simulasi-smartsimulasi

www.konsultanstatistik.com

1

SIMULASI SMARTPLS PADA ACTUAL SYSTEM USAGE

Pengujian hipotesis menggunakan metode Partial Least Square (PLS). PLS

merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang

berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat

diestimasi dengan jumlah sampel yang relatif kecil. Simulasi menggunakan alat bantu

berupa program SmartPLS Versi 2 yang dirancang khusus untuk mengestimasi persamaan

struktural dengan basis variance. Model struktural dalam penelitian ini ditampilkan pada

Gambar 1 di bawah.

Gambar 1 Model Struktural

Gambar tersebut menunjukkan bahwa konstruk computer self efficacy (CSF) diukur

dengan 3 buah indikator yaitu CSF1, CSF2 dan CSF3. Demikian juga konstruk

Organization factor (OF) diukur dengan 4 indikator yaitu OF1, OF2, OF3 dan OF4,

konstruk perceived ease of use (PEOU) diukur dengan 6 indikator yaitu PEOU1, PEOU2,


2

PEOU3, PEOU4, PEOU5 dan PEOU6, konstruk perceive usefulness (PU) diukur dengan 6

indikator yaitu PU1, PU2, PU3, PU4, PU5 dan PU6, konstruk attitude toward using (ATT)

diukur dengan 5 indikator yaitu ATT1, ATT2, ATT3, ATT dan ATT5 dan kontruk actual

system usage (ASU) diukur dengan 3 indikator yaitu ASU1, ASU2 dan ASU3. Arah panah

antara indikator dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa

penelitian menggunakan indikator reflektif.

Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara

konstruk. Hipotesis H1a adalah pengaruh antara CSF terhadap PU, hipotesis H1b adalah

pengaruh antara CSF terhadap PEOU, hipotesis H2a adalah pengaruh antara OF terhadap

PU, hipotesis H2b adalah pengaruh antara OF terhadap PEOU, hipotesis H3a adalah

pengaruh antara PEOU terhadap PU, hipotesis H3b adalah pengaruh antara PEOU terhadap

ATT, hipotesis H4a adalah pengaruh antara PU terhadap ATT, hipotesis H4b adalah

pengaruh antara PU terhadap ASU dan hipotesis H5 adalah pengaruh antara ATT terhadap

ASU.

A. Evaluasi Measurement (Outer) Model 1. Uji Validitas

Suatu indikator dinyatakan valid jika mempunyai loading factor di atas 0,5 terhadap

konstruk yang dituju. Output SmartPLS untuk loading factor memberikan hasil sebagai

berikut:

Tabel 1 Result For Outer Loading

ASU ATT CSF OF PEOU PU

ASU1 0.6510

ASU2 0.8973

ASU3 0.9018

ATT1 0.7202

ATT2 0.7273

ATT3 0.4959

ATT4 0.8581

ATT5 0.5218

CSF1 0.0000


3


CSF2 0.8724

CSF3 0.9333

OF1 0.8338

OF2 0.3098

OF3 0.1103

OF4 0.6591

PEOU1 0.7461

PEOU2 0.6961

PEOU3 0.6961

PEOU4 0.6299

PEOU5 0.7284

PEOU6 0.8588

PU1 0.8351

PU2 0.8382

PU3 0.8351

PU4 0.7971

PU5 0.8085

PU6 0.7940

Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item

dengan skor konstruknya. Pengukuran dengan indikator reflektif menunjukkan adanya

perubahan pada suatu indikator dalam suatu konstruk jika indikator lain pada konstruk

yang sama berubah (atau dikeluarkan dari model). Indikator reflektif cocok digunakan

untuk mengukur persepsi sehingga penelitian ini menggunakan indikator reflektif.

Kriteria yang digunakan adalah di atas 0,5. Tabel di atas menunjukkan bahwa

terdapat beberapa indikator yang mempunyai loading factor di bawah 0,5 yaitu indikator

ATT3 (0,4959), indikator CSF1 (0,000) indikator OF2 (0,3098) dan indikator OF3

(0,1103). Dengan demikian keempat indikator tersebut dinyatakan tidak valid dan harus

dikeluarkan dari model penelitian. Dilakukan uji ulang tanpa keempat indikator tersebut

sehingga diperoleh nilai loading factor sebagai berikut:


4

Tabel 2 Result For Outer Loading (Dropped 4 Indikator)


ASU1 0.6447

ASU2 0.8993

ASU3 0.9042

ATT1 0.7460

ATT2 0.7410

ATT4 0.8543

ATT5 0.5528

CSF2 0.8724

CSF3 0.9333

OF1 0.8710

OF4 0.6435

PEOU1 0.7468

PEOU2 0.6969

PEOU3 0.6969

PEOU4 0.6299

PEOU5 0.7275

PEOU6 0.8581

PU1 0.8368

PU2 0.8367

PU3 0.8368

PU4 0.7955

PU5 0.8080

PU6 0.7941

Tabel di atas menunjukkan bahwa dengan mengeluarkan 4 indikator maka semua

loading factor mempunyai nilai di atas 0,5.


5

Gambar 2 Nilai Loading Factor

Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross

loading sebagai berikut:

Tabel 3 Resulit for Cross Loading (Dropped 4 Indikator)


ASU1 0.6447 0.7279 0.4660 0.2272 0.3817 0.4790

ASU2 0.8993 0.5648 0.7076 0.3810 0.6028 0.8025

ASU3 0.9042 0.5949 0.8053 0.3396 0.6458 0.8363

ATT1 0.4841 0.7460 0.5430 0.3744 0.5781 0.5852

ATT2 0.4803 0.7410 0.5639 0.2624 0.4284 0.5762

ATT4 0.7790 0.8543 0.6015 0.3500 0.4984 0.6486

ATT5 0.2996 0.5528 0.3027 0.0146 0.3335 0.2799


6


CSF2 0.6335 0.6160 0.8724 0.4836 0.5627 0.7235

CSF3 0.8203 0.6621 0.9333 0.4737 0.8799 0.8805

OF1 0.3557 0.3669 0.4603 0.8710 0.3050 0.4051

OF4 0.2256 0.1876 0.3362 0.6435 0.1875 0.2662

PEOU1 0.3175 0.3102 0.5340 0.2128 0.7468 0.5275

PEOU2 0.4315 0.4042 0.4201 0.1113 0.6969 0.5096

PEOU3 0.4315 0.4042 0.4201 0.1113 0.6969 0.5096

PEOU4 0.5117 0.5554 0.6287 0.3737 0.6299 0.5670

PEOU5 0.5106 0.4712 0.5739 0.1005 0.7275 0.5951

PEOU6 0.6555 0.5627 0.8727 0.4297 0.8581 0.7481

PU1 0.6413 0.6633 0.7459 0.3802 0.7114 0.8368

PU2 0.8272 0.6117 0.7345 0.4141 0.6379 0.8367

PU3 0.6413 0.6633 0.7459 0.3802 0.7114 0.8368

PU4 0.8272 0.5430 0.7020 0.3616 0.6186 0.7955

PU5 0.6059 0.4770 0.6591 0.1945 0.6357 0.8080

PU6 0.7330 0.6709 0.8010 0.4395 0.6390 0.7941

Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada

konstruk yang dituju dibandingkan loading factor kepada konstruk lain. Tabel di atas

menunjukkan bahwa loading factor untuk indikator ASU1 mempunyai loading factor

kepada ASU sebesar 0,6447 yang ternyata lebih rendah dari pada loading factor kepada

ATT yaitu sebesar 0,7279. Demikian juga indikator PU4 mempunyai loading factor

kepada PU sebesar 0,7955 yang lebih rendah dari pada loading factor kepada ASU yaitu

sebesar 0,8272.

Dengan men-drop kedua indikator tersebut maka diperoleh nilai cross loading

sebagai berikut:


7

Tabel 4 Result for Cross Loading (Dropped 6 Indikator)


ASU2 0.9328 0.5655 0.7073 0.3805 0.6026 0.7295

ASU3 0.9465 0.5956 0.8049 0.3406 0.6460 0.8142

ATT1 0.4390 0.7579 0.5429 0.3756 0.5782 0.5899

ATT2 0.4282 0.7539 0.5643 0.2635 0.4293 0.6005

ATT4 0.6380 0.8437 0.6014 0.3506 0.4982 0.6307

ATT5 0.1692 0.5304 0.3023 0.0138 0.3333 0.2843

CSF2 0.6222 0.6222 0.8734 0.4839 0.5640 0.7252

CSF3 0.8142 0.6621 0.9326 0.4735 0.8809 0.8672

OF1 0.3456 0.3738 0.4605 0.8767 0.3060 0.4041

OF4 0.2260 0.1876 0.3362 0.6344 0.1882 0.2532

PEOU1 0.3635 0.3151 0.5332 0.2134 0.7487 0.5398

PEOU2 0.4353 0.4043 0.4195 0.1116 0.6922 0.4849

PEOU3 0.4353 0.4043 0.4195 0.1116 0.6922 0.4849

PEOU4 0.4669 0.5636 0.6288 0.3732 0.6326 0.5723

PEOU5 0.4833 0.4652 0.5731 0.1024 0.7287 0.6027

PEOU6 0.6536 0.5636 0.8725 0.4291 0.8596 0.7486

PU1 0.6037 0.6676 0.7456 0.3805 0.7127 0.8822

PU2 0.8585 0.6142 0.7341 0.4135 0.6378 0.7896

PU3 0.6037 0.6676 0.7456 0.3805 0.7127 0.8822

PU5 0.6500 0.4830 0.6591 0.1956 0.6354 0.8298

PU6 0.6898 0.6728 0.8012 0.4404 0.6390 0.7810

Tampak bahwa indikator PU2 masih mempunyai loading factor kepada PU (0,7896)

yang lebih rendah dari pada loading factor ke konstruk ASU (0,8585) sehingga indikator

PU2 juga dikeluarkan dari model penelitian:


8

Tabel 5 Result for Cross Loading (Dropped 7 Indikator)


ASU2 0.9301 0.5625 0.7069 0.3790 0.6027 0.6336

ASU3 0.9488 0.5938 0.8046 0.3428 0.6466 0.7527

ATT1 0.4391 0.7555 0.5427 0.3783 0.5779 0.5589

ATT2 0.4288 0.7573 0.5648 0.2659 0.4303 0.6157

ATT4 0.6376 0.8403 0.6014 0.3517 0.4987 0.5908

ATT5 0.1700 0.5368 0.3020 0.0118 0.3334 0.2954

CSF2 0.6231 0.6219 0.8745 0.4844 0.5656 0.7131

CSF3 0.8150 0.6615 0.9318 0.4726 0.8820 0.8324

OF1 0.3458 0.3714 0.4606 0.8905 0.3069 0.3909

OF4 0.2246 0.1867 0.3362 0.6113 0.1891 0.2145

PEOU1 0.3639 0.3159 0.5324 0.2149 0.7493 0.5293

PEOU2 0.4349 0.4035 0.4189 0.1123 0.6877 0.4534

PEOU3 0.4349 0.4035 0.4189 0.1123 0.6877 0.4534

PEOU4 0.4667 0.5619 0.6288 0.3715 0.6348 0.5659

PEOU5 0.4844 0.4669 0.5721 0.1071 0.7301 0.5979

PEOU6 0.6544 0.5632 0.8722 0.4274 0.8617 0.7471

PU1 0.6052 0.6675 0.7452 0.3809 0.7140 0.9264

PU3 0.6052 0.6675 0.7452 0.3809 0.7140 0.9264

PU5 0.6510 0.4822 0.6590 0.1983 0.6353 0.8184

PU6 0.6900 0.6728 0.8013 0.4425 0.6395 0.7694

Dengan demikian, kontrak laten memprediksi indikator pada blok mereka lebih baik

dibandingkan dengan indikator di blok yang lain. Metode lain untuk melihat discriminant

validity adalah dengan melihat nilai square root of average variance extracted (AVE).

Nilai yang disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:


9

Tabel 6 Average Variance Extracted (AVE)

Konstruk Average variance extracted (AVE)

ASU 0.8827

ATT 0.5346

CSF 0.8165

OF 0.5833

PEOU 0.5310

PU 0.7445

Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat

pada model penelitian. Nilai terendah AVE adalah sebesar 0,5310 pada konstruk PEOU.

2. Uji Reliabilitas Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok

indikator yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai

yang memuaskan jika di atas 0,7. Berikut adalah nilai composite reliability pada output:

Tabel 7 Composite Reliability

Composite Reliability

ASU 0.9377

ATT 0.8177

CSF 0.8989

OF 0.7302

PEOU 0.8706

PU 0.9205

Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk

adalah di atas 0,7 yang menunjukkan bahwa semua konstruk pada model yang diestimasi

memenuhi kriteria discriminant validity. Nilai composite reliability yang terendah adalah

sebesar 0,7302 pada konstruk OF.


10

Uji reliabilitas juga bisa diperkuat dengan Cronbachs Alpha di mana output

SmartPLS Versi 2 memberikan hasil sebagai berikut:

Tabel 8 Cronbachs Alpha

Cronbachs Alpha

ASU 0.8678

ATT 0.7103

CSF 0.7796

OF 0.6112

PEOU 0.8239

PU 0.8830

Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa

nilai Cronbachs Alpha untuk semua kontruk berada di atas 0,6.

Berikut adalah nilai loading factor setelah dilakukan drop terhadap 7 indikator dalam

penelitian ini:


11

Gambar 3 Nilai Loading Factor (Dropped 7 Indikator)

B. Pengujian Model Struktural (Inner Model) Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan

pengujian model structural (Inner model). Berikut adalah nilai R-Square pada konstruk:

Tabel 9 R Square

R-square ASU 0.5627

ATT 0.5418

CSF

OF

PEOU 0.6906

PU 0.7608

Tabel di atas memberikan nilai 0,5627 untuk konstruk ASU yang berarti bahwa PU

dan ATT mampu menjelaskan varians ASU sebesar 56,27%, di mana selebihnya dijelaskan

oleh variabel selain PU dan ATT. Nilai R Square juga terdapat pada ATT yang

dipengaruhi oleh PEOU dan PU yaitu sebesar 0,5418 yang berarti bahwa PEOU dan PU

mampu menjelaskan varians ATT sebesar 54,18%. CSF dan OF mampu menjelaskan

varians PEOU sebesar 69,06% dan konstruk CSF, OF dan PEOU mampu menjelaskan

varians PU sebesar 76,08%.

Adapun pengujian hipotesis adalah sebagai berikut:

Tabel 10 Uji Hipotesis

Hipotesis Original

Sample (O)

Sample

Mean (M)

Standard Deviation

(STDEV)

Standard Error

(STERR)

T Statistics

(|O/STERR|)

ATT -> ASU 0.1605 0.1777 0.0794 0.0794 2.0224

CSF -> PEOU 0.8947 0.8979 0.0451 0.0451 19.8523

CSF -> PU 0.6809 0.6697 0.0867 0.0867 7.8510

OF -> PEOU -0.1364 -0.1385 0.0765 0.0765 1.7819

OF -> PU -0.0226 -0.0213 0.0636 0.0636 0.3551


12

PEOU -> ATT 0.1640 0.1670 0.1135 0.1135 1.4443

PEOU -> PU 0.2336 0.2472 0.0757 0.0757 3.0858

PU -> ASU 0.6250 0.6139 0.0887 0.0887 7.0472

PU -> ATT 0.6001 0.6040 0.0928 0.0928 6.4644

Tabel di atas menunjukkan bahwa pengaruh CSF terhadap PU (CSF PU) adalah

signifikan dengan T-statistik sebesar 7,8510 (> 1,96). Nilai original sample estimate adalah

positif yaitu sebesar 0,6809 yang menunjukkan bahwa arah hubungan CSF terhadap PU

adalah positif. Dengan demikian terdapat pengaruh positif yang signifikan CSF

terhadap PU (H1a). Demikian juga untuk H1b (CSF PEOU) yang memberikan nilai

T-statistik sebesar 19,8523 (> 1,96) dengan original sample estimate adalah positif yaitu

sebesar 0,8947. Dengan demikian terdapat pengaruh positif yang signifikan CSF

terhadap PEOU (H1b).

Hipotesis H2a adalah OF terhadap PU (OF PU). Tampak pada tabel bahwa nilai

T-statistik sebesar 0,3551 (< 1,96) dengan original sample estimate sebesar -0,0226.

Berarti tidak terdapat pengaruh yang signifikan OF terhadap PU (H2a). pengaruh OF

terhadap PEOU (OF PEOU) memberikan nilai T-statistik sebesar 1,7819 (< 1,96)

dengan original sample estimate sebesar -0,1364. Dengan demikian tidak terdapat

pengaruh yang signifikan OF terhadap PEOU (H2b).

Berikutnya adalah uji hipotesis antara PEOU terhadap PU dan PEOU terhadap ATT.

Tabel di atas memberikan nilai T-statistik untuk PEOU terhadap PU (PEOU PU)

sebesar 3,0858 (> 1,96) dengan original sample estimate sebesar 0,2336. Berarti terdapat

pengaruh positif yang signifikan PEOU terhadap PU (H3a). nilai T-statistik PEOU

terhadap ATT (PEOU ATT) adalah sebesar 1,4443 (< 1,96) dengan original sample

estimate sebesar 0,1640. Berarti tidak terdapat pengaruh yang signifikan PEOU

terhadap ATT (H3b).

Pengaruh PU terhadap ATT (PU ATT) memberikan nilai T-statistik sebesar

6,4644 (> 1,96) dengan original sample estimate sebesar 0,6001. Berarti terdapat

pengaruh positif yang signifikan PU terhadap ATT (H4a). nilai T-statistik PU terhadap

ASU (PU ASU) adalah sebesar 7,0472 (> 1,96) dengan original sample estimate sebesar

0,6250. Berarti terdapat pengaruh positif yang signifikan PU terhadap ASU (H4b).


13

Hipotesis terakhir yaitu antara ATT terhadap ASU memberikan nilai T-statistik

sebesar 2,0244 (> 1,96) dengan original sample estimate sebesar 0,1605. Dengan

demikian terdapat pengaruh positif yang signifikan ATT terhadap ASU (H5).

Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi

2:

Gambar 4 Output Bootstrapping

Ingin menggunakan jasa kami? Visit www.konsultanstatistik.com lalu isi

formulir online.

http://www.konsultanstatistik.com/

simulasi-smartsimulasi

Documents