunakan untuk mengetahui nilai validitas dan reabilitas model yang menghubungkan indikator dengan variabel laten. Evaluasi model pengukuran reflektif dilakukan dengan menilai convergent validity dan
discriminant validity.
1. Convergent validity
Convergent validity dapat dievaluasi dengan melihat nilai loading factor. Selanjutnya mengukur reliabilitas konstruk dengan kriteriadari blok indikator yang mengukur konstruk. Pengukuran lain yang juga digunakan untuk menguji reliabilitas adalah dengan melihat output AVE.
2. Discriminant validity
discriminant validity dengan membandingkan korelasi antara konstrak dengan akar AVE konstrak Fornell-Lacker criterion.
3.5.2 Evaluasi Model Struktural
Evaluasi model struktural menggambarkan hubungan antar variabel laten atau hipotesis dalam sebuah model penelitian. Evaluasi model struktural dilakukan dengan mengestimasi path antar variabel dalam model UTAUT, melihat signifikansi, dan mengevaluasi kekuatan prediksi model
3.5.3 PLS-MGA
PLS-MGA digunakan untuk membandingkan parameter (biasanya path coefficient) antara dua atau lebih kelompok data. Perbedaan nilai estimasi jalur tersebut diuji tingkat signifikansinya dengan p value. PLS-MGA digunakan dalam penelitian karena adanya variabel moderator jenis kelamin, usia, pengalaman dan kesukarelaan di dalam model penelitian. Variabel jenis kelamin dapat diinterpretasikan dengan membagi data kedalam dua kelompok subsample yaitu kelompok laki-laki dan kelompok perempuan, sedangkan variabel usia dapat diinterpretasikan dengan membagi data kedalam dua kelompok subsample yaitu
kelompok usia <20 tahun dan kelompok usia ≥20 tahun. Pengelompokkan usia ini
dilakukan dengan median split dan didapatkan cut off point 20 tahun.
Variabel pengalaman dapat diinterpretasikan dengan membagi data kedalam dua kelompok subsample yaitu kelompok yang berpengalaman <2 tahun
dan kelompok yang berpengalaman ≥2 tahun dalam menggunakan situs
membagi data ke dalam dua kelompok subsample yaitu kelompok yang sukarela dan kelompok yang tidak sukarela.
3.6 Uji Hipotesis dan Pembahasan
Pada tahap ini akan membahas hasil uji hipotesis dari tahapan sebelumnya. Hasil pembahasan menunjukkan hubungan antar variabel yang mempengaruhi penerimaan dan penggunaan website belajarkoding.net pada mahasiswa program studi terkait informatika.
3.7 Rekomendasi
BAB IV
HASIL DAN PEMBAHASAN
Dalam bab ini akan membahas hasil analisis deskriptif, analisis data kuantitatif, dan penjelasannya. Analisis deskriptif akan menjelaskan karakteristik responden melalui jawaban responden atas pertanyaan kuesioner. Selanjutnya akan dibahas analisis data kuantitatif dengan menggunakan statistik Partial Least Square-Structural Equation Modeling (PLS-SEM) yang bertujuan untuk menguji hipotesis penelitian, dan terakhir akan diuraikan pembahasan hasil temuan berdasarkan hasil uji hipotesis penelitian.
4.1 Penentuan Populasi dan Sampel Responden
Populasi responden dalam penelitian ini adalah seluruh pengguna e-learning belajarkoding.net yang, hingga tanggal 18 Desember 2017, berjumlah 1919 orang. Dari populasi tersebut ditetapkan sampel responden sebanyak 100 orang. Profil responden meliputi informasi jenis kelamin, usia, pengalaman menggunakan e-learning belajarkoding.net, dan kesukarelaan.
4.2 Penentuan Model dan Hipotesis
Gambar 4.1 Model Penelitian
Hipotesis yang dibuat berdasarkan model penelitian dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hipotesis Penelitian
H1 Ekspektasi kinerja akan berpengaruh positif pada minat pemanfaatan situs belajarkoding.net H2 Ekspektasi usaha akan berpengaruh positif pada minat pemanfaatan situs
belajarkoding.net
H3 Pengaruh sosial akan berpengaruh positif pada minat pemanfaatan situs belajarkoding.net H4 Kondisi pemfasilitas akan berpengaruh positif pada perilaku penggunaan situs belajarkoding.net H5 Minat pemanfaatan akan berpengaruh positif pada perilaku penggunaan situs
belajarkoding.net
H6 Pengaruh ekspektasi kinerja dengan minat pemanfaatan situs belajarkoding.net akan dimoderasi oleh (a) jenis kelamin dan (b) usia
H7 Pengaruh ekspektasi usaha dengan minat pemanfaatan situs belajarkoding.net akan dimoderasi oleh (a) jenis kelamin, (b) usia, dan (c) pengalaman H8 Efek pengaruh sosial dengan minat pemanfaatan situs belajarkoding.net akan dimoderasi oleh (a) jenis kelamin, (b) usia, (c) pengalaman dan (d) kesukarelaan H9 Pengaruh kondisi pemfasilitas dengan perilaku penggunaan situs belajarkoding.net
4.3 Penyebaran Kuesioner dan Metode Pengumpulan Data
Penyebaran kuesioner dilakukan secara online, dimana sebanyak 200 kuesioner disebarkan oleh peneliti dengan cara peneliti meminta tolong koordinasi pada teman menyebarkan tautan online form Google From melalui group chat
Line, Whatsapp, serta group mahasiswa dan group pengguna belajarkoding.net. Data primer dikumpulkan dengan metode survei melalui kuesioner yang dikirimkan kepada responden tersebut. Melalui penyebaran kuesioner tersebut ditemukan profil responden yang meliputi informasi jenis kelamin, usia, pengalaman menggunakan e-learning belajarkoding.net, dan kesukarelaan
Jenis kelamin responden meliputi kategori laki-laki dan perempuan. Usia responden dibagi menjadi dua kategori yaitu kelompok usia <20 tahun dan kelompok usia ≥20 tahun. Pembagian kategori tersebut berdasarkan cut off point
median usia responden yaitu 20 tahun. Pengalaman responden dalam menggunakan e-learning belajarkoding.net juga dibagi menjadi dua kategori yaitu kelompok yang berpengalaman <2 tahun dan kelompok yang berpengalaman ≥ 2
tahun. Selain itu, kesukarelaan responden dalam menggunakan e-learning
belajarkoding.net juga dibagi menjadi dua kategori yaitu kelompok yang sukarela dan kelompok yang tidak sukarela.
<20 tahun sebanyak 18 orang. Selain itu profil responden berdasarkan pengalaman menggunakan e-learning belajarkoding.net diketahui bahwa jumlah responden terbanyak adalah kelompok yang berpengalaman <2 tahun sebanyak 91 orang, sedangkan kelompok responden yang berpengalaman ≥2tahun sebanyak 9 orang. Diketahui pula bahwa responden yang sukarela menggunakan e-learning
belajarkoding.net lebih banyak dibanding jumlah responden yang tidak sukarela. Jumlah responden yang tidak sukarela sebanyak 17 orang, sedangkan responden yang sukarela sebanyak 83 orang. Rincian profil responden tersaji dalam Tabel 4.2.
dan persepsi dari responden mengenai kondisi yang ada menurut penilaian responden.
4.4.1. Ekspektasi Kinerja
Ekspektasi kinerja bertujuan untuk mengukur tingkat dimana seseorang menyakini bahwa dengan menggunakan aplikasi e-learning belajarkoding.net dapat meningkatkan kinerjanya. Tabel 4.3 merangkum distribusi frekuensi persepsi responden terhadap ekspektasi kinerja.
Tabel 4.3 Distribusi Frekuensi Variabel Ekspektasi Kinerja
Indikator
PE1: responden merasa penggunaan e-learning bermanfaat untuk studi
PE2: responden merasa penggunaan e-learning mampu meningkatkan penyelesaian tugas lebih cepat PE3: mampu meningkatkan produktivitas jika menggunakan e-learning
PE4: meningkatkan kesempatan untuk mendapatkan grade yang lebih baik melalui penggunaan elearning
Dari tabel 4.3 distribusi frekuensi variabel ekspektasi kinerja jika dilihat dari nilai modus, pilihan jawaban terbanyak pada tiap indikator adalah setuju, hal ini menunjukkan bahwa responden merasa penggunaan e-learning
4.4.2. Ekspektasi Usaha
Ekspektasi usaha bertujuan untuk mengukur tingkat kemudahan penggunaan aplikasi e-learning belajarkoding.net akan dapat mengurangi upaya (tenaga dan waktu) seseorang dalam melakukan pekerjaannya. Tabel 4.4 merangkum distribusi frekuensi responden terhadap ekspektasi usaha.
Tabel 4.4 Distribusi Frekuensi Variabel Ekspektasi Usaha
Indikator
EE1: interaksi dengan e–learning jelas dan dimengerti
EE2: menurut responden menu-menu dalam e-learning cukup banyak (kompleks) namun disusun dengan baik dan terorganisasi
EE3: mudah dalam penggunaan (pengoperasian)
EE4: mudah dalam mempelajarai bagaimana menggunakan e-learning
Dari tabel 4.4 distribusi frekuensi variabel ekspektasi usaha jika dilihat dari nilai modus, pilihan jawaban terbanyak pada setiap indikator adalah setuju. Hal ini menunjukkan bahwa sebagian besar responden merasa interaksi dengan e-learning belajarkoding.net sudah jelas dan dimengerti, merasa susunan menu sudah terorganisasi dengan baik, memiliki persepsi yang sama dalam merasakan kemudahan penggunaan e-learning belajarkoding.net dan mudah dipelajari.
4.4.3. Pengaruh Sosial
pengaruh sosial yang merepresentasikan konsep lingkungan social responden diyakini mempengaruhi minat pemanfaatan e-learning belajarkoding.net. Tabel 4.5 merangkum distribusi frekuensi persepsi responden terhadap pengaruh sosial.
Tabel 4.5 Distribusi Frekuensi Variabel Pengaruh Sosial
Indikator
SI1: memperoleh saran dari orang-orang yang mempengaruhi tindakan responden untuk menggunakan e-learning
SI2: memperoleh saran dari orang-orang yang sangat berarti (penting) bagi responden, untuk menggunakan e-learning
SI3: memperoleh dukungan dari administrasi organisasi (jurusan/fakultas) dalam penggunaan e-learning SI4: Secara umum, memperoleh dukungan dari organisasi (jurusan/fakultas) dalam penggunaan e-learning SI5: memperoleh dukungan dari dosen dalam penggunaan e-learning
Dari tabel 4.5 distribusi frekuensi variabel social influence jika dilihat dari nilai modus, pilihan jawaban terbanyak pada setiap indikator adalah setuju. Hal ini menunjukkan bahwa sebagian besar responden merasa penggunaan e-learning
4.4.4. Minat Pemanfaatan
Minat Pemanfaatan bertujuan untuk mengukur niat individu menggunakan
e-learning belajarkoding.net secara terus-menerus. Tabel 4.6 merangkum distribusi frekuensi persepsi responden terhadap minat pemanfaatan.
Tabel 4.6 Distribusi Frekuensi Variabel Minat Pemanfaatan
Indikator
BI1: berniat tetap menggunakan e-learning belajarkoding.net hingga seterusnya BI2: berangan tetap menggunaka e-learning belajarkoding.net hingga seterusnya BI3: berencana tetap menggunakan e-learning belajarkoding.net
Dari tabel 4.6 distribusi frekuensi variabel behavioral intention jika dilihat dari nilai modus, pilihan jawaban terbanyak pada setiap indikator adalah setuju. Hal ini menunjukkan bahwa sebagian besar responden berniat, berangan, maupun berencana untuk tetap menggunakan e-learning belajarkoding.net hingga seterusnya.
4.4.5. Kondisi Pemfasilitas
Tabel 4.7 Distribusi Frekuensi Variabel Kondisi Pemfasilitas
FC2: memiliki pengetahuan yang cukup untuk bisa menggunakan e-learning belajarkoding.net
FC3: e-learning belajarkoding.net kompatibel dengan aplikasi lain yang juga digunakan (missal: MS Word, MS Excel, dsb)
FC4: Terdapat orang-orang yang membantu jika mengalami kesulitan dalam menggunakan e-learning belajarkoding.net (dosen, teman, dsb)
Dari tabel 4.7 distribusi frekuensi variabel kondisi pemfasilitas jika dilihat dari nilai modus, pilihan jawaban terbanyak pada setiap indikator adalah setuju. Hal ini menunjukkan bahwa sebagian besar responden mempunyai persepsi yang sama bahwa mereka telah memiliki sumberdaya, dan pengetahuan yang cukup untuk bisa menggunakan e-learning belajarkoding.net. E-learning
belajarkoding.net menurut sebagian besar responden telah kompatibel dengan aplikasi lain yang digunakan, dan terdapat orang-orang yang membantu jika mengalami kesulitan penggunaan.
4.4.6. Perilaku Penggunaan
Tabel 4.8 Distribusi Frekuensi Variabel Perilaku Penggunaan
UB1: menggunakan e-learning belajarkoding.net secara konsisten
UB2: menggunakan e-learning belajarkoding.net, tetapi masih sebagian kecil
UB3: menggunakan e-learning belajarkoding.net hanya untuk download/upload materi
Dari tabel 4.8 distribusi frekuensi variabel perilaku penggunaan jika dilihat dari nilai modus, pilihan jawaban terbanyak pada semua indikator adalah setuju. Hal ini menunjukkan bahwa responden merasa perilaku penggunaannya terhadap
e-learning belajarkoding.net telah konsisten, tetapi masih sebagian kecil, dan hanya untuk download/upload materi kuliah.
4.5 Analisis Model UTAUT dengan Menggunakan PLS-SEM
Analisis model UTAUT pada penelitian ini menggunakan metode PLS-SEM. Analisis menggunakan metode PLS–SEM meliputi 2 tahapan yaitu tahap
evaluasi model pengukuran reflektif, dan tahap evaluasi model struktural
discriminant validity, dan composite reliability. Sedangkan, evaluasi model struktural bertujuan untuk menguji hipotesis penelitian.
4.4.1. Evaluasi Model Pengukuran Reflektif
Evaluasi model pengukuran reflektif adalah evaluasi hubungan antara variabel dengan indikatornya dimana penggambarannya ditunjukkan dengan anak panah dari konstruk (berbentuk elips) ke beberapa indikator (berbentuk kotak). Evaluasi ini meliputi dua tahap yaitu uji Convergent Validity dan discriminant validity.
Tahap 1: Uji Convergent Validity
Convergent Validity bertujuan untuk mengukur kesesuaian antara indikator hasil pengukuran variabel dan konsep teoritis yang menjelaskan keberadaankeberadaan indikator dari variabel tersebut. Uji Convergent Validity
dapat dievaluasi dalam tiga tahap yaitu dengan melihat outer loadings, composite reliability, dan Average Variance Extracted (AVE).
Gambar 4.2 Output Diagram Jalur
Tabel 4.9 Outer Loading
Korelasi indikator dengan variabel Loading Factor Keterangan
BI1 <- BI 0.948 Valid
Gambar 4.3 Output Diagram Jalur Hasil Re-estimasi Model
Tabel 4.10 Outer Loading Hasil Re-estimasi Model
Korelasi indikator dengan variabel Loading Factor Keterangan
BI1 <- BI 0.948 Valid
Pemeriksaan selanjutnya dari Convergent Validity adalah reliabilitas. Reliabilitas didefinisikan sebagai kemampuan indikator instrumen dalam menghasilkan nilai yang sama secara berulang (konsistensi) pada setiap aktivitas penelitian. Tingkat reliabilitas diukur dengan nilai composite reliability dan nilai AVE.
Output composite reliability yang diperoleh dari PLS Algorithm Report SmartPLS tersaji pada tabel 4.11.
Tabel 4.11 Uji Composite reliability
Variabel Composite reliability Keterangan
BI 0.971 Reliabel
Dari tabel 4.11 hasil uji composite reliability menunjukkan bahwa seluruh konstruk telah reliabel atau memiliki nilai composite reliability yang dapat diterima. Hal ini dikarenakan nilai composite reliability pada masing-masing konstruk telah lebih besar dari 0,7.
Pengukuran lain yang juga digunakan untuk menguji reliabilitas adalah AVE. Nilai AVE bertujuan untuk mengukur tingkat variansi suatu komponen konstruk yang dihimpun dari indikatornya dengan menyesuaikan pada tingkat kesalahan. Pengujian dengan nilai AVE bersifat lebih kritis daripada composite reliability. Nilai AVE minimal yang direkomendasikan adalah 0,50. Output AVE yang diperoleh dari PLSAlgorithm Report SmartPLS yang tersaji pada tabel 4.12.
Dari tabel 4.12 hasil uji dengan nilai AVE menunjukkan bahwa seluruh konstruk mempunyai reliabilitas yang potensial untuk diuji lebih lanjut. Hal ini dikarenakan nilai AVE pada seluruh konstruk telah lebih besar dari 0,50.
Tahap 2: Uji Discriminant Validity
Discriminant validity adalah tingkat diferensi suatu indikator dalam mengukur konstruk-konstruk instrumen. Untuk menguji discriminat validity dapat dilakukan dengan pemeriksaan cross loading yakni koefisien korelasi indikator terhadap konstruk asosiasinya (loading) dibandingkan dengan koefisien korelasi dengan konstruk lain (cross loading). Nilai koefisien korelasi indikator harus lebih besar terhadap konstruk asosiasinya daripada konstruk lain. Nilai yang lebih besar ini mengindikasikan kecocokan suatu indikator untuk menjelaskan konstruk asosiasinya dibandingkan menjelaskan konstruk-konstruk lain.
Tabel 4.13 Cross Loading
berkorelasi lebih tinggi dengan konstruk asosiasinya dibandingkan dengan konstruk lain, sehingga dapat dikatakan memiliki discriminant validity yang baik.
Pemeriksaan selanjutnya adalah membandingkan korelasi antar variabel dengan √ . Model pengukuran mempunyai discriminant validity yang baik jika √ setiap variabel lebih besar daripada korelasi antar variabel. Nilai
√ dapat dilihat dari output Fornell-Larcker Criterion SmartPLS yang tersaji dalam tabel 4.14.
Tabel 4.14 Fornell-Larcker Criterion
BI EE FC PE SI UB
BI 0.958*
FE 0.783 0.902*
FC 0.855 0.839 0.864*
PE 0.830 0.816 0.811 0.862*
SI 0.834 0.797 0.837 0.764 0.878*
UB 0.789 0.654 0.771 0.676 0.778 0.800* Keterangan: * menunjukkan nilai √
Pembacaan tabel Fornell-Larcker Criterion pada tabel 4.14 adalah berdasarkan baris. Dapat dilihat bahwa nilai √ variabel BI sebesar 0.958, sedangkan nilai korelasi tertinggi variabel BI dengan variabel lain hanya sebesar 0,855. Dengan demikian √ variabel BI lebih besar dibandingkan korelasi BI dengan variabel lainnya. Demikian pula pada variabel lain yang menunjukkan
√ lebih besar dibandingkan korelasi antar variabel. Sehingga syarat
discriminant validity dengan √ telah terpenuhi.
4.4.2. Evaluasi Model Struktural
menggunakan p-value untuk mengetahui signifikansi dari koefisien parameter jalur struktural dan R Square untuk mengetahui pengaruh variabel laten independen terhadap variabel laten dependen apakah memiliki pengaruh yang substantif.
a) Evaluasi signifikansi hubungan jalur pada hipotesis penelitian
Untuk menyimpulkan apakah hipotesis diterima atau ditolak, digunakan harga p-value pada signifikansi α = 5% atau 0,05. Jika p-value < 0,05 maka H0 ditolak artinya terdapat pengaruh. Sebaliknya, jika p-value > 0,05 maka H0 diterima artinya tidak ada pengaruh. Berikut adalah hasil evaluasi model struktural yang diperoleh dari Bootstrapping Report SmartPLS tersaji pada tabel 4.15.
Tabel 4.15 Path Coefficients
Diagram Jalur Path Coefficient P Values Keterangan
BI -> UB 0.480 0.000 Ada Pengaruh
EE -> BI 0.087 0.394 Tidak Ada Pengaruh
FC -> UB 0.361 0.009 Ada Pengaruh
PE -> BI 0.420 0.000 Ada Pengaruh
SI -> BI 0.444 0.000 Ada Pengaruh
Evaluasi model struktural dengan variabel moderator gender dilakukan dengan pendekatan multigroup analysis atau PLS-MGA. PLS-MGA ini berguna untuk analisis variabel moderator yang bersifat kategori. Variabel moderator
gender dapat diinterpretasikan dengan membagi data kedalam dua kelompok
subsample yaitu kelompok laki-laki dan kelompok perempuan. Perbedaan nilai estimasi jalur kemudian diuji tingkat signifikansinya dengan p-value. Jika p-value
diterima artinya tidak ada pengaruh. Hasil PLS-MGA variabel moderator gender
yang diperoleh dari PLS-MGA Report SmartPLS ditampilkan pada tabel 4.16. Tabel 4.16 Hasil PLS-MGA Variabel Moderator Gender
Diagram Jalur Path Coefficient-diff
Evaluasi model struktural dengan variabel moderator age juga dilakukan dengan pendekatan PLS-MGA. Variabel moderator age dapat diinterpretasikan dengan membagi data kedalam dua kelompok subsample yaitu kelompok usia <20 tahun dan kelompok usia ≥20 tahun. Hasil PLS-MGA variabel moderator age
yang diperoleh dari PLS-MGA Report SmartPLS ditampilkan pada tabel 4.17. Tabel 4.17 Hasil PLS-MGA Variabel Moderator Age
Diagram Jalur (|<20 tahun Path Coefficient-diff –≥20 tahun|) (<20tahun P-Values vs ≥20tahun) Keterangan
BI -> UB 0.161 0.351 Tidak Ada
menggunakan e-learning belajarkoding.net sehingga menyebabkan masalah perhitungan singular matrix problem. Hal ini dapat diakibatkan karena kecilnya ukuran sampel pada kelompok yang berpengalaman ≥2 tahun. Kecilnya kelompok
tersebut menunjukkan moderasi pengalaman tidak signifikan.
Gambar 4.4 Singular Matrix Problem Kelompok Experience
Analisis multigrup variabel moderator voluntariness juga tidak dapat dilakukan dengan pendekatan PLS-MGA karena besarnya jarak antara kelompok yang tidak sukarela dan kelompok yang sukarela dalam menggunakan e-learning
belajarkoding.net. Kecilnya pengguna yang tidak sukarela menunjukkan moderasi kesukarelaan tidak signifikan.
b) Evaluasi nilai R Square
Nilai R Square digunakan untuk menjelaskan pengaruh variabel eksogen terhadap variabel endogen. Nilai R Square diperoleh dari PLS Algorithm Report SmartPLS dan dapat dilihat pada tabel 4.18.
Tabel 4.18 R Square
Variabel R Square BI 0.787 UB 0.657
Nilai R Square variabel BI adalah 0,787, artinya adalah variabel PE, EE, dan SI secara simultan mampu menjelaskan pengaruhnya terhadap variabel BI sebesar 78,7% sedangkan 21,3% dijelaskan oleh variabel lain di luar model yang diteliti. Sedangkan nilai R Square variabel UB sebesar 0,657 yang artinya adalah variabel BI dan FC secara simultan mampu menjelaskan pengaruhnya terhadap variabel UB sebesar 65,7% sedangkan 34,3% dijelaskan oleh variabel lain di luar model yang diteliti.
4.6 Uji Hipotesis dan Pembahasan
4.6.1 Hipotesis Pertama Untuk Mengetahui Pengaruh Ekspektasi Kinerja
Terhadap Minat Pemanfaatan
H0: Tidak ada pengaruh positif antara ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
Berdasarkan hasil evaluasi model struktural pada tabel 4.21 hubungan antara ekspektasi kinerja dengan minat pemanfaatan (PE→BI) menghasilkan
p-value sebesar 0,000 signifikan pada α = 5%. Nilai path coefficient sebesar 0,420
yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 ditolak, artinya terdapat pengaruh positif antara ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net. Hal ini mengindikasikan bahwa keyakinan positif masyarakat atas kinerja yang ditawarkan oleh sistem adalah salah satu kunci penerimaan mereka terhadap aplikasi e-learning belajarkoding.net. Semakin masyarakat merasa terbantu dengan adanya aplikasi e-learning belajarkoding.net, maka semakin tinggi pula minat pemanfaatan mereka atas aplikasi tersebut.
4.6.2 Hipotesis Kedua Untuk Mengetahui Pengaruh Ekspektasi Usaha
Terhadap Minat Pemanfaatan
H0: Tidak ada pengaruh positif antara ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
Berdasarkan hasil evaluasi model struktural pada tabel 4.21 hubungan antara ekspektasi usaha dengan minat pemanfaatan (EE→BI) menghasilkan
usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net.
4.6.3 Hipotesis Ketiga Untuk Mengetahui Hubungan Pengaruh Sosial
Terhadap Minat Pemanfaatan
H0: Tidak ada pengaruh positif antara pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh positif antara pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
Berdasarkan hasil evaluasi model struktural pada tabel 4.21 hubungan antara pengaruh sosial dengan minat pemanfaatan (SI→BI) menghasilkan pvalue sebesar 0,000 signifikan pada α = 5%. Nilai path coefficient sebesar 0,444 yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 ditolak, artinya terdapat pengaruh positif dan signifikan antara pengaruh sosial yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net. Hal ini menunjukkan bahwa semakin tinggi pengaruh sosial yang dimiliki masyarakat, maka semakin tinggi minat pemanfaatan e-learning
belajarkoding.net.
4.6.4 Hipotesis Keempat Untuk Mengetahui Pengaruh Kondisi Pemfasilitas
Terhadap Perilaku Penggunaan
H1: Ada pengaruh positif antara kondisi pemfasilitas yang dimiliki oleh masyarakat dengan perilaku penggunaan e-learning belajarkoding.net Berdasarkan hasil evaluasi model struktural pada tabel 4.21 hubungan antara kondisi pemfasilitas dengan perilaku penggunaan (FC→UB) menghasilkan
p-value sebesar 0,009 signifikan pada α = 5%. Nilai path coefficient sebesar 0,361
yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 ditolak, artinya terdapat pengaruh positif dan signifikan antara kondisi pemfasilitas yang dimiliki oleh masyarakat dengan perilaku penggunaan e-learning
belajarkoding.net. Hal ini menunjukkan bahwa semakin tinggi kondisi pemfasilitas yang dimiliki masyarakat, maka semakin tinggi pula perilaku penggunaan e-learning belajarkoding.net.
4.6.5 Hipotesis Kelima Untuk Mengetahui Pengaruh Minat Pemanfaatan
Terhadap Perilaku Penggunaan
H0: Tidak ada pengaruh positif antara minat pemanfaatan yang dimiliki oleh masyarakat dengan perilaku penggunaan e-learning belajarkoding.net H1: Ada pengaruh positif antara minat pemanfaatan yang dimiliki oleh
masyarakat dengan perilaku penggunaan e-learning belajarkoding.net Berdasarkan hasil evaluasi model struktural pada tabel 4.21 hubungan antara minat pemanfaatan dengan perilaku penggunaan (BI→UB) menghasilkan
p-value sebesar 0,000 signifikan pada α = 5%. Nilai path coefficient sebesar 0,480
menunjukkan bahwa semakin tinggi minat pemanfaatan yang dimiliki masyarakat, maka semakin tinggi pula perilaku penggunaan e-learning belajarkoding.net.
4.6.6 Hipotesis Keenam
a) Hipotesis 6a untuk mengetahui pengaruh moderasi jenis kelamin
terhadap hubungan ekspektasi kinerja dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
H1: Ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net
Berdasarkan hasil PLS-MGA gender pada tabel 4.22, efek moderasi jenis kelamin terhadap hubungan antara ekspektasi kinerja dengan minat pemanfaatan (PE→BI) menghasilkan p-value sebesar 0,430 tidak signifikan pada α = 5%. Nilai
b) Hipotesis 6b untuk mengetahui pengaruh moderasi usia terhadap
hubungan ekspektasi kinerja dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi usia terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
Berdasarkan hasil PLS-SEM age pada tabel 4.23, efek moderasi usia terhadap hubungan antara ekspektasi kinerja dengan minat pemanfaatan (PE→BI) menghasilkan p-value sebesar 0,394 tidak signifikan pada α = 5%. Nilai path coefficient diff sebesar 0,076 yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 diterima, artinya tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi kinerja yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning belajarkoding.net. Hal ini menunjukkan bahwa tidak ada perbedaan yang signifikan antara kelompok usia <20 tahun dan kelompok usia ≥20 tahun dalam mempengaruhi minat pemanfaatan e-learning belajarkoding.net.
4.6.7 Hipotesis Ketujuh
a) Hipotesis 7a untuk mengetahui pengaruh moderasi jenis kelamin
terhadap hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
H1: Ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
Berdasarkan hasil PLS-MGA gender pada tabel 4.22, efek moderasi jenis kelamin terhadap hubungan antara ekspektasi usaha dengan minat pemanfaatan (EE→BI) menghasilkan p-value sebesar 0,082 tidak signifikan pada α = 5%. Nilai
path coefficient diff sebesar 0,340 yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 diterima, artinya tidak ada pengaruh moderasi jenis kelamin terhadap hubungan ekspektasi usaha yang dimiliki masyarakat dengan minat pemanfaatan e-learning belajarkoding.net. Hal ini menunjukkan bahwa tidak ada perbedaan yang signifikan antara laki-laki dan perempuan dalam mempengaruhi minat pemanfaatan e-learning belajarkoding.net.
b) Hipotesis 7b untuk mengetahui pengaruh moderasi usia terhadap
hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi usia terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
coefficient diff sebesar 0,605 yang menunjukkan arah hubungan positif. Dengan demikian hipotesis H0 diterima, artinya tidak ada pengaruh moderasi usia terhadap hubungan ekspektasi usaha yang dimiliki masyarakat dengan minat pemanfaatan
e-learning belajarkoding.net. Hal ini menunjukkan bahwa tidak ada perbedaan yang signifikan antara kelompok usia <20 tahun dengan kelompok usia ≥20 tahun
dalam mempengaruhi minat pemanfaatan e-learning belajarkoding.net.
c) Hipotesis 7c untuk mengetahui pengaruh moderasi pengalaman
terhadap hubungan ekspektasi usaha dengan minat pemanfaatan
H0: Tidak ada pengaruh moderasi pengalaman terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
H1: Ada pengaruh moderasi pengalaman terhadap hubungan ekspektasi usaha yang dimiliki oleh masyarakat dengan minat pemanfaatan e-learning
belajarkoding.net
