Data yang diperoleh dari hasil penelitian kemudian diolah menggunakan teknik analisis data yaitu Partial Least Square (PLS). PLS menurut Wold dalam Ghozali (2008) merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak asumsi. Penelitian ini menggunakan PLS sebagai teknik analisis data dengan software SmartPLS versi 2.0.M3 yang dapat di-download dari http://www.smartpls.de. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate
(indikator dengan skala kategori, ordinal, interval sampai rasio dapat
digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Hal
ini sesuai dengan jumlah sampel pada penelitian ini yaitu 93 responden.
Walaupun PLS digunakan untuk menkonfirmasi teori, tetapi dapat
juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara
variabel laten.
Tahapan yang digunakan untuk menganalisis data, yaitu:
a. Confirmatory Factor Analysis
(Analisis Faktor Konfirmatori). Church dan Burke dalam Widhiarso (2004)
mengatakan bahwa teknik Analisis Faktor Konfirmatori adalah salah satu
teknik yang cukup adekuat dalam menganalisis model sederhana dalam
melihat berfungsinya konstruk empirik (faktor) di sebuah model
struktural. Salah satu kelebihan Analisis Faktor Konfirmatori adalah
tingkat fleksibilitasnya ketika diaplikasikan dalam sebuah model
hipotesis yang kompleks. Tujuan dari analisis faktor ini adalah
menjelaskan dan menggambarkan dengan mereduksi jumlah parameter yang ada
(Widhiarso, 2004). Confirmatory Factor Analysis
konstruk digunakan untuk melihat validitas dari masing-masing indikator
dan untuk menguji reliabilitas dari konstruk tersebut. Kriteria validitas indikator diukur dengan convergent validity. Indikator dikatakan valid dengan convergent validity nilai loading 0.7 namun untuk penelitian tahap awal dari pengembangan nilai loading 0.5 sampai 0.6 dianggap cukup, dan dapat pula ditunjukkan oleh nilai Average Variance Extracted (AVE) yang diatas 0.50. Reliabilitas konstruk diukur dengan Composite Reliability dan Cronbach Alpha. Konstruk dikatakan reliabel jika memiliki nilai Composite Reliability dan Cronbach Alpha di atas 0.70 (Ghozali (2008).
Penelitian yang menekankan pada pembangunan model perlu diuji kesesuaiannya, termasuk penelitian yang menggunakan structural equation modeling. Model Struktural dievaluasi menggunakan Goodness of Fit Model, yaitu menunjukkan perbedaan antara nilai-nilai yang diamati dan nilai-nilai yang diperkirakan oleh model. Pada model regresi, Goodness of Fit (pengujian kesesuaian) yang menunjukkan nilai R2 di atas 80% dianggap baik (Jogiyanto, 2008).
b. Analisis
Regresi Berganda, dimaksudkan untuk melihat pengaruh langsung antar
konstruk berdasarkan hipotesis yang telah diungkapkan dan model
persamaan struktural (Gambar 4.1).
Gambar 4.1. Model Persamaan Struktural
Berdasarkan model persamaan struktural tersebut, persamaan regresi dengan nilai konstanta atau unstadardized adalah sebagai berikut:
X2 = β0 + β1X1
X3 = β0 + β1X1 + β2X2
Y = β0 + β1X1 + β2X2 + β3X3
Z = β0 + β1X1 + β2X2 + β3X3 + β4Y1 + e
Keterangan:
Z = Actual system use
β = konstanta
X1 = Perceived ease of use
X2 = Perceived usefulness
X3 = Attitude toward using
Y = Behavior intention to use
e = error
Output software PLS
menggambarkan konstruk unidimensional dengan bentuk elips dengan
beberapa anak panah dari konstruk ke indikator (Gambar 4.1.). Model
tersebut menghipotesiskan bahwa perubahan pada konstruk laten akan
mempengaruhi perubahan pada indikator. Indikator harus memiliki internal
konsistensi oleh karena semua ukuran indikator diasumsikan semuanya
valid mengukur suatu konstruk, sehingga jika terdapat dua ukuran
indikator yang sama reliabilitasnya dapat saling dipertukarkan (Ghozali,
2008).
c. Path analysis (analisis jalur)
Gambar
4.2 menunjukkan hubungan langsung antar konstruk dan antara konstruk
dengan indikator. Langkah selanjutnya untuk menguji besarnya kontribusi
yang ditunjukkan koefisien jalur pada setiap diagram jalur dari hubungan
kausal antar konstruk, digunakan Path Analysis. Path Analysis akan mengungkapkan pengaruh langsung dan pengaruh tidak langsung antar konstruk, didasarkan pada koefisien regresi yang standardized.
d. Uji Asumsi Klasik
Uji
ini dimaksudkan untuk membuktikan bahwa model regresi penelitian telah
memenuhi asumsi klasik, tidak terdapat masalah-masalah regresi yang
tidak diperbolehkan dalam pengolahan data regresi secara statistik. Uji
asumsi klasik akan diketahui hasilnya dengan batuan software SPSS versi 14. Ghozali (2005) mengungkapkan bahwa uji ini terdiri atas empat bagian, yaitu:
- 1) Normalitas; bertujuan untuk menguji kemungkinan variabel pengganggu atau residual memiliki distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram/grafik normal plotnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
- 2) Heteroskedastisitas; bertujuan untuk menguji kemungkinan terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Salah satu cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah melihat grafik plot antara prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah disudentized. Apabila dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi yang digunakan.
- 3) Multikolinearitas; bertujuan untuk menguji penemuan korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogal (yaitu variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol). Uji multikolonieritas dapat juga dilihat dari: (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10.
- Linearitas; dimaksudkan untuk mengetahui linieritas hubungan antara variabel bebas dengan variabel tergantung, selain itu uji linieritas ini juga diharapkan dapat mengetahui taraf signifikansi penyimpangan dari linieritas hubungan tersebut. Apabila penyimpangan yang ditemukan tidak signifikan, maka hubungan antara variabel bebas dengan variabel tergantung adalah linier. Uji linieritas ini menggunakan metode curve fit
Sumber:
Dapat dilihat disini
Tidak ada komentar:
Posting Komentar