Analisis Pertanyaan Terbuka - Deskriptif Variabel Penelitian

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.2. Deskriptif Variabel Penelitian

4.2.6. Analisis Pertanyaan Terbuka

Tabel 4. 12 Kritik dan Saran Pelanggan

Keterangan Jumlah Presentase

Varian rasa 7 3,0%

Varian be^lntu^lk o^llahan 81 35,2%

U^lku^lran pro^ldu^lk 71 30,9%

Ke^lmasan pro^ldu^lk 48 20,9%

Distribu^lsi Pro^ldu^lk 23 10%

To^ltal 230 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.12 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai kritik dan saran dari pe^llanggan. Re^lspo^lnde^ln dipe^lrke^lnankan me^lmilih jawaban le^lbih dari satu^l. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln dalam pe^lne^llitian ini me^lmilih varian be^lntu^lk o^llahan yaitu^l se^lbanyak 37 (35,2%). Re^lspo^lnde^ln yang me^lmilih varian rasa se^lbanyak 7 (3%) re^lspo^lnde^ln, u^lku^lran pro^ldu^lk se^lbanyak 71 (30,9%) re^lspo^lnde^ln, ke^lmasan pro^ldu^lk se^lbanyak 48 (20,9%) re^lspo^lnde^ln, dan sisanya me^lmilih distribu^lsi pro^ldu^lk se^lbanyak 23 (10%) re^lspo^lnde^ln.

a. Setiap Tahun Menciptakan Produk Baru

Tabel 4. 13 Penciptaan produk baru setiap tahun Ke^lte^lrangan Ju^lmlah Pre^lse^lntase^l

Ya 100 64,5%

Tidak pasti, te^lrgantu^lng situ^lasi

dan ko^lndisi 55 35,5%

To^ltal 155 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.13 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai pe^lnciptaan pro^ldu^lk baru^l se^ltiap tahu^lnnya. Re^lspo^lnde^ln hanya dipe^lrke^lnankan me^lmilih satu^l jawaban saja. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln me^lmilih “Ya” se^lbanyak 100(64,5%) dan sisanya me^lmilih “Tidak pasti” kare^lna te^lrgantu^lng situ^lasi dan ko^lndisi se^lbanyak 55 (35,5%) re^lspo^lnde^ln.

b. Tingkat Keseringan Knowledge Sharing

Tabel 4. 14 Keseringan melakukan Digital Knowledge Sharing Ke^lte^lrangan Ju^lmlah Pre^lse^lntase^l

Se^ltiap hari 55 35,5%

Se^lminggu^l se^lkali

Le^lbih dari se^lminggu^l 74

26 47,7%

16,8

To^ltal 155 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.14 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai tingkat ke^lse^lringan digital kno^lwle^ldge^l sharing.

Re^lspo^lnde^ln hanya dipe^lrke^lnankan me^lmilih satu^l jawaban saja. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln dalam pe^lne^llitian ini me^llaku^lkan digital kno^lwle^ldge^l sharing le^lbih dari

se^lminggu^l se^lkali yang dibu^lktikan de^lngan hasil pe^lne^llitian me^lnu^lnju^lkan se^lbanyak 26 (16,8%) re^lspo^lnde^ln, se^lminggu^l se^lkali se^lbanyak 74 (47,7%) re^lspo^lnde^ln dan sisanya me^lmilih se^ltiap hari se^lbanyak 55 (35,5%) re^lspo^lnde^ln.

c. Media Sosial Yang Sering Digunakan Untuk Knowledge Sharing Tabel 4. 15 Media Sosial melakukan Digital Knowledge Sharing

Ke^lte^lrangan Ju^lmlah Pre^lse^lntase^l

Whatsapp 48 27,4%

Face^lbo^lo^lk Instagram Te^lle^lgram

64 50 13

36,6%

28,6%

7,4%

To^ltal 175 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.15 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai me^ldia so^lsial yang digu^lnakan u^lntu^lk kno^lwle^ldge^l sharing. Re^lspo^lnde^ln dipe^lrke^lnankan me^lmilih jawaban le^lbih dari satu^l. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln dalam pe^lne^llitian ini me^lnggu^lnakan face^lbo^lo^lk u^lntu^lk kno^lwle^ldge^l sharing yaitu^l se^lbanyak 64 (56%) re^lspo^lnde^ln. Re^lspo^lnde^ln yang me^lmilih me^ldia instagram se^lbanyak 50 (22,3%) re^lspo^lnde^ln, te^lle^lgram se^lbanyak 13 (7,2%) re^lspo^lnde^ln, whatsapp se^lbanyak 48

(27,4%)

d. Contoh Inovasi Knowledge Sharing

Tabel 4. 16 Inovasi Digital Knowledge Sharing

Keterangan Jumlah Persentase

Mo^ldifikasi bahan dasar 19 9,5%

Varian Be^lntu^lk O^llahan 37 18,6%

Ke^lmasan Pro^ldu^lk 43 21,6%

Wilayah Distribu^lsi 14 7%

Varian rasa 75 37,7%

Me^ldia pro^lmo^lsi 2 2%

U^lku^lran pro^ldu^lk 9 9%

To^ltal 199 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.16 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai co^lnto^lh ino^lvasi hasil kno^lwle^ldge^l sharing.

Re^lspo^lnde^ln dipe^lrke^lnankan me^lmilih jawaban le^lbih dari satu^l. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln dalam pe^lne^llitian ini me^lmilih varian rasa yaitu^l se^lbanyak 75 (37,7%) re^lspo^lnde^ln. Re^lspo^lnde^ln yang me^lmilih mo^ldifikasi bahan dasar se^lbanyak 19 (9,5%), varian be^lntu^lk o^llahan se^lbanyak 37 (18,6%) re^lspo^lnde^ln, ke^lmasan pro^ldu^lk se^lbanyak 43 (21,6%) re^lspo^lnde^ln, wilayah distribu^lsi se^lbanyak 14 (7%) re^lspo^lnde^ln, me^ldia pro^lmo^lsi se^lbanyak 9 (4,5%) re^lspo^lnde^ln dan sisanya me^lmilih u^lku^lran pro^ldu^lk se^lbanyak 2 (1,0%) re^lspo^lnde^ln.

e. Terjadinya Kenaikan Permintaan Produk

Tabel 4. 17 Kenaikan Permintaan Produk

Ke^lte^lrangan Ju^lmlah Pre^lse^lntase^l

Se^ltiap Hari Be^lsar 79 48,8%

Se^ltiap Awal Bu^llan

Se^ltiap Hari Libu^lr 55

28 34,0%

17,3%

To^ltal 162 100%

Su^lmbe^lr: Data Prime^lr yang Dio^llah,2023

Be^lrdasarkan Tabe^ll 4.17 dapat dike^ltahu^li jawaban re^lspo^lnde^ln atas pe^lrtanyaan me^lnge^lnai ke^lnaikan pe^lrmintaan pro^ldu^lk. Re^lspo^lnde^ln dipe^lrke^lnankan me^lmilih jawaban le^lbih dari satu^l. Hasil pe^lne^llitiannya dapat disimpu^llkan bahwa se^lbagian be^lsar re^lspo^lnde^ln dalam pe^lne^llitian ini me^lmilih Se^ltiap Hari Be^lsar yaitu^l se^lbanyak 79 (48,8%) re^lspo^lnde^ln.

Re^lspo^lnde^ln yang me^lmilih Se^ltiap Awal Bu^llan se^lbanyak 55 (34,0%), sisanya me^lmilih Se^ltiap Hari Libu^lr se^lbanyak 28 (17,3%) re^lspo^lnde^ln.

4.1. Hasil Analisis PLS 4.1.1. Analisis Outer Model

Analisis co^lnfirmato^lry facto^lr atau^l CFA dalam pe^lne^llitian ini dilaku^lkan me^lnggu^lnakan pe^lngu^lku^lran O^lu^lte^lr Mo^lde^ll (Me^lasu^lre^lme^lnt Mo^lde^ll) pe^lngu^lku^lran ini dilaku^lkan u^lntu^lk me^lne^lntu^lkan spe^lsifikasi hu^lbu^lngan antara ko^lnstru^lk variabe^ll late^ln de^lngan indikato^lrnya.

Hasil dari pe^lngu^lku^lran O^lu^lte^lr mo^lde^ll SmartPLS adalah se^lbagai be^lriku^lt:

Gambar 4. 1 Outer Model Algoritm

4.1.2. Uji Convergent Validity

Pada analisis de^lngan me^lnggu^lnakan u^lji o^lu^lte^lr mo^lde^ll, u^lji co^lnve^lrge^lnt validity me^lru^lpakan nilai lo^lading fakto^lr pada variabe^ll late^ln de^lngan se^ltiap indikato^lr- indikato^lrnya. Nilai ko^lre^llasi lo^lading dikatakan tinggi jika be^lrko^lre^llasi >0,70. Namu^ln pe^lnge^lmbangan skala pe^lngu^lku^lran nilai lo^lading fakto^lr le^lbih dari 0,50 masih dapat dite^lrima (Gho^lzali &

Latan, 2015) kare^lna hal ini dapat me^lnu^lnju^lkkan bahwa ite^lm

te^lrse^lbu^lt me^lmiliki stru^lktu^lr yang baik dan dapat me^lngu^lku^lr ko^lmpo^lne^ln fakto^lr se^lcara line^lar (Hair, Ande^lrso^ln, Tatham, & Black, 2019) be^lriku^lt me^lru^lpakan hasil dari u^lji co^lnve^lrge^lnt validity :

Tabel 4. 18 Outer Model Loading Competitor

orientation Digital Knowledge Sharing

Marketing

performance Partnership collaboration

Product Innovation Capability CO^l1 0,846

CO^l2 ^0,727 CO^l3 0,880

CO^l4 0,713

CO^l5 0.842

DKS1 0,821

DKS2 ^0,721

DKS3 0,808

DKS4 0,564

MP1 ^0,827

MP2 0,733

MP3 ^0,799

MP4 0,712

PC1 ^0,792

PC2 0,788

PC3 ^0,808

PC4 0,734

PC5 ^0,750

PIC1 0,794

PIC2 ^0,668

PIC3 0,833

PIC4

PIC5 ^0,649^0,841

Be^lrdasarkan Tabe^ll 4.20 Diatas dapat dilihat dari hasil o^lu^lte^lr lo^lading me^lnu^lnju^lkkan bahwa masing masing indikato^lr dari se^ltiap variabe^ll

me^lmiliki nilai lo^lading fakto^lr diatas 0,70 dan 0,50 se^lhingga dapat dinyatakan valid. Nilai lo^lading dikatakan tinggi jika be^lrko^lre^llasi >0,70 . Nilai lo^lading diatas 0,50 – 0,60 maka nilai lo^lading te^lrse^lbu^lt masih dapat dite^lrima atau^l dinyatakan valid. Di dalam pe^lne^llitian ini indikato^lr yang me^lmiiki nilai lo^lading dibawah 0,50 dihapu^ls. O^lle^lh kare^lna itu^l, dapat disimpu^llkan bahwa masing – masing indikato^lr dari se^ltiap variabe^ll dinyatakan valid.

4.1.3. Uji Discriminant Validity

Discriminant Validity dapat dilihat dari cro^lss lo^lading antara indikato^lr de^lngan ko^lnstru^lk lain. Hasilnya me^lnu^lnju^lkkan bahwa ko^lre^llasi se^lmu^la ko^lnstru^lk de^lngan indikato^lrnya masing masing le^lbih tinggi dibandingkan ko^lre^llasi indikato^lr de^lngan ko^lnstru^lk lainnya. Se^lbagai misal hasil ko^lre^llasi indikato^lr CO^l1 sampai de^lngan CO^l4 te^lrhadap Co^lmpe^ltito^lr O^lrie^lntatio^ln me^lnu^lnju^lkkan nilai yang le^lbih tinggi dibandingkan jika diko^lre^llasikan te^lrhadap ko^lnstru^lk lain. De^lmikian ju^lga de^lngan indikato^lr masing- masing ko^lnsru^lk yang lain, me^lnu^lnju^lkkan nilai le^lbih tinggi jika dibandingkan de^lngan nilai ko^lre^llasi te^lrhadap ko^lnstru^lk lainnya Hal ini me^lnu^lnju^lkkan bahwa ko^lnstru^lk late^ln me^lmpre^ldiksi indikato^lr pada blo^lk me^lre^lka le^lbih baik jika dibandingkan de^lngan me^lmpre^ldiksi indikato^lr di blo^lk lain

Tabel 4. 19 Cross Loadings

CO DKS MP PC PI

CO1 0,846 0,578 0,497 0,589 0,549

CO2 0,727 0,436 0,338 0,487 0,436

CO3 0,880 0,605 0,581 0,657 0,604

CO4 0,713 0,415 0,360 0,492 0,458

CO5 0,842 0,601 0,560 0,656 0.579

DKS1 0,534 0,821 0,580 0,721 0,695

DKS2 0,418 0,721 0,416 0,620 0,555

DKS3 0,562 0,808 0,597 0,635 0,706

DKS4 0,429 0,564 0,335 0,431 0,468

MP1 0,567 0,566 0,827 0,624 0,678

MP2 0,432 0,464 0,733 0,542 0,538

MP3 0,480 0,568 0,799 0,623 0,679

MP4 0,328 0,460 0,712 0,557 0,504

PC1 0,601 0,669 0,591 0,792 0,646

PC2 0,422 0,566 0,555 0,708 0,579

PC3 0,578 0,641 0,577 0,808 0,685

PC4 0,483 0,613 0,596 0,734 0,633

PC5 0,657 0,654 0,581 0,750 0,630

PIC1 0,567 0,595 0,630 0,627 0,794

PIC2 0,404 0,582 0,500 0,527 0,668

PIC3 0,580 0,709 0,643 0,704 0,833

PIC4 0,337 0,551 0,500 0,552 0,649

PIC5 0,589 0,729 0,696 0,747 0,841

Be^lrdasarkan tabe^ll 4.21 diatas dapat dilihat dari u^lji yang dilaku^lkan dari pro^lgram SmartPLS, maka dapat dipe^lro^lle^lh hasil bahwa CO^l1 sampai de^lngan CO^l5 le^lbih tinggi dari pada nilai pada yang ada ko^lnstru^lk lainnya. DKS1 sampai DKS4 me^lmiliki hasil le^lbih tinggi dibantingkan de^lngan ko^lnstru^lk lainnya. Hasil Indikato^lr PIC1 sampai PIC5 me^lmiliki hasil le^lbih tinggi dari pada ko^lnstru^lk lainnya. Hasil indikato^lr PC1sampai PC5 me^lmiliki nilai ko^lnstru^lk tinggi dari pada nilai ko^lnstru^lk lain, nilai indikato^lr

MP1sampai MP4 me^lmiliki hasil le^lbih tinggi dari pada hasil ko^lnstru^lk pada indikato^lr lain. Dapat di simpu^llkan bahwa u^lji Discriminant Validity ini su^ldah se^lsu^lai kare^lna le^lbih tinggi dari pada ko^lnstru^lk indikato^lr – indikato^lr lain.

4.1.4. Reliability

Pada pe^lne^llitian ini u^lji re^lliabilitas dilaku^lkan de^lngan me^lnggu^lnakan me^lto^lde^l Co^lmpo^lsite^l re^lliability. Co^lmpo^lsite^l re^lliability me^lngu^lku^lr nilai se^lsu^lnggu^lhnya re^lliabilitas su^latu^l ko^lnstru^lk. Co^lmpo^lsite^l re^lliability dinilai le^lbih baik dalam me^lnge^lstimasi ko^lnsiste^lnsi inte^lrnal su^latu^l ko^lnstru^lk.(Abdillah, 2018). Be^lrdasarkan pe^lndapat te^lrse^lbu^lt maka pe^lne^llitian ini me^lnggu^lnakan Co^lmpo^lsite^l re^lliability u^lntu^lk me^lngu^lji re^lliabilitas. Ru^lle^l o^lf thu^lmb nilai alpha atau^l Co^lmpo^lsite^l re^lliability haru^ls le^lbih be^lsar dari 0,7 me^lskipu^ln nilai 0.6 masih dapat dite^lrima.

Tabel 4. 20 Composite Reliability

Co^lmpo^ldite^l Re^lliabilty (rho^l_c)

CO^l 0.901

DKS 0.822

MP 0.852

PC 0.872

PIC 0.872

Dari Tabe^ll 4.20 diatas hasil u^lji re^lliabilitas me^lnu^lnju^lkkan nilai re^lliabilitas se^lcara ke^lse^llu^lru^lhan dari masing – masing variabe^ll. Dapat dilihat bahwa hasil u^lji re^lliabilitas me^lnu^lju^lkkan bahwa masing – masing variabe^ll be^lrada diatas 0,70 yang artinya nilai te^lrse^lbu^lt dapat dikatakan re^lliabe^ll.

4.1.5. Analisis Inner Model

Analisis inne^lr mo^lde^ll digu^lnakan u^lntu^lk me^lne^lntu^lkan spe^lsifikasi hu^lbu^lngan antara ko^lnstru^lk late^ln de^lngan ko^lnstru^lk late^ln lainnya. Be^lriku^lt me^lru^lpakan hasil pada u^lji inne^lr mo^lde^ll :

Gambar 4. 2 Inner Model Algoritm

4.1.6. Uji R Square

Ko^le^lfisie^ln de^lte^lrminan atau^l R-squ^lare^l digu^lnakan u^lntu^lk me^lngu^lku^lr krite^lria ku^lalitas mo^lde^ll atau^l digu^lnakan u^lntu^lk me^lngu^lji ke^lmampu^lan se^lrta pe^lngaru^lh su^latu^l mo^lde^ll dalam me^lne^lrangkan be^lru^lpa variasi variabe^ll de^lpe^lnde^ln yang te^lrse^lbar antarakisaran no^ll hingga satu^l. Pe^lngu^ljian ini dilaku^lkan de^lngan me^llihat nilai R-squ^lare^l yang me^lru^lpakan u^lji go^lo^ld

ne^le^ls fit mo^lde^ll. R-squ^lare^l de^lngan nilai 0,75 me^lngindikasi bahwa mo^lde^ll te^lrse^lbu^lt ku^lat, r squ^lare^l de^lngan nilai 0,5 me^lngindikasi bahwa mo^lde^ll te^lrse^lbu^lt se^ldang atau^l mo^lde^lrat, ke^lmu^ldian nilai R-squ^lare^l de^lngan nilai 0,25 me^lngindikasi bahwa nilai te^lrse^lbu^lt le^lmah (Gho^lzali & Latan, 2015).

Tabel 4. 21 R-Square

R Square Adjusted R Square

Marketing performance 0,661 0,652

Product Innovation 0,767 0,763

Dalam pe^lne^llitian ini te^lrdapat satu^l variabe^ll yang dipe^lngaru^lhi o^lle^lh satu^l variabe^ll dan dimo^lde^lrasi o^lle^lh variabe^ll lainnya. Pada pe^lne^llitian ini variabe^ll Marke^lting pe^lrfo^lrmance^l dipe^lngaru^lhi o^lle^lh variabe^ll co^lmpe^ltito^lr o^lrie^lntatio^ln, partne^lrship co^lllabo^lratio^ln dan digital kno^lwle^ldge^l sharing dan dimo^lde^lrasi o^lle^lh variabe^ll pro^ldu^lct Inno^lvatio^ln capability.

Be^lrdasarkan tabe^ll 4.23 hasil u^lji R-squ^lare^l dapat dike^ltahu^li bahwa nilai R- squ^lare^l pada variabe^ll Marke^lting pe^lrfo^lrmance^l adalah 0,661. Hal ini dapat disimpu^llkan bahwa variabe^ll Marke^lting pe^lrfo^lrmance^l dipe^lngaru^lhi o^lle^lh variabe^ll co^lmpe^ltito^lr o^lrie^lntatio^ln, partne^lrship co^lllabo^lratio^ln dan digital kno^lwle^ldge^l sharing dan dimo^lde^lrasi o^lle^lh variabe^ll pro^ldu^lct Inno^lvatio^ln se^lbe^lsar 66,1% se^lhingga me^lngindikasikan bahwa mo^lde^ll te^lrse^lbu^lt se^ldang. pada variabe^ll pro^ldu^lct inno^lvatio^ln capability adalah 0,767. Hal ini dapat disimpu^llkan bahwa variabe^ll pro^ldu^lct Inno^lvatio^ln dipe^lngaru^lhi o^lle^lh variabe^ll co^lmpe^ltito^lr o^lrie^lntatio^ln, partne^lrship co^lllabo^lratio^ln dan digital kno^lwle^ldge^l sharing se^lbe^lsar 76,7 % se^lhingga me^lngindikasikan bahwa mo^lde^ll te^lrse^lbu^lt ku^lat.

4.1.7. Uji F Square

U^lji F-Squ^lare^l dilaku^lkan gu^lna me^lnge^ltahu^li pe^lngaru^lh variabe^ll de^lpe^lnde^ln te^lrhadap variabe^ll inde^lpe^lnde^ln, apakah pe^lngaru^lh su^latu^l variabe^ll te^lrgo^llo^lng nilai me^lmpu^lnyai pe^lngaru^lh le^lmah, me^ldiu^lm dan ku^lat F-Squ^lare^lnya le^lbih be^lsar atau^l sama de^lngan 0,02 le^lbih ke^lcil dari 0,15 maka te^lrmasu^lk ke^ldalam pe^lngaru^lh re^lndah atau^l small e^lffe^lct. dan bila nilai F-Squ^lare^lnya le^lbih be^lsar atau^l sama de^lngan 0,15 dan le^lbih ke^lcil dari 0,35 maka te^lrmasu^lk ke^ldalam pe^lngaru^lh se^ldang atau^l me^ldiu^lm e^lffe^lct. Jika F-Squ^lare^lnya le^lbih be^lsar atau^l sama de^lngan 0,35 maka te^lrmasu^lk ke^ldalam pe^lngaru^lh tinggi atau^l large^l e^lffe^lct (Co^lhe^ln, 2013).

Tabel 4. 22 F-Square Marketing

performance Product Innovation

Competitor orientation 0,003 0,005

Digital Knowledge Sharing

0,012 0,260

Marketing performance

Partnership collaboration ^0,093 ^0,206

Product Innovation

Capability ^0,207

Nilai F squ^lare^l variabe^ll Co^lmpe^ltito^lr o^lrie^lntatio^ln te^lrhadap marke^lting pe^lrfo^lrmance^l se^lbe^lsar 0,003 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Co^lmpe^ltito^lr o^lrie^lntatio^ln dalam me^lnje^llaskanvariabe^ll Marke^lting pe^lrfo^lrmance^l te^lrgo^llo^lng le^lmah. Nilai F squ^lare^l variabe^ll Co^lmpe^ltito^lr o^lrie^lntatio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln se^lbe^lsar 0,005 maka

dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Cu^lsto^lme^lr o^lrie^lntatio^ln dalam me^lnje^llaskan variabe^ll Pro^ldu^lct Inno^lvatio^ln te^lrgo^llo^lng le^lmah. Nilai F squ^lare^l variabe^ll Digital Kno^lwle^ldge^l Sharing te^lrhadap marke^lting pe^lrfo^lrmance^l se^lbe^lsar 0,012 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Digital Kno^lwle^ldge^l Sharing dalam me^lnje^llaskan variabe^ll Marke^lting pe^lrfo^lrmance^l te^lrgo^llo^lng le^lmah. Nilai F squ^lare^l variabe^ll Digital Kno^lwle^ldge^l Sharing te^lrhadap pro^ldu^lct inno^lvatio^ln se^lbe^lsar 0,260 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll digital knowledge sharing dalam me^lnje^llaskan variabe^ll Pro^ldu^lct Inno^lvatio^ln te^lrgo^llo^lng se^ldang. Nilai F squ^lare^l variabe^ll Partne^lrship co^lllabo^lratio^ln te^lrhadap marke^lting pe^lrfo^lrmance^l se^lbe^lsar 0,093 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Partne^lrship co^lllabo^lratio^ln dalam me^lnje^llaskan variabe^ll Marke^lting pe^lrfo^lrmance^l te^lrgo^llo^lng le^lmah. Nilai F squ^lare^l variabe^ll Partne^lrship co^lllabo^lratio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln se^lbe^lsar 0,206 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Partne^lrship co^lllabo^lratio^ln dalam me^lnje^llaskan variabe^ll Pro^ldu^lct Inno^lvatio^ln te^lrgo^llo^lng se^ldang. Nilai F squ^lare^l variabe^ll Pro^ldu^lct Inno^lvatio^ln te^lrhadap marke^lting pe^lrfo^lrmance^l se^lbe^lsar 0,207 maka dari itu^l dapat disimpu^llkan bahwa ke^lmampu^lan variabe^ll Pro^ldu^lct Inno^lvatio^ln dalam me^lnje^llaskan variabe^ll Marke^lting pe^lrfo^lrmance^l te^lrgo^llo^lng se^ldang.

4.1.8. Uji Hipotesis

Se^llain me^lme^lnu^lhi data yang dipe^lrlu^lkan u^lntu^lk pe^lngu^lku^lran, dimu^lngkinkan u^lntu^lk me^llanju^ltkan de^lngan me^llaku^lkan me^lto^lde^l bo^lo^ltstrap pada SmartPLS. U^lntu^lk u^lji simu^lltan digu^lnakan u^lji statistic T u^lntu^lk me^lngu^lji signifikansi pe^lngaru^lh ke^lse^llu^lru^lhan variabe^ll e^lkso^lge^ln te^lrhadap variabe^ll e^lndo^lge^ln. Pe^lngu^ljian dilaku^lkan de^lngan me^lmbandingkan

nilai T-statistik de^lngan nilai T-tabe^ll (T-statistik < T-tabe^ll), maka hipo^lte^lsis no^ll akan dite^lrima. Se^lbaliknya, jika nilai T-statistik le^lbih be^lsar atau^l sama de^lngan nilai T-tabe^ll (T-statistik > T-tabe^ll), hipo^lte^lsis no^ll dito^llak. Nilai t-tabe^ll dike^ltahu^li dari taraf signifikansi 0,05, se^lhingga u^lntu^lk alpha 5%, t-statistik yang digu^lnakan adalah 1,96Pe^lngu^ljian hipo^lte^lsis inte^lrve^lning dilaku^lkan de^lngan mo^lde^lrate^ld re^lgre^lssio^ln analysis (MRA) yang die^lstimasi de^lngan SE^lM-PLS (Gho^lzali & Latan, 2015). U^lntu^lk me^lngu^lji Pro^ldu^lct Inno^lvatio^ln se^lbagai variabe^ll inte^lrve^lning hu^lbu^lngan Marke^lting pe^lrfo^lrmance^l ,co^lmpe^ltito^lr o^lrie^lntatio^ln, partne^lrship co^lllabo^lratio^ln dan digital kno^lwle^ldge^l sharing.

Su^latu^l variabe^ll dapat dikatakan se^lbagai variabe^ll inte^lrve^lning akan dinyatakan be^lrarti atau^l signifikan jika nilai P-valu^le^ls le^lbih ke^lcil atau^l sama de^lngan 0,05 Krite^lria yang digu^lnakan se^lbagai dasar pe^lrbandingan adalah se^lbagai be^lriku^lt: Hipo^lte^lsis dito^llak bila T-hitu^lng < 1,96 atau^l nilai sig > 0,05 Hipo^lte^lsis dite^lrima bila t- hitu^lng > 1,96 atau^l nilai sig < 0,05.

Tabel 4. 23 Koefisien Jalur Sampel

Asli (O)

Rata-rata Sampel

(M)

Standar Deviasi (STDEV)

Statistik (| T O/STDEV

Values P Keterangan

CO -> MP 0,044 0,042 0,094 0,475 0,635 Di Tolak CO -> PI ^0,052 ^0,055 ^0,074 ^0,704 0,482 Di Tolak DKS -> MP ^-0,132 ^-0,118 ^0,107 ^1,240 ^0,216 Di Tolak DKS -> PI 0,446 0,449 0,109 4,085 0,000 Di Terima PC -> MP ^0,382 ^0,378 ^0,152 ^2,517 0,012 Di Terima PC ->PI 0,430 0,425 0,115 3,737 0,000 Di Terima PI -> MP 0,549 0,543 0,143 3,829 0,000 Di Terima

Sampel Asli (O)

Rata-rata Sampel

(M)

Standar Deviasi (STDEV)

T Statistik (|

O/STDEV

Values P

CO -> PI -> MP 0,029 0,033 0,045 0.643 0,521

DKS -> PI -> MP 0,245 0,240 0,078 3,117 0,002

PC -> PI -> MP 0,236 0,232 0,094 2,512 0,012

Dari hasil pe^lrhitu^lngan pada table^l 4.25 diatas maka dapat disimpu^llkan masing – masing nilai dari variabe^ll me^lnu^lnju^lkkan me^lnu^lnju^lkkan angka yang po^lsitif, hal ini dapat dilihat dari ko^llo^lm sampe^ll asli (o^l). ke^lmu^ldian hipo^lte^lsis ju^lga dapat dikatakan signifikan kare^lna nilai P-valu^le^ls < 0,05. Be^lrdasarkan tabe^ll diatas hasil u^lji jalu^lr ko^le^lfisie^ln de^lngan me^lnggu^lnakan me^lto^lde^l bo^lo^ltstrapping adalah se^lbagai be^lriku^lt:

1. pe^lngaru^lh co^lmpe^ltito^lr o^lrie^lntatio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln.

Dike^ltahu^li bahwa nilai variabe^ll co^lmpe^ltito^lr o^lrie^lntatio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln de^lngan nilai t-tatistik se^lbe^lsar 0,704 dan p-valu^le^ls se^lbe^lsar 0,635 yang mana nilai t-statistik ku^lrang dari 1,96 dan p-valu^le^ls le^lbih be^lsar dari 0,05. Dan nilai dari sampe^ll asli adalah po^lsitif 0,052. Hal ini be^lrarti bahwa co^lmpe^ltito^lr o^lrie^lntatio^ln tidak be^lrpe^lngaru^lh langsu^lng te^lrhadap pro^ldu^lct inno^lvatio^ln. Se^lhingga hipo^lte^lsis pe^lrtama yang me^lnyatakan co^lmpe^ltito^lr o^lrie^lntatio^ln me^lmpu^lnyai pe^lngaru^lh po^lsitif signifikan te^lrhadap pro^ldu^lct inno^lvatio^ln tidak dapat dite^lrima. 2. Pe^lngaru^lh partne^lrship co^lllabo^lratio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln.

Dike^ltahu^li bahwa nilai variabe^ll partne^lrship co^lllabo^lratio^ln te^lrhadap pro^ldu^lct inno^lvatio^ln de^lngan nilai t-tatistik se^lbe^lsar 3,737 dan p-valu^le^ls se^lbe^lsar

Dalam dokumen PENGARUH COMPETITOR ORIENTATION, DIGITAL KNOWLEDGE SHARING, DAN PARTNERSHIP COLLABORATION TERHADAP MARKETING PERFORMANCE DENGAN PRODUCT INNOVATION CAPABILITY SEBAGAI VARIABEL INTERVENING (Halaman 72-105)