BAB IV ANALISIS DATA DAN PEMBAHASAN

BAB IV ANALISIS DATA DAN PEMBAHASAN Bab ini akan menjelaskan mengenai pelaksanaan penelitian yang telah dijelaskan pada bab tiga sebelumnya, dimulai dari penjelasan mengenai responden, pengujian statistik penelitian (uji validitas dan uji reliabilitas), analisis data penelitian, pengujian hipotesis dan terakhir pemodelan hasil penelitian. 4.1. Responden Penelitian 4.1.1. Data Responden Responden dari penelitian yang dilakukan ini adalah seluruh mahasiswa pemakai e-class salah satu fakultas pada Universitas XYZ. Pada saat penelitian ini dilakukan pada semester genap 2011/2012 ada tiga kelas yang menggunakan e- class tersebut. Dari ketiga kelas tersebut berasal dari dua jurusan yang berbeda. Masing-masing kelas tersebut yaitu : 1. Jurusan A angkatan 2010 berjumlah 35 orang 2. Jurusan A angkatan 2009 berjumlah 28 orang 3. Jurusan B angkatan 2011 berjumlah 40 orang Jumlah alat ukur berupa formulir yang disebarkan sebanyak 103 lembar dan mengantisipasi tingkat pengembalian yang rendah, maka penelitian ini menggunakan tingkat signifikansi paling moderat, yaitu sebesar 10% dengan asumsi untuk mengolah kuesioner dengan jumlah yang mendekati batas minimal sampel yang dipersyaratkan (Neuman,2006). Formulir disebarkan secara manual 31

dengan mendatangi kelas pada pertemuan kesepuluh (tanggal 3 7 April 2012) pada masing-masing kelas. Jumlah keseluruhan yang didapatkan berjumlah 103 lembar. Tetapi formulir yang terkumpul berjumlah 94 lembar dikarenakan 9 lembar tidak dapat digunakan akibat tidak sesuai dengan ketentuan. Jumlah responden sebesar 94 orang adalah nilai yang sudah cukup sesuai untuk dilakukan pengolahan data dengan software IBM SPSS 19 dan LISREL 8.8 (Neuman,2006). 4.1.2. Demografi Responden 1. Jenis Kelamin Jenis Kelamin 32% Pria Wanita 68% Berdasarkan penelitian terhadap 103 kuesioner, mayoritas responden berjenis kelamin Pria sebanyak 70 responden (67,96%) sedangkan sisanya sebanyak 33 responden (32,04%) berjenis kelamin Wanita. 32

2. Pengalaman Menggunakan Komputer Pengalaman Menggunakan Komputer 10% 12% 17% 27% < 1 Tahun 1 2 Tahun 2 5 Tahun 5 10 Tahun > 10 Tahun 34% Berdasarkan penelitian terhadap 103 kuesioner, sebanyak 12 responden menggunakan komputer kurang dari 1 tahun (12 %), 28 responden menggunakan komputer selama 1 2 tahun (27 %), 35 responden menggunakan komputer selama 2-5 tahun (34 %), 18 responden menggunakan komputer selama 5 10 tahun (17%), dan 10 responden menggunakan komputer lebih dari 10 tahun (10%) 4.2. Pengujian Statistik Sesuai yang telah dijelaskan pada bab tiga bahwa alat ukur perlu dilakukan kalibrasi melalui pengujian pilot studi. Hal yang perlu dilakukan adalah melakukan uji validitas dan uji reliabilitas. Kedua pengujian tersebut dilakukan dengan menggunakan software IBM SPSS 19. Kemudian dilakukan pengujian statistik deskriptif untuk mengetahui kecenderungan responden dalam menjawab pernyataan dalam alat ukur yang berupa nilai-nilai (mean). 33

4.2.1. Uji Validitas (Validity) Validitas data penelitian ditentukan oleh proses pengukuran yang akurat. Pada penelitian ini dilakukan tiga macam pendekatan untuk mengukur validitas : 1. Face Validity Face validity pada penelitian ini dilakukan dengan menyebarkan alat ukur untuk uji coba kepada pemakai web e-class sebelumnya (angkatan selain yang disebutkan di atas) sejumlah 28 lembar. Tujuannya untuk mendapatkan komentar apa saja yang perlu diperbaiki pada alat ukur tersebut. 2. Content Validity Content validity pada penelitian ini dilakukan dengan melakukan wawancara pada pakar yang menangani web e-class Universitas XYZ tersebut. Tujuannya untuk memperoleh persetujuan mengenai isi dari alat ukut tersebut sudah layak atau belum. 3. Construct Validity Construct validity dilakukan untuk menguji apakah suatu instrumen mengukur construct sesuai dengan yang diharapkan. Ada dua cara pengujian yaitu convergent validity dan discriminant validity. a. Convergent Validity Jika skor dari dua instrument berbeda yang mengukur konstruk yang sama mempunyai korelasi tinggi maka perlu dilakukan validitas konvergen. Hal ini membuktikan bahwa alat ukur tersebut secara tepat mengukur konstruk yang dimaksud. Untuk menguji validitas konvergen, syarat yang digunakan untuk pemeriksaan awal skor loading adalah memenuhi level 0,5 yang dianggap 34

signifikan secara praktikal. Semakin tinggi nilai faktor loading, semakin penting peranan loading dalam menginterpretasikan matrik faktor, (Hair et.al., 2006). Jika skor loading < 0,5 maka indikator dapat dihapus konstruknya karena tidak termuat (load) ke konstruk yang mewakilinya. Jika skor loading antara 0,5 0,7, penelitian tidak menghapus indikator tersebut sepanjang skor AVE dan Communality variabel > 0,5. Tabel 3: Outer Loadings Indicator Outer Loadings AVE R2 Redudancy X1 0,7444 0,592 0,8130 0,5310 X2 0,7285 0,675 X3 0,8334 0,745 X4 0,6777 0,525 X5 0,7796 0,724 X6 0,7966 0,562 X7 0,8145 0,734 X8 0,6965 0,712 X9 0,8945 0,734 Y1 0,8373 0,573 0,6410 0,4124 Y2 0,8535 0,562 Y3 0,6324 0,687 Y4 0,6759 0,864 Y5 0,6463 0,983 Y6 0,9736 0,784 Y7 0,7854 0,966 Y8 0,6416 0,875 Y9 0,7591 0,834 Y10 0,7060 0,685 0,6310 0,3175 Y11 0,8690 0,724 Y12 0,8799 0,734 Y13 0,8437 0,845 Y14 0,8669 0,739 0,773 0,4009 Y15 0,8909 0,974 Y16 0,8755 0,962 Y17 0,8561 0,726 0,607 0,4381 Y18 0,8733 0,853 Y19 0,7940 0,793 35

Berdasarkan tabel 3 dapat dinyatakan bahwa seluruh skor loading tidak ada yang dibawah 0,5, sehingga tidak ada indikator yang harus dikeluarkan dari model, karena skor AVE dan Communality memenuhi syarat, yaitu > 0.5 b. Discriminant Validity Validasi diskriminan adalah validasi jika dua instrument berbeda yang mengukur dua konstruk yang diprediksikan tidak berkorelasi menghasilkan skorskor yang memang tidak berkorelasi (Ghozali, 2005). Hal ini membuktikan bahwa alat ukur secara tepat hanya mengukur konstuk yang diukur, bukan konstruk lain. Tabel 4: Uji validitas diskriminan Variable PEOU PU ATU ITU ASU PEOU (0,8275) PU 0,7889 (0,8518) ATU 0,7859 0,6061 (0,7517) ITU 0,7358 0,6732 0,6723 (0,7694) ASU 0,8309 0,7792 0,7378 0,7995 (0,8597) Tabel 5: Akar AVE Variable AVE Akar AVE PEOU 0,6849 0,8275 PU 0,7257 0,8518 ATU 0,5766 0,7517 ITU 0,5921 0,7694 ASU 0,7392 0,8597 Validitas diskriminan dapat dievaluasi dengan melihat akar AVE dan nilai korelasi antar variabel, dalam hal ini nilai akar AVE seharusnya lebih besar daripada korelasi antar variabel (Ghozali, 2005). Tabel 5 menunjukkan bahwa hampir seluruh nilai akar AVE pada konstruk lebih besar dibandingkan dengan 36

korelasi antar konstruk lainnya, kecuali hubungan antara PEOU dan ASU dengan selisih 0,0034, ITU dan ASU dengan selisih 0,0301. Dengan ini maka dapat dikatakan validitas diskriminan termasuk baik, dengan pertimbangan variabel PEOU, ITU, dan ASU. Dengan melihat cross loading pengukuran dengan konstruknya, validitas diskriminan juga dapat diukur. Pada tabel cross loading terlihat bahwa masing-masing indikator disuatu konstruk akan berbeda dengan indikator di konstruk lain dan mengumpul pada konstruk yang dimaksud. Dapat disimpulkan bahwa masing-masing indikator yang ada disuatu variabel laten memiliki perbedaan dengan indikator di variabel lain yang ditunjukkan dengan skor loading-nya lebih tinggi di konstruknya sendiri. Dari tampilan output IBM SPSS 19 terlihat bahwa korelasi antara masing-masing score butir pernyataan terhadap total score butir-butir pernyataan menunjukkan hasil yang signifikan. Jadi dapat disimpulkan bahwa hampir semua butir pernyataan adalah valid. 4.2.2. Uji Reliabilitas (reliability) Pengukuran reliabilitas pada penelitian ini dilakukan dengan cara One Shot. Disini pengukuran hanya dilakukan sekali dan kemudian hasilnya dibandingkan dengan pernyataan lain untuk mengukur korelasi dan jawaban pernyataan. IBM SPSS 19 memberikan fasilitas untuk mengukur reliabilitas dengan uji statistik Cronbach Alpha(a). Suatu konstruk dinyatakan memenuhi realibilitas jika Cronbach Alpha > 0,6 dan Composite Reability > 0,7. Hal ini 37

menunjukkan keakuratan, kekonsistenan, dan ketetapan suatu alat ukur dalam melakukan suatu pengukuran (Neuman, 2006). Tabel 6 Statistik Reliabilitas Variable Cronbachs Alpha Composite Reliability PEOU 0,8436 0,89 62 PU 0,9053 0,92 96 ATU 0,7516 0,84 05 ITU 0,8844 0,91 00 ASU 0,8820 0,91 88 Hasil Cronbach s Alpha dan Composite Reliability yang diperoleh pada penelitian ini telah memenuhi persyaratan sehingga dapat disimpulkan bahwa reliabilitas dari konstruknya tinggi. 4.2.3. Uji Statistik Deskriptif Pengujian statistik deskriptif memberikan penjelasan bahwa data memiliki nilai Valid N (listwise) dengan tingkat validitas yang baik sebanyak 94 (100%), demikian pula halnya dengan penjelasan Range dan Variance. Sementara untuk nilai Maximum, Minimum, Mean dan Standard Deviation menjelaskan bahwa kisaran data bernilai normal dan tidak ada nilai esktrim yang muncul pada frekuensi kemunculan data dari tiap variabel yang diobervasi. Data tersebut diolah dengan menggunakan software IBM SPSS 19 seperti terlihat pada Tabel 7. 38

Tabel 7 Statistik Deskriptif Item N Minimum Maximum Mean X1 94 1 6 3,61 X2 94 1 6 3,60 X3 94 1 6 3,37 X4 94 1 6 3,44 X5 94 1 6 3,22 X6 94 1 6 3,55 X7 94 1 6 3,57 X8 94 1 6 3,28 X9 94 1 6 3,43 Y1 94 1 6 3,32 Y2 94 1 6 3,39 Y3 94 1 6 3,40 Y4 94 1 6 3,54 Y5 94 1 6 3,52 Y6 94 1 6 3,59 Y7 94 1 6 3,55 Y8 94 1 6 3,33 Y9 94 1 6 3,21 Y10 94 1 6 3,29 Y11 94 1 6 3,66 Y12 94 1 6 3,44 Y13 94 1 6 3,06 Y14 94 1 6 3,22 Y15 94 1 6 3,53 Y16 94 1 6 3,37 Y17 94 1 6 3,36 Y18 94 1 6 3,72 Y19 94 1 6 3,51 Valid N (listwise) 94 39

Kemudian dilakukan perhitungan interval dengan menggunakan rumus : (Ghozali, 2005) I = (B max B min) KL I = Interval B max = Rentang Tersetuju B min = Rentang Tertidak setuju KL = Kelas Dengan rumus tersebut maka pada penelitian ini akan diperoleh perhitungan sebagai berikut : (6-1)/6 = 0,833. Sehingga diperoleh rentang nilai perkategori jawaban pada Tabel 8. Tabel 8 Rentang Nilai Kategori Rentang Nilai Sangat tidak setuju 1,000-1,833 Tidak setuju 1,834-2,666 Kurang setuju 2,667-3,500 Cukup setuju 3,501-4,333 Setuju 4,334-5,166 Sangat setuju 5,167-6,000 Dari masing-masing item pernyataan dihitung nilai mean dan dikelompokkan sesuai dengan kategorinya. Untuk lebih jelasnya dapat dilihat pada Tabel 9. Tabel 9 Nilai Rata-Rata Item Pernyataan Rata - rata Kategori X1 = penggunaan tanpa bantuan 3,606383 Cukup Setuju X2 = pengoperasian 3,595745 Cukup Setuju X3 = kemudahan dalam menggunakan X4 = melakukan yang diinginkan 3,37234 Kurang Setuju 3,43617 Kurang Setuju X5 = waktu untuk mempelajari 3,223404 Kurang Setuju X6 = mengingat penggunaan 3,553191 Cukup Setuju 40

X7 = usaha yang diperlukan 3,574468 Cukup Setuju X8 = interaksi penggunaan 3,276596 Kurang Setuju X9 = ketrampilan penggunaan 3,425532 Kurang Setuju Y1 = peningkatan kualitas 3,319149 Kurang Setuju Y2 = peningkatan kinerja 3,393617 Kurang Setuju Y3 = mendukung tugas 3,404255 Kurang Setuju Y4 = peningkatan penyelesaian tugas 3,542553 Cukup Setuju Y5 = peningkatan produktifitas 3,521277 Cukup Setuju Y6 = peningkatan informasi 3,585106 Cukup Setuju Y7 = peningkatan akses banyak informasi Y8 = peningkatan akses informasi terbaru 3,553191 Cukup Setuju 3,329787 Kurang Setuju Y9 = memperoleh informasi 3,212766 Kurang Setuju berkualitas Y10 = baik/buruk 3,287234 Kurang Setuju Y11 = bijaksana/bodoh 3,659574 Cukup Setuju Y12 = menyenangkan/tidak menyenangkan 3,43617 Kurang Setuju Y13 = positif/negatif 3,06383 Kurang Setuju Y14 = keteraturan pemakaian 3,223404 Kurang Setuju Y15 = intensitas pemakaian 3,531915 Cukup Setuju Y16 = memotivasi ke pengguna lain Y17 = penggunaan dalam seminggu (jumlah) Y18 = penggunaan dalam seminggu (jam) 3,37234 Kurang Setuju 3,361702 Kurang Setuju 3,723404 Cukup Setuju Y19 = frekuensi penggunaan 3,510638 Cukup Setuju 41

4.2.4. Uji Analisis Faktor Analisis faktor digunakan untuk menguji apakah butir-butir pernyataan atau indikator (X1-Y13) yang digunakan dapat mengkonfirmasi sebuah faktor pada konstruk atau variabel. Perceived Ease of Use (PEOU) diukur dengan indikator pernyataan X1-X4. Perceived Usefulness (PU) diukur dengan indikator pernyataan Y1-Y4. Attitude Toward Using (ATU) diukur dengan indikator pernyataan Y5-Y7. Behavioral Intention To Use (ITU) diukur dengan indikator pernyataan Y8-Y10. Actual System Usage (ASU) diukur dengan indikator pernyataan Y11-Y13. Masing-masing butir pernyataan merupakan suatu indikator pengukur jika memiliki nilai loading faktor yang tinggi. Untuk menguji analisis faktor, syarat yang digunakan untuk pemeriksaan awal skor loading adalah memenuhi level Communality diatas 0,5 yang dianggap signifikan secara praktikal. Semakin tinggi nilai faktor loading, semakin penting peranan loading dalam menginterpretasikan matrik faktor (Neuman, 2006). Jika skor loading < 0,5 maka indikator dapat dihapus konstruknya karena tidak termuat (load) ke konstruk yang mewakilinya seperti yang terlihat pada Tabel 10 dan Tabel 11. Tabel 10 Communality Initial Extraction X1 1,000,567 X2 1,000,767 X3 1,000,627 X4 1,000,697 X5 1,000,712 X6 1,000,659 42

X7 1,000,774 X8 1,000,717 X9 1,000,662 Y1 1,000,634 Y2 1,000,776 Y3 1,000,662 Y4 1,000,713 Y5 1,000,784 Y6 1,000,684 Y7 1,000,630 Y8 1,000,661 Y9 1,000,710 Y10 1,000,686 Y11 1,000,788 Y12 1,000,711 Y13 1,000,562 Y14 1,000,637 Y15 1,000,739 Y16 1,000,715 Y17 1,000,624 Y18 1,000,758 Y19 1,000,642 Berdasarkan Tabel 10 diatas dapat dinyatakan bahwa seluruh skor loading tidak ada yang dibawah 0,5, sehingga tidak ada indikator yang harus dikeluarkan dari model, karena skor Communality memenuhi syarat, yaitu diatas 0,5. Tabel 11 Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative % 1 2,001 7,147 7,147 2,001 7,147 7,147 2 1,854 6,621 13,768 1,854 6,621 13,768 3 1,749 6,248 20,016 1,749 6,248 20,016 4 1,713 6,119 26,135 1,713 6,119 26,135 5 1,613 5,761 31,896 1,613 5,761 31,896 43

6 1,597 5,702 37,598 1,597 5,702 37,598 7 1,492 5,327 42,925 1,492 5,327 42,925 8 1,425 5,089 48,015 1,425 5,089 48,015 9 1,335 4,768 52,783 1,335 4,768 52,783 10 1,248 4,457 57,240 1,248 4,457 57,240 11 1,175 4,195 61,435 1,175 4,195 61,435 12 1,071 3,824 65,259 1,071 3,824 65,259 13 1,024 3,655 68,915 1,024 3,655 68,915 14,957 3,418 72,333 15,891 3,184 75,516 16,864 3,087 78,603 17,763 2,724 81,327 18,715 2,552 83,879 19,647 2,309 86,189 20,584 2,086 88,274 21,571 2,041 90,315 22,521 1,860 92,175 23,510 1,822 93,998 24,457 1,633 95,630 25,368 1,316 96,946 26,355 1,269 98,215 27,259,925 99,140 28,241,860 100,000 Berdasarkan Tabel 11 diatas hanya tampak componen indikator 1 sampai 6 saja karena jika skor loading < 0,5 maka indikator dapat dihapus konstruknya karena tidak termuat (load) ke konstruk yang mewakilinya. 4.3. Analisis Data 4.3.1. Estimasi Model Awal Dari Path digram dan Output Lisrel diketahui bahwa model teori yang diajukan pada penelitian ini tidak sesuai dengan model populasi yang diobservasi, karena diketahui bahwa P-value tidak memenuhi persyaratan karena hasilnya di bawah cut off value seharusnya untuk menerima H0 yaitu 0.05 44

Karena output model belum memenuhi persyaratan penerimaan H0, maka tidak dapat dilakukan uji hipotesis berikutnya. Namun demikian, agar model yang diajukan dinyatakan fit, maka dapat dilakukan modifikasi model sesuai dengan Modification Indices yang disarankan oleh Lisrel. Langkah modifikasi harus dilakukan secara bertahap, artinya satu langkah modifikasi akan menjadi dasar modifikasi berikutnya dan tidak dapat dilakukan secara serentak. Hal ini untuk menghindari munculnya output diagram yang tidak dapat diantisipasi oleh Lisrel karena model yang tidak fit. 4.3.2. Modifikasi Model Dengan dasar teori yang ada dan justifikasi, maka agar mendapatkan model yang fit, dilakukan modifikasi model sebagai berikut: 1. Modifikasi pertama dilakukan dengan menghubungkan error factor X3 (kemudahan dalam menggunakan) dengan X8 (interaksi penggunaan), sehingga diketahui bahwa persepsi kemudahan untuk berinteraksi dengan web mempengaruhi persepsi kemudahan untuk menggunakan web. 2. Modifikasi ketujuh dilakukan dengan menghubungkan error factor X3 (kemudahan dalam menggunakan) dengan X7 (usaha yang diperlukan), sehingga diketahui bahwa bagi pengguna web, kemudahan untuk menggunakan web berhubungan dengan usaha yang diperlukan untuk mempelajari web. 3. Modifikasi kedua dilakukan dengan menghubungkan error factor X6 (mengingat penggunaan) dengan X9 (ketrampilan penggunaan), 45

sehingga diketahui bahwa mengingat bagaimana cara menggunakan web mempengaruhi ketrampilan menggunakan web. 4. Modifikasi keempat dilakukan dengan menghubungkan error factor Y4 (peningkatan penyelesaian tugas) dengan Y5 (peningkatan produktifitas), sehingga diketahui bahwa peningkatan dalam menyelesaikan tugas akan mempengaruhi peningkatan produktifitas mahasiswa. 5. Modifikasi keempat dilakukan dengan menghubungkan error factor Y17 (penggunaan dalam seminggu (jumlah)) dengan Y19 (frekuensi penggunaan), sehingga diketahui bahwa frekuensi penggunaan web mempengaruhi banyaknya penggunaan dalam seminggu. 6. Modifikasi kelima dilakukan dengan menghubungkan error factor Y15 (intensitas pemakaian) dengan Y19 (frekuensi penggunaan), sehingga diketahui bahwa intensitas pemakaian web berhubungan dengan frekuensi penggunaan web. 7. Modifikasi keenam dilakukan dengan menghubungkan dua variabel laten, yaitu PU dengan ASU. Dari modifikasi tersebut maka muncul persamaan baru (ASU=ITU+PU) yang mengubah persamaan sebelumnya (ASU=ITU). Modifikasi yang dilakukan antar variabel laten telah didukung dengan landasan yang kuat. Penelitian terdahulu yang dijadikan landasan modifikasi tersebut menyatakan bahwa Acceptance yang dimanifestasikan dalam variabel ITU dan ASU dipengaruhi oleh PU secara tidak langsung. 46

Untuk lebih jelasnya dapat dilihat pada Tabel 12. Tabel 12 Modifikasi Model No Modifikasi Simplis Syntax 1 X3 = X8 Lets the errors of X3 and X8 correlate 2 X3 = X7 Lets the errors of X3 and X7 correlate 3 X6 = X9 Lets the errors of X8 and X9 correlate 4 Y4 = Y5 Lets the errors of Y4 and Y5 correlate 5 Y17 = Y19 Lets the errors of Y17 and Y19 correlate 6 Y15 = Y19 Lets the errors of Y15 and Y19 correlate 7 ASU = PU ASU = PU 4.3.3. Temuan Penelitian Dari hasil pengujian pada Lisrel, sebagaimana terdeskripsikan pada penjelasan di atas, maka implikasi yang muncul akibat modifikasi pada penelitian ini adalah terbentuknya persamaan baru (ASU=ITU+PU) sebagai pengembangan dari model diagram awal yang diajukan. Perubahan model yang sangat signifikan dalam penelitian ini dapat dibenarkan karena telah memiliki dasar yang kuat, yaitu adanya penelitian terdahulu yang menyatakan bahwa Acceptance yang dimanifestasikan dalam variabel ITU dan ASU dipengaruhi oleh PU secara tidak langsung (Saade & Bahli (2004). Dari modifikasi tersebut diketahui bahwa kondisi nyata penggunaan sistem (ASU) dipengaruhi oleh dua hal yaitu kecenderungan perilaku untuk tetap menggunakan web (ITU) dan persepsi terhadap kemanfaatan (PU) dari penggunaan Web tersebut. 47

4.3.4. Estimasi Model Modifikasi Setelah model dimodifikasi kemudian diestimasikan kembali dengan menggunakan Lisrel 8.8 di bawah ini didapatkan hasil output berikut: Degrees of Freedom = 4 Minimum Fit Function Chi Square = 4.93 (P = 0.29) Normal Theory Weighted Least Squares Chi Square = 4.73 (P = 0.32) Estimated Non centrality Parameter (NCP) = 0.73 90 Percent Confidence Interval for NCP = (0.0 ; 10.53) Minimum Fit Function Value = 0.051 Population Discrepancy Function Value (F0) = 0.0077 90 Percent Confidence Interval for F0 = (0.0 ; 0.11) Root Mean Square Error of Approximation (RMSEA) = 0.044 90 Percent Confidence Interval for RMSEA = (0.0 ; 0.17) P Value for Test of Close Fit (RMSEA < 0.05) = 0.43 Expected Cross Validation Index (ECVI) = 0.28 90 Percent Confidence Interval for ECVI = (0.27 ; 0.38) ECVI for Saturated Model = 0.32 ECVI for Independence Model = 0.73 Chi Square for Independence Model with 10 Degrees of Freedom = 59.11 Independence AIC = 69.11 Model AIC = 26.73 Saturated AIC = 30.00 Independence CAIC = 86.98 Model CAIC = 66.06 Saturated CAIC = 83.62 Normed Fit Index (NFI) = 0.92 Non Normed Fit Index (NNFI) = 0.95 Parsimony Normed Fit Index (PNFI) = 0.37 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.79 Critical N (CN) = 259.63 Root Mean Square Residual (RMR) = 0.023 Standardized RMR = 0.046 Goodness of Fit Index (GFI) = 0.98 Adjusted Goodness of Fit Index (AGFI) = 0.93 Parsimony Goodness of Fit Index (PGFI) = 0.26 Dari hasil output tersebut di atas (P Value for Test of Close Fit (RMSEA < 0.05) = 0.43), dapat diketahui bahwa P-value menjadi tidak signifikan ( 0.05) sehingga dapat dikatakan bahwa model yang diajukan telah dinyatakan fit dan pengujian hipotesis penelitian dapat dilakukan. 48

4.3.5. Pengujian Kesesuaian Model Struktural sebagai berikut: Hasil Pengujian Kesesuaian Model Struktural mendapatkan output Gambar 5 Hasil Output Lisrel 8.8 1. PU = PEOU PU = 0.78*PEOU, Errorvar.= 0.29, R² = 0.68 2. ATU = PU + PEOU ATU = 0.57*PU + 0.01*PEOU, Errorvar.= 0.69 R² = 0.30 3. ITU = PU + ATU ITU = 0.40*PU + 0.45*ATU, Errorvar.= 0.46 R² = 0.54 4. ASU = PU + ITU ASU = 0.54*PU + 0.53*ITU, Errorvar.= 0.13 R² = 0.87 49

Parameter untuk kesesuaian model struktural adalah R². Hasil yang diperoleh pada penelitian ini menunjukkan bahwa model pertama memiliki nilai R² sebesar 0.68 yang artinya model pertama mampu menjelaskan 68% dari perubahan pada variabel laten PU. Model kedua mampu menjelaskan 30% dari perubahan pada variabel ATU. Sedangkan model ketiga mampu menjelaskan 54% dari perubahan pada variabel laten ITU. Dan model keempat mampu menjelaskan 87% dari perubahan pada variabel laten ASU. 4.4. Pengujian Hipotesis Berikut ini adalah pengolahan pengujian hipotesis dengan menggunakan software Lisrel 8.8 dengan melakukan perhitungan pada nilai t terlebih dahulu : Tabel 13 Uji Hipotesis Hipotesis Konstruk Koefisien Beta T Statistik T Tabel (5%) Hipotesis H1 PEOU PU,78 5,74,65 Diterima H2 PU ATU,57 2,32,65 Diterima H3 PEOU ATU,01 0,04,65 Ditolak H4 ATU ITU,45 2,85,65 Diterima H5 PU ITU,40 2,88,65 Diterima H6 ITU ASU,53 1,85,65 Diterima H1: Perceived Ease of Use (PEOU) berpengaruh terhadap Perceived Usefulness (PU) Dari hasil pengujian Lisrel diketahui bahwa nilai t sebesar 5.74 pada hubungan PU terhadap PEOU berada di atas batas kritis yaitu 1.65 maka pengaruh yang 50

diberikan PEOU terhadap PU terbukti signifikan. Nilai koefisien variabel laten PEOU sebesar 0.78 yang berarti variabel PEOU memberikan pengaruh sebesar 78% terhadap variabel PU dan H1 diterima. H2: Perceived Usefulness (PU) berpengaruh terhadap Attitude Toward Using (ATU) Dari hasil pengujian Lisrel diketahui bahwa nilai t variabel PU terhadap ATU sebesar 2.32 berada di atas batas kritis, sementara pengaruh yang diberikan PU terhadap ATU terbukti signifikan dengan nilai koefisien variabel laten PU sebesar 0.57 yang artinya variabel PU memberikan pengaruh sebesar 57% terhadap ATU dan H2 diterima. H3: Perceived Ease of Use (PEOU) berpengaruh terhadap Attitude Toward Using (ATU) Hubungan antara variabel PEOU terhadap ATU menghasilkan nilai t sebesar 0.04 di bawah batas kritis yang ditetapkan yaitu 1.65 dengan koefisien yang dimiliki hanya 0.01 maka variabel PEOU belum menunjukkan pengaruhnya terhadap variabel ATU dengan demikian H3 tidak diterima. H4: Attitude Toward Using (ATU) berpengaruh terhadap Behavioral Intention to Use (ITU) Nilai t pada hubungan variabel laten ATU dengan ITU sebesar 2.85 jauh di atas batas kritis. Dengan nilai koefisien ATU sebesar 0.45 berarti variabel ATU memberikan pengaruh sebesar 45% terhadap variabel ITU dan H4 diterima. 51

H5: Perceived Usefulness (PU) berpengaruh terhadap Behavioral Intention to Use (ITU) Hasil pengolahan yang menunjukkan nilai t pada variabel PU terhadap ITU di atas batas kritis sebesar 2.88 dengan koefisien 0.40 yang berarti variabel PU memberikan pengaruh sebesar 40% terhadap variabel ITU dan H5 diterima. H6: Behavioral Intention to Use (ITU) berpengaruh terhadap Actual System Usage (ASU) Hipotesis di atas sebenarnya bermula dari persamaan 4 (ASU=ITU). Namun dengan modifikasi yang telah dilakukan, maka muncul persamaan baru (ASU=PU+ITU) yang tetap dapat menjelaskan pengaruh antara variabel ITU terhadap ASU. Dengan nilai t di atas batas kritis pada hubungan antara variabel ITU terhadap ASU yaitu sebesar 1.85 dengan koefisien sebesar 0.53, maka berarti variabel ITU memberikan pengaruh sebesar 53% terhadap variabel ASU dan H6 diterima. 4.5. Pemodelan Hasil Penelitian Seperti yang dapat dilihat pada Tabel 6 mengenai nilai rata-rata (mean) bahwa ada beberapa point pernyataan yang memiliki hasil kategori Kurang Setuju. Berikut penjelasan mengenai perbaikan pada pernyataan yang memiliki point kurang tersebut : 1. Mengenai kemudahan untuk dipelajari / dipahami. Perbaikan pada point ini adalah dengan membuat suatu pemodelan dengan mempermudah web portal e-class menjadi lebih mudah dipelajari / dipahami. Untuk lebih jelasnya dapat dilihat pada Gambar 8 52

2. Mengenai kemudahan untuk digunakan. Perbaikan pada point ini adalah dengan menambahkan modul FAQ untuk membantu mengarahkan mahasiswa yang mengalami kesulitan. Pada Gambar 8 dapat dilihat ada tambahan modul FAQ. 3. Mengenai kemudahan untuk berinteraksi. Perbaikan pada point ini adalah dengan memberikan chat box dan modul forum pada mata kuliah yang diambil dengan maksud memudahkan mahasiswa untuk berinteraksi dengan sesama mahasiswa dan dosen pengajar. Pada Gambar 8 dapat dilihat ada tambahan chat box pada sisi kanan web. Pada Gambar 10 dapat dilihat ada penambahan katalog forum. 4. Mengenai menjawab kebutuhan informasi. Perbaikan pada point ini adalah dengan menambahkan modul yang berguna untuk memberikan informasi kepada mahasiswa yang mengakses web portal. Untuk lebih jelasnya dapat dilihat pada Gambar 9. Pada Gambar 10 bisa dilihat adanya penambahan informasi yang tersedia. 5. Mengenai frekuensi penggunaan. Dengan pemodelan web portal e- class ini diharapkan dapat lebih meningkatkan penggunaan web tersebut dikalangan mahasiswa. 53

Gambar 6 Halaman Muka Web E-Class Universitas XYZ Gambar 7 Halaman Perkuliahan Universitas XYZ 54

Gambar 8 Halaman Muka Pemodelan Web Yang Diajukan Gambar 9 Halaman Informasi Perkuliahan Yang Diajukan 55

Gambar 10 Halaman Perkulihan Detail Yang Diajukan 56