1
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Perkembangan teknologi informasi (TI) yang sedemikian pesat
menciptakan kultur baru bagi semua orang di seluruh dunia. Dunia pendidikan
pun tak luput dari sentuhannya. Integrasi teknologi informasi ke dalam dunia
pendidikan telah menciptakan pengaruh besar. Memanfaatkan kecanggihan
teknologi informasi, mutu dan efisiensi pendidikan dapat ditingkatkan.
Salah satu produk integrasi teknologi informasi ke dalam dunia
pendidikan adalah e-learning atau electronic learning. Saat ini e-learning
mulai mengambil perhatian banyak pihak, baik dari kalangan akademik,
profesional, perusahaan maupun industri. Institusi pendidikan tinggi misalnya,
e-learning telah membuka cakrawala baru dalam proses belajar mengajar,
sedangkan di lingkungan industri, e-learning dinilai mampu membantu proses
dalam meningkatkan kompetensi pegawai atau sumber daya manusia. Melalui
dunia akademis metode pembelajaran ini sudah mulai banyak diterapkan dan
dikembangkan.
Ada beberapa definisi tentang e-learning. Secara ringkas, Anwas
(2005) menyatakan e-learning perlu diciptakan seolah-olah peserta didik
belajar secara konvensional, hanya saja dipindahkan ke dalam sistem digital
melalui internet. Menurut Darin E. Hartley (2001), e-learning merupakan
suatu jenis belajar mengajar yang memungkinkan tersampaikannya bahan ajar
ke siswa dengan menggunakan media internet, intranet atau media jaringan
komputer lain. Rosenberg (2001) mendefinisikan e-learning sebagai
2
pemanfaatan teknologi Internet untuk mendistribusikan materi pembelajaran,
sehingga siswa dapat mengakses dari mana saja. Definisi yang diberikan
Jenkins & Hanson (2003) tentang e-learning adalah sebagai pembelajaran
yang difasilitasi dan didukung melalui pemanfaatan teknologi informasi dan
komunikasi. Jadi berdasarkan beberapa definisi diatas dapat disimpulkan
bahwa e-learning pada hakikatnya adalah bentuk pembelajaran konvensional
yang dituang dalam format digital dan disajikan melalui teknologi informasi
dengan bantuan jaringan internet.
Keunggulan-keunggulan e-learning yang paling menonjol adalah
efisiensinya dalam penggunaan waktu dan ruang. Berdasarkan keterangan-
keterangan yang disebutkan di atas, pendidikan berbasis teknologi informasi
cenderung tidak lagi tergantung pada ruang dan waktu. Dalam proses belajar
mengajar tidak ada halangan berarti untuk melaksanakan kegiatan belajar
mengajar lintas daerah dapat dilakukan, bahkan lintas negara melalui e-
learning. Melalui e-learning pengajar dan siswa tidak lagi selalu harus
bertatap muka dalam ruang kelas pada waktu bersamaan. Dilihat dari sifatnya
yang tidak tergantung pada ruang dan waktu, e-learning memiliki keunggulan
lain yakni memungkinkan akses ke pakar yang tak terhalang waktu dan tak
tidak memerlukan biaya mahal. Seorang pelajar di daerah dapat belajar
langsung dari pakar di pusat melalui fasilitas internet chatting atau
mengakomodir suara dan bahkan gambar realtime. Satu lagi keunggulan e-
learning tentunya adalah ketesediaan informasi yang melimpah dari sumber-
sumber di seluruh dunia. Penggunaan internet sebagi media pembelajaran
3
akan didapatkan sumber informasi untuk pengayaan materi yang jumlahnya
sangat tak terbatas.
Tujuan umum pembelajaran jarak jauh menggunakan e-learning
adalah agar tersedia akses belajar dan perbaikan kesamaan kesempatan belajar
pada semua pembelajar, selain itu juga untuk memperkuat dan memperdalam
pengertian terhadap ilmu pengetahuan, memperluas cakrawala dan
memperkaya keberagaman subjek pengetahuan, dan memperbaiki efektivitas
proses belajar.
Munculnya teknologi e-learning baru-baru ini digunakan untuk
training, kegiatan belajar mengajar yang dikerjakan dengan internet. E-
learning pada dasarnya adalah bentuk pendidikan yang difasilitasi oleh
internet dan teknologi, dan meliputi penggunaan World Wide Web untuk
mendukung instruksi dan untuk menyampaikan isi pelajaran.
Alavi dan Leidner (2001) menyatakan bahwa e-learning merupakan
salah satu bentuk mediasi teknologi pembelajaran yang didefinisikan sebagai
sebuah lingkungan bahwasanya pelajar berinteraksi dengan materi e-learning,
rekan-rekan, dan atau instruktur dimediasi melalui teknologi informasi
lanjutan. E-learning dapat bekerja dengan baik jika teknologi harus benar-
benar digunakan (Leidner & Jarvenpaa, 1993). Efektifitas dalam penggunaan
teknologi informasi pengiriman e-learning berbasis komponen dari suatu
program yang penting bagi keberhasilan siswa dan penerimaan e-learning.
Adopsi teknologi informasi dan difusi telah dipelajari sangat detail
akhir-akhir ini oleh peneliti di dalam area sistem informasi. Adopsi teknologi
dapat dipelajari di dua tingkatan: yang pertama adalah di tingkat organisasi
4
dan yang kedua adalah pada tingkat individu. Jika unit analisis adalah
individu, penekanan pada penerimaan teknologi (Dasgupta, Granger &
Mcgarry, 2002). TAM adalah model berbasis sikap yang dikembangkan secara
khusus untuk menjelaskan dan atau memprediksi penerimaan penggunaan dari
teknologi komputer (Hu et al., 1999). Tujuan utama TAM adalah memberikan
penjelasan tentang penentuan penerimaan teknologi secara umum,
memberikan penjelasan tentang perilaku/ sikap pengguna dalam suatu
populasi (Davis et al., 1989:985).
TAM menggambarkan hubungan antara persepsi kegunaan (perceived
usefulness) dan persepsi kemudahan penggunaan (perceived of use) yang
kemudian kedua variabel ini disebut dengan variabel beliefs. Pada sisi satu dan
sisi lainya terdapat sikap untuk menggunakan (attitude toward using) dan
minat/ keinginan utntuk menggunakan (behavioural intention to use). TAM
telah digunakan sebagai dasar untuk banyak teori dari berbagai studi empiris
pengguna teknologi penerimaan (Adams, 1992; Mathieson, 1991, Davis,
Bagozzi & Warshaw, 1989 & Davis, 1989).
Dalam penelitian yang dilakukan oleh Masrom tentang TAM dan e-
learning, konstruk yang diteliti dibatasi hanya pada 4 konstruk utama, yaitu
persepsi kemudahan penggunaan e-learning (perceived ease of use), persepsi
kemanfaatan e-learning (perceived usefulness), sikap terhadap penggunaan e-
learning (attitude toward using), dan minat/ keinginan untuk menggunaka e-
learning (behaviour intention to use). Didalam model variabel dari luar
(external variables) seperti karakteristik pengguna (user characteristics) dan
karakteristik sistem (sistem characteristic) tidak diteliti karena kontribusinya
5
dalam TAM dianggap tidak signifikan, sehingga dapat diabaikan meskipun
mempunyai pengaruh secara tidak langsung terhadap penerimaan teknologi
(Milchrahm, 2003). Sedangkan variabel penggunaan nyata (actual usage) juga
dihilangkan karena dalam penelitian Masrom tidak ada keinginan dengan
segera untuk menguji dan mengetahui anteseden persepsi kegunaan dan
persepsi kemudahan penggunan (Masrom, 2006).
Banyak penelitian yang menggunakan TAM sebagai model analisis,
tapi TAM yang digunakan dalam tiap penelitian tersebut berbeda-beda sesuai
dengan kebutuhan, tetapi tidak meninggalkan bentuk dasar TAM. Didalam
TAM yang dimaksud dengan bentuk dasar TAM adalah keempat konstruk
utama serta hubungan antara keempat konstruk tersebut, yaitu perceived ease
of use, perceived usefulness, attitude toward using, dan behaviour intention to
use. Seperti halnya TAM yang akan dipakai dalam penelitian ini adalah TAM
yang telah disederhanakan sesuai dengan yang dipakai oleh Masrom (2006)
pada penelitiannya di Malaysia dengan objek penelitian e-learning..
Penelitian ini mencoba untuk mengetahui dan menemukan bukti
empiris tingkat penerimaan pengguna (user) terhadap teknologi e-learning
apakah pengguna dalam hal ini mahasiswa mau menerima e-learning atau
sebaliknya yang dililihat dari faktor-faktor yang berpengaruh signifikan dalam
menjelaskan maksud menuju e-learning seperti persepsi kemudahan
penggunaan mempunyai pengaruh yang signifikan terhadap persepsi
kemanfaatan. Persepsi kemudahan penggunaan sebuah teknologi didefinisikan
sebagai suatu ukuran dimana seorang percaya bahwa komputer dapat dengan
mudah dipahami dan digunakan, sedangkan persepsi kemanfaatan
6
didefinisikan sebagai suatu ukuran pengguna penggunaan suatu teknologi
dipercaya akan mendatangkan manfaat bagi orang yang menggunakannya.
Berdasarkan latar belakang diatas penulis mengambil judul ”Analisis Model
Penerimaan Teknologi E-learning Pada Mahasiswa : Studi Kasus Pada E-
learning Fakultas Ekonomi Universitas Sebelas Maret.
B. RUMUSAN MASALAH
Berdasarkan Technology Acceptance Model, variabel beliefs
merupakan variabel pembentuk behaviour intention to use. Dalam penelitian
ini juga terdapat variable sikap (attitude). Sikap (attitude) merupakan sikap
terhadap penggunaan sistem yang berbentuk penerimaan atau penolakan
sebagai dampak bila orang menggunakan suatu teknologi dalam
penggunaanya. melalui pengujian keempat konstruksi variabel tersebut
diharapkan dapat mengetahui gambaran tentang perilaku individu mengadopsi
teknologi khususnya teknologi e-learning. Berdasarkan latar belakang diatas
ditulis beberapa rumusan masalah yaitu :
a. Apakah persepsi kemudahan penggunaan e-learning mempunyai pengaruh
yang signifikan pada persepsi kegunaan atau kemanfaatan e-learning oleh
individu ?
b. Apakah persepsi kemudahan penggunaan e-learning mempunyai pengaruh
yang signifikan pada sikap terhadap penggunaan e-learning oleh individu?
c. Apakah persepsi kegunaan atau kemanfaatan e-learning mempunyai
pengaruh yang signifikan pada sikap terhadap penggunaan e-learning oleh
individu ?
7
d. Apakah persepsi kegunaan atau kemanfaatan e-learning mempunyai
pengaruh yang signifikan pada minat/ keinginan menggunakan e-learning
oleh individu ?
e. Apakah sikap terhadap penggunaan e-learning mempunyai pengaruh yang
signifikan pada minat/ keinginan menggunakan e-learning oleh individu ?
C. TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah :
a. Untuk menemukan bukti empiris persepsi kemudahan penggunaan e-
learning mempunyai pengaruh yang signifikan pada persepsi kegunaan
dari e-learning oleh individu.
b. Untuk menemukan bukti empiris persepsi kemudahan penggunaan e-
learning mempunyai pengaruh yang signifikan pada sikap terhadap
penggunaan e-learning oleh individu.
c. Untuk menemukan bukti empiris persepsi kegunaan e-learning
mempunyai pengaruh yang signifikan pada sikap terhadap penggunaan e-
learning oleh individu.
d. Untuk menemukan bukti empiris persepsi kegunaan e-learning
mempunyai pengaruh yang signifikan pada minat/ keinginan
menggunakan e-learning oleh individu.
e. Untuk menemukan bukti empiris sikap terhadap penggunaan e-learning
mempunyai pengaruh yang signifikan pada minat/ keinginan
menggunakan e-learning oleh individu.
8
D. MANFAAT PENELITIAN
a. Manfaat Teoritis
Secara teoritis, penelitian ini merupakan pengujian ulang terhadap model
TAM yang ditemukan oleh Davis (1989) yang diadopsi dari model Theory
of Reasoned Action (TRA), untuk model penelitian di Surakarta dengan
objek e-learning Fakultas Ekonomi UNS. Hasil penelitian ini diharapkan
dapat bermanfaat untuk menambah pemahaman mengenai hubungan
antara persepsi kemudahan penggunaan pada persepsi kemanfaatan
menggunakan e-learning. Meneliti hubungan keduanya pada sikap
terhadap penggunaan sistem e-learning. Selain itu juga untuk mengetahui
hubungan antara sikap menggunakan sistem pada minat/ keinginan
menggunakan sistem tersebut, serta dapat dijadikan salah satu referensi
baik oleh kalangan akademisi serta referensi bagi peneliti selanjutnya yang
mengadakan penelitian lebih lanjut dengan topik yang sama.
b. Manfaat Praktis.
Hasil penelitian ini diharapkan dapat bermanfaat bagi organisasi
khususnya Fakultas Ekonomi UNS untuk melihat persepsi mahasiswa
pada sistem e-learning yang dilihat dari faktor kemudahan penggunaan
sistem dan faktor kegunaan sistem yang berpengaruh signifikan dalam
menjelaskan maksud menuju e-learning yang pada giliranya akan
berpengaruh pada tingkat penerimaan pengguna (user) sistem e-learning.
9
BAB II
TELAAH PUSTAKA
A. Technology Acceptance Model (TAM)
Technology Acceptance Model (TAM) diperkenalkan pertama kali oleh
Davis pada tahun 1986, TAM merupakan adaptasi dari TRA yang dibuat khusus
untuk pemodelan adopsi pengguna sistem informasi. Menurut Davis (1989),
tujuan utama TAM adalah untuk memberikan dasar untuk penelusuran pengaruh
faktor eksternal terhadap kepercayaan, sikap, dan tujuan pengguna. TAM
menganggap bahwa dua keyakinan individual, yaitu persepsi manfaat (perceived
usefulness) dan persepsi kemudahan penggunaan (perceived easy of use) adalah
variabel perilaku utama dalam mengadopsi sistem informasi.
Beberapa model yang dibangun untuk menganalisis dan memahami
faktor-faktor yang mempengaruhi diterimanya penggunaan teknologi
komputer diantaranya yang tercatat dalam berbagai literatur dan referensi hasil
riset dibidang teknologi informasi adalah seperti theory of reasoned action
(TRA), theory of planned behaviour (TPB), dan technology acceptance model
(TAM). Technology acceptance model (TAM) diperkenalkan pertama kali oleh
Davis pada tahun 1986. Model TAM sebenarnya diadopsi dari model TRA
yaitu teori tindakan yang beralasan dengan satu premis bahwa reaksi dan
persepsi seseorang terhadap sesuatu hal, akan menentukan sikap dan perilaku
orang tersebut. Reaksi dan persepsi pengguna teknologi informasi (TI) akan
mempengaruhi sikapnya dalam penerimaan terhadap teknologi tersebut.
Salah satu faktor yang dapat mempengaruhinya adalah persepsi
pengguna pada kemanfaatan dan kemudahan penggunaan TI sebagai suatu
tindakan yang beralasan dalam konteks pengguna teknologi sehingga alasan
10
seseorang dalam melihat manfaat dan kemudahan penggunaan TI menjadikan
tindakan/ perilaku orang tersebut sebagai tolok ukur dalam penerimaan sebuah
teknologi. Model TAM yang dikembangkan dari teori psikologis, menjelaskan
perilaku pengguna komputer yaitu berlandaskan pada kepercayaan (belief),
sikap (attitude), keinginan (intention), dan hubungan perilaku pengguna (user
behaviour relationship).
Tujuan model ini untuk menjelaskan faktor-faktor utama dari perilaku
pengguna terhadap penerimaan pengguna teknologi. Secara lebih terinci
menjelaskan tentang penerimaan TI dengan dimensi-dimensi tertentu yang
dapat mempengaruhi diterimanya TI oleh pengguna (user). Model ini
menempatkan faktor sikap dari tiap-tiap perilaku pengguna dengan dua
variabel yaitu :
1. Kemudahan penggunaan (ease of use)
2. Kemanfaatan (usefulness)
Kedua variabel ini dapat menjelaskan aspek keperilakuan pengguna.
Kesimpulannya adalah model TAM dapat menjelaskan bahwa persepsi
pengguna akan menentukan sikapnya kemanfaatan penggunaan TI. Model ini
secara lebih jelas menggambarkan bahwa penerimaan penggunaan TI
dipengaruhi oleh kemanfaatan (usefulness) dan kemudahan penggunaan (ease
of use). Penelitian ini menggunakan 4 (empat) konstruk yang telah
dimodifikasi dari model penelitian TAM sebelumnya yaitu: persepsi tentang
kemudahan penggunaan (perceived ease of use), persepsi kemanfaatan
(perceived usefulness), sikap terhadap penggunaan (attitude toward using),
dan keinginan/ minat menggunakan (behavioral intention to use).
11
a. Persepsi Kemudahan Penggunaan (Perceived Ease of Use)
Davis (1986, 1989) mendefinisikan kemudahan penggunaan (ease of
use) sebagai suatu tingkatan bahwa seseorang percaya bahwa komputer dapat
dengan mudah dipahami. Atas dasar definisi tersebut kemudahan penggunaan
e-learning berarti kemudahan dalam membuka, memahami isi dari fitur-fitur
yang ada dalam e-learning jika sewaktu-sewaktu mahasiswa diberikan tugas
yang prosesnya menggunakan e-learning. Menurut Goodwin (1987); Silver
(1988); dalam Adam et al., (1992), intensitas penggunaan dan interaksi antara
pengguna (user) dengan sistem juga dapat menunjukkan kemudahan
penggunaan. Sistem yang lebih sering digunakan menunjukkan bahwa sistem
tersebut lebih dikenal, lebih mudah dioperasikan dan lebih mudah digunakan
oleh penggunanya.
Berdasarkan definisi di atas dapat disimpulkan bahwa kemudahan
penggunaan akan mengurangi usaha (baik waktu dan tenaga) seseorang di
dalam mempelajari komputer dalam hal ini adalah e-learning. Perbandingan
kemudahan tersebut memberikan indikasi bahwa orang yang menggunakan TI
External variabble
s
Perceived uselfulne
ss
Perceived ease of
use
Attitude toward using
Behavioural
intention to use
Actual sistem
use
Gambar II.1 Model TAM Original. Sumber: Davis (1989)
12
bekerja lebih mudah dibandingkan dengan orang yang bekerja tanpa
menggunakan TI (secara manual). Pengguna TI mempercayai bahwa TI yang
lebih fleksibel, mudah dipahami dan mudah pengoperasiannya (compartible)
sebagai karakteristik kemudahan penggunaan. Davis.F.D (1989) memberikan
beberapa indikator kemudahan penggunaan TI antara lain meliputi :
1. Teknologi komputer yang dalam hal ini adalah e-learning sangat
mudah dipelajari
2. Teknologi komputer yang dalam hal ini adalah e-learning dapat
mengerjakan dengan mudah apa yang diinginkan oleh pengguna
3. Keterampilan pengguna bertambah dengan menggunakan teknologi
komputer yang dalam hal ini adalah e-learning
4. Teknologi komputer yang dalam hal ini adalah e-learning sangat
mudah untuk dioperasikan.
Untuk variabel kemudahan penggunaan, Iqbaria (1994) juga telah
menguji dalam studinya apakah penerimaan penggunaan micro komputer
dipengaruhi oleh kemudahan penggunaan yang diharapkan oleh pengguna
atau karena tekanan sosial. Temuan studi Iqbaria (1994) membuktikan bahwa
TI digunakan bukan mutlak karena adanya tekanan sosial, sehingga dapat
disimpulkan bahwa penggunaan TI bukan karena adanya unsur tekanan tetapi
karena memang mudah digunakan.
Berdasarkan telaah teoritis dan hasil-hasil pengujian empiris diatas,
dapat disimpulkan bahwa penerimaan penggunaan TI juga turut dipengaruhi
oleh kemudahan penggunaan TI, hal ini merupakan refleksi psikologis
pengguna yang lebih bersikap terbuka terhadap sesuatu yang sesuai dengan
13
apa yang dipahaminya dengan mudah. Kemudahan tersebut dapat mendorong
seseorang untuk menerima menggunakan TI.
b. Persepsi Kemanfaatan (Perceived Usefulness)
Davis.F.D (1989); Adam et al., (1992) mendefinisikan kemanfaatan
(usefulness) sebagai suatu tingkatan bahwa seseorang percaya bahwa
penggunaan suatu subyek tertentu akan dapat meningkatkan prestasi kerja
orang tersebut. Berdasarkan definisi tersebut dapat diartikan bahwa
kemanfaatan dari penggunaan komputer dapat meningkatkan kinerja, prestasi
kerja orang yang menggunakannya.
Menurut Thompson et al., (1991;1994) kemanfaatan TI merupakan
manfaat yang diharapkan oleh pengguna TI dalam melaksanakan tugasnya.
Pengukuran kemanfaatan tersebut berdasarkan frekuensi penggunaan dan
diversitas/ keragaman aplikasi yang dijalankan. Thompson (1991) juga
menyebutkan bahwa individu akan menggunakan TI jika mengetahui manfaat
positif atas penggunaannya. Chin dan Todd (1995) memberikan beberapa
dimensi tentang kemanfaatan TI. Menurut Chin dan Todd (1995) kemanfaatan
dapat dibagi ke dalam dua kategori, yaitu (1) kemanfaatan dengan estimasi
satu faktor, dan (2) kemanfaatan dengan estimasi dua faktor (kemanfaatan dan
efektifitas).
Kemanfaatan dengan estimasi satu faktor meliputi dimensi;
1. Menjadikan pekerjaan lebih mudah (makes job easier)
2. Bermanfaat (usefull)
3. Menambah produktifitas (Increase productivity)
4. Mempertinggi efektifitas (enchance efectiveness)
14
5. Mengembangkan kinerja pekerjaan (improve job performance)
Kemanfaatan dengan estimasi dua faktor oleh Chin dan Todd (1995) dibagi
menjadi dua kategori lagi yaitu kemanfaatan dan efektifitas, dengan dimensi-
dimensi masing-masing yang dikelompokkan sebagai berikut:
1. Kemanfaatan meliputi dimensi :
a. Menjadikan pekerjaan lebih mudah (makes job easier),
b. Bermanfaat (usefull),
c. Menambah produktifitas (increase productivity).
2. Efektifitas meliputi dimensi :
a. Mempertinggi efektifitas (enchance my effectiveness),
b. Mengembangkan kinerja pekerjaan (improve my job
performance).
Berdasarkan beberapa definisi dan telaah literatur diatas dapat
disimpulkan bahwa kemanfaatan penggunaan TI termasuk didalamnya e-
learning dapat diketahui dari kepercayaan pengguna TI dalam memutuskan
penerimaan TI dengan satu kepercayaan bahwa penggunaan TI tersebut
memberikan kontribusi positif bagi penggunanya. Seseorang mempercayai
dan merasakan dengan menggunakan komputer sangat membantu dan
mempertinggi prestasi kerja yang akan dicapainya, atau dengan kata lain orang
tersebut mempercayai penggunaan TI telah memberikan manfaat terhadap
pekerjaan dan pencapaian prestasi kerjanya. Kemanfaatan penggunaan TI
tersebut menjadi sebuah variabel tersendiri yang diteliti oleh para peneliti
(Iqbaria, 1994;1997; Adam et al.,1992; Davis, 1989; Todd, 1991; Sri Astuti,
2001; Nur Indriantoro, 2000; Mhd.Jantan et al., 2001; dalam Fahmi Natigor
15
Nasution, 2004) khususnya untuk melihat penerimaan penggunaan TI bagi
organisasi perusahaan.
Iqbaria (1994) dalam studinya menguji apakah penerimaan
penggunaan micro komputer dipengaruhi oleh kemanfaatan yang diharapkan
oleh pengguna atau karena tekanan sosial. Tekanan sosial yang dimaksudkan
seperti tekanan dari seorang supervisor kepada bawahannya untuk
menggunakan TI. Temuan studi Iqbaria (1994) membuktikan bahwa TI
digunakan bukan mutlak karena adanya tekanan sosial, sehingga dapat
disimpulkan penerimaan penggunaan TI tersebut dipengaruhi oleh
kemanfaatan penggunaan TI. Sri Astuti (2001) menemukan bahwa diversitas
kemanfaatan TI berpengaruh signifikan pada kepuasan pengguna. Handayani
(2001) menemukan kemanfaatan tidak berhubungan dengan lamanya
penggunaan komputer, sehingga dapat disimpulkan bahwa kemanfaatan
merupakan variabel yang independen terhadap penggunaan TI.
c. Sikap Terhadap Penggunaan (Attitude Toward Using)
Attitude toward using dalam TAM dikonsepkan sebagai sikap terhadap
penggunaan sistem yang berbentuk penerimaan atau penolakan sebagai
dampak bila seseorang menggunakan suatu teknologi dalam pekerjaannya.
Tompson et al., (1991) menjelaskan tentang faktor sikap (attitude) sebagai
salah satu aspek yang mempengaruhi perilaku individual. Sikap seseorang
terdiri atas komponen kognisi (cognitive), Afeksi (affective), dan komponen
komponen yang berkaitan dengan perilaku (behavioral components). Sikap
pengguna terhadap komputer dapat pula ditunjukkan dengan sikap optimistik
pengguna bahwa komputer dalam hal ini e-learning sangat membantu dan
16
bermanfaat untuk mengatasi masalah atau pekerjaannya (Triandis, 1971)
dalam Nur Indriantoro (2000)
d. Minat/ Keinginan untuk Menggunakan (Behavioural Intention to Use)
Behavioral Intention to Use adalah kecenderungan perilaku untuk tetap
menggunakan suatu teknologi. Tingkat penggunaan sebuah teknologi
komputer pada seseorang dapat diprediksi dari sikap perhatiannya terhadap
teknologi tersebut, misalnya keinginanan menambah peripheral pendukung,
motivasi untuk tetap menggunakan, serta keinginan untuk memotivasi
pengguna lain. Peneliti selanjutnya menyatakan bahwa sikap perhatian untuk
menggunakan adalah prediksi yang baik untuk mengetahui actual usage.
Menurut Taylor dan Baker (1994) behaviour intention to use diartikan
sebagai keinginan individu untuk menggunakan kembali sesuatu yang sama
apabila suatu waktu memerlukan kembali. Jadi dapat didefinisikan bahwa
behaviour intention to use dalam penelitian ini adalah keinginan mahasiswa
untuk menggunakan e-learning apabila suatu waktu memerlukan lagi.
B. Teknologi Informasi
Teknologi informasi jika dilihat dari kata penyusunanya berasal dari
teknologi dan informasi. Teknologi dapat dipandang sebagai alat yang
digunakan oleh individu untuk menyelesaikan tugas-tugasnya. Teknologi juga
dapat diartikan sebagai sistem komputer (hardware, software, dan data) dan
jasa yang mendukung pemakai (training, help lines, dan lain-lain) yang
disediakan untuk membantu pemakai dalam tugas-tugasnya (Goodhue dan
Thompson, 1995). Sedangkan informasi adalah hasil pemrosesan, manipulasi
dan pengorganisasian/ penataan dari sekelompok data yang mempunyai nilai
17
pengetahuan (knowledge) bagi penggunanya. Secara sederhana teknologi
informasi adalah hasil rekayasa manusia terhadap proses penyampaian
informasi dari bagian pengirim ke bagian penerima sehingga pengiriman
informasi tersebut akan lebih cepat, lebih luas sebaranya dan lebih lama
penyimpananya (http://id.wikipedia.org).
C. E-learning
Belum adanya standard yang baku baik dalam hal definisi maupun
implementasi e-learning menjadikan banyak orang mempunyai konsep yang
bermacam-macam. E-learning merupakan kependekan dari electronic
learning (Sohn, 2005). Salah satu definisi umum dari e-learning diberikan
oleh Gilbert & Jones (2001), yaitu pengiriman materi pembelajaran melalui
suatu media elektronik seperti Internet, intranet/extranet, satellite broadcast,
audio/video tape, interactive TV, CD-ROM, dan komputer-based training
(CBT). Definisi yang hampir sama diusulkan juga oleh the Australian National
Training Authority (2003) yakni meliputi aplikasi dan proses yang
menggunakan berbagai media elektronik seperti internet, audio/video tape,
interactive TV and CD-ROM guna mengirimkan materi pembelajaran secara
lebih fleksibel.
The ILRT of Bristol University (2005); dalam Basori (2006)
mendefinisikan e-learning sebagai penggunaan teknologi elektronik untuk
mengirim, mendukung, dan meningkatkan pengajaran, pembelajaran dan
penilaian. Udan and Weggen (2000) menyebutkan bahwa e-learning adalah
bagian dari pembelajaran jarak jauh sedangkan pembelajaran online adalah
bagian dari e-learning. Di samping itu, istilah e-learning meliputi berbagai
18
aplikasi dan proses seperti komputer-based learning, web-based learning,
virtual classroom, dll. Sementara itu pembelajaran online adalah bagian dari
pembelajaran berbasis teknologi yang memanfaatkan sumber daya internet,
intranet, dan extranet. Lebih khusus lagi Rosenberg (2001) mendefinisikan e-
learning sebagai pemanfaatan teknologi internet untuk mendistribusikan
materi pembelajaran, sehingga siswa dapat mengakses dari mana saja.
D. Penelitian Terdahulu
Penelitian sebelumnya yang dilakukan Al-Ammari dan Hamad (2007)
tentang adopsi e-learning menemukan bahwa perceived ease of use dan
perceived usefulness mempengaruhi behaviour intention to use e-learning,
perceived ease of use mempunyai pengaruh terhadap perceived usefulness,
subject norms mempunyai pengaruh terhadap perceieved ease of use dan
perceived usefulness dan behaviour intention to use, content quality
mempunyai pengaruh terhadap perceived usefulness, computer self efficacy
mempunyai pengaruh secara langsung dan tidak langsung terhadap perceived
ease of use. Penelitian yang dilakukan Jung et al (2008) tentang penerimaan
teknologi e-learning menemukan bahwa perceived usefulness mempunyai
pengaruh positif ke attitude toward using, perceived ease of use mempunyai
pengruh positif terhadap attitude toward using dan perceived usefulness, dan
attitude toward using juga berpengaruh positif terhadap behaviour intention
dan juga penelitian yang dilakukan oleh Suhendra dan Meliawati (2008) yang
berjudul tentang perpustakaan digital menyimpulkan bahwa perceived ease of
use sangat dipengaruhi oleh ke lima variabel bebas, seperti computer self
efficacy, knowledge of search domain, relevance, terminology dan screen
19
design. Sedangkan untuk perceived of usefullness (kesadaran akan kegunaan
dari e-library) dipengaruhi oleh perceived ease of use dan relevance,
sedangkan terminology dan screen design tidak mempengaruhi terhadap
perceived of usefullness. Behavior intention (intensitas penggunaan e-library)
akan sangat dipengaruhi oleh perceived ease of use dan perceived usefullness.
Berikut adalah beberapa penelitian terdahulu yang dirangkum dalam
tabel yang menggunakan Technology Acceptance Model dengan berbagai
objek penelitian yang berbeda dalam kurun waktu yang realtif panjang :
20
Tabel II.1 Tabel Penelitian Terdahulu
Temuan Peneliti Obyek Penelitian
Variabel Mempengaruhi
Variabel Hu, Cau, sheng and Tam (1999)
Telemedicine technology
Perceived usefulness
Attitude dan behaviour intention
attitude Behaviour intention Verkatesh (1999) Virtual work place
sistem Perceived ease of use
Behaviour intention and Perceived usefulness
Perceived usefulness
Behaviour intention
Agarwal dan Karahan (2000)
World wide web Perceived ease of use
Behaviour intention
Perceived usefulness
Behaviour intention
Huang, D’Ambra dan Bhalla (2002)
E-Government Perceived ease of use
Behaviour intention
Hong, Thang, Wong and Tam (2002)
E-Library Perceived ease of use
Behaviour intentio and Perceived usefulness
Perceived usefulness
Behaviour intention
computer self efficacy
Perceived ease of use
Knowledge of search domain
Perceived ease of use
Relevancy Perceived ease of use
Teminology Perceived ease of use
Screen design Perceived ease of use
Achjari (2003) World wide web Perceived compatibility
Behaviour intention and Perceived usefulness
Self efficacy Perceived ease of use
Masrom (2006) E-learning Perceived ease of use
Perceived usefulness
Perceived ease of use
Attitude
Perceived usefulness
Attitude
Perceived usefulness
Behaviour inetntion
Sumber : data diolah (2009)
21
E. Kerangka Pemikiran
Dalam Technology Acceptance Model, persepsi kemanfaatn merujuk
kepada tingkat bahwa pengguna yakin menggunakan teknologi akan
meningkatkan kinerja pekerjaannya, sedangkan persepsi kemudahan
penggunaan merujuk kepada bagaimana kesukaran dia menggunakan
teknologi. Keduanya dianggap berbeda faktor yang mempengaruhi sikap
pengguna terhadap penggunaan teknologi, meskipun persepsi kemudahan
penggunaan juga dihipotesiskan mempengaruhi persepsi kegunaan dan sikap
terhadap penggunaan teknologi. Akhirnya, sikap terhadap penggunaan
teknologi menentukan keinginan berperilaku untuk menggunakan teknologi
tersebut. Model ini merupakan penyederhanaan model TAM, mengeluarkan
penggunaan sistem yang sebenarnya.
Gambar II. 2 Kerangka Penelitian
Masrom (2006)
Perceived usefulness
Perceived ease of use
Attitude toward using
Behavioural intention to use
H1 H2
H3
H4
H5
22
F. Hipotesis`
1. Persepsi Kemudahan Penggunaan (Perceived ease of use).
Davis (1986, 1989) mendefinisikan kemudahan penggunaan
(ease of use) sebagai suatu tingkatan seseorang percaya bahwa komputer
dapat dengan mudah dipahami. Atas dasar definisi tersebut kemudahan
penggunaan e-learning berarti kemudahan dalam memahami bila
mahasiswa membuka dan menggunakan e-learning untuk memenuhi tugas
perkuliahan. Masrom (2006) juga menemukan bahwa persepsi kemudahan
penggunaan mempunyi pengaruh pada sikap penggunaan. Hal ini berarti
kemudahan penggunaan akan teknologi e-learning tersebut akan
mempengaruhi sikap penggunaan dalam bentuk penolakan ataupun
penerimaan.
Hipotesa yang diuji adalah:
H1: Persepsi kemudahan penggunaan berpengaruh signifikan pada
persepsi manfaat e-learning
H2 : persepsi kemudahan penggunaan berpengaruh siginifikan pada
sikap terhadap penggunaan e-learning.
2. Persepsi Kemanfaatan (Perceived usefulness)
Davis (1986, 1989) dan Adam et.al., (1992) mendefinisikan
kemanfaatan (usefulness) sebagai suatu tingkatan seseorang percaya
bahwa penggunaan suatu teknologi tertentu akan meningkatkan prestasi
kerja orang tersebut. Menurut Davis (1989); Mathieson (1991); serta
Venkatesh dan Davis (2000) manfaat (perceived of usefulness) merupakan
penentu yang kuat terhadap penerimaan penggunaan suatu sistem
23
informasi, adopsi, dan perilaku para pengguna. Venkatesh dan Morris
(2000) juga menguji apakah manfaat dapat mempengaruhi tingkat perilaku
dalam penggunaan sistem informasi yang lebih kuat bagi laki-laki
dibandingkan perempuan. Davis et al., (1989) membukukan bahwa
manfaat mempunyai hubungan yang kuat dan konsisten dengan
penerimaan teknologi informasi dibandingkan dengan variabel lain seperti
sikap, kepuasan, dan ukuran persepsian yang lain. Hasil penelitian yang
dilakukan oleh Igbaria (1990) juga menemukan hal yang sama bahwa
hubungan yang positif antara perceived usefulness dengan penggunaan
sistem informasi. Adam et al., (1992) dalam penelitiannya menemukan
bahwa perceived usefulness adalah faktor utama yang menentukan sikap
seseorang dalam penggunaan sistem.
Atas dasar teori dan hasil-hasil penelitian sebelumnya maka peneliti
mengajukan hipotesis penelitian sebagai berikut:
H3 : Persepsi kemanfaatan berpengaruh signifikan pada sikap terhadap
penggunaan e-learning
H4 : Persepsi kemanfaatan berpengaruh signifikan pada minat/
keinginan untuk menggunakan e-learning
3. Sikap Terhadap Penggunaan (Attitude towarad using)
Minat terhadap penggunaan yang mana seseorang mempunyai
evaluasi yang menyenangkan atau tidak menyenangkan atau penilaian dari
perilaku dalam bertanya (Ajzen, 1991). Dalam konteks adopsi teknologi,
kunci dari minat perilaku penggunaan adalah penggunaan sistem. Oleh
karena itu, minat untuk menggunakan adalah kesanggupan pengguna
24
mempengaruhi evaluasi dari kerugian dan keuntungan penggunaan
teknologi baru. Untuk itu sesuai fakta-fakta yang signifikan (Davis et al,
1989; Mathieson, 1991; Taylor & Todd, 1995) menyarankan bahwa
kepercayaan yang paling kritis yang perlu ditekankan pada individu adalah
minat perilaku untuk menggunakan teknologi baru dalam tempat kerja
adalah persepsi mereka tentang penggunaan teknologi.
H5 : sikap terhadap penggunaan berpengaruh signifikan pada minat/
keinginan untuk menggunakan e-learning
25
BAB III
METODE PENELITIAN
A. Jenis Penelitian
Penelitian ini merupakan penelitian confirmatory untuk menguji model
yang telah diuji sebelumnya berdasarkan teori yang sudah ada untuk
menjelaskan pengaruh atau hubungan antar variabel dan pengujian hipotesis
terhadap suatu fenomena sosial tertentu untuk memecahkan masalah obyek
penelitian yang diambil, yaitu e-learning Fakultas Ekonomi Universitas
Sebelas Maret.
Penelitian ini menggunakan desain survei yaitu penelitian yang
mengambil sampel dari satu populasi dan menggunakan kuesioner sebagai alat
pengumpulan data pokok.
B. Populasi, Sampel, dan Tehnik Pengambilan Sampel
1. Populasi
Populasi adalah keseluruhan kelompok orang, kejadian, hal
minat atau obyek yang ingin peneliti investigasi (Sekaran, 2006).
Sedangkan menurut Sugiyono (2000) populasi adalah wilayah
generalisasi yang terdiri dari subyek atau subyek yang mempunyai
kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan kemudian diambil kesimpulan. Populasi dalam
penelitian model penerimaan teknologi e-learning ini adalah
Mahasiswa S1 Fakultas Ekonomi UNS (Angkatan 2005 sampai dengan
2008)
26
Tabel III.1 Rekapitulisasi Jumlah Mahasiswa Strata-1 Fakultas Ekonomi
Universitas Sebelas Maret Angkatan 2005 s/d 2008
Angkatan Jurusan
2005 2006 2007 2008 Jumlah
IESP 83 92 79 125 379 Manajemen 140 112 124 157 533 Akuntansi 105 103 94 122 424
Total 1336 Sumber : data bagian pendidikan FE ekonomi UNS (2009)
2. Sampel
Sampel adalah sebagian dari populasi yang terdiri atas
sejumlah anggota yang dipilih dari populasi (Sekaran, 2003). Tujuan
penggunaan sampel adalah agar mampu menarik kesimpulan yang
dapat digeneralisasikan terhadap populasi penelitian. Sampel dari
penelitian ini adalah mahasiswa SI Fakultas Ekonomi UNS yang
terdaftar sebagai anggota, aktif dan atau pernah menggunakan fasilitas
e-learning minimal dua kali. Alasan pemilihan sampel karena mereka
secara umum sudah mampu beradaptasi dengan lingkungan kampus
dan dipandang tidak asing dalam berinteraksi atau menggunakan
teknologi e-learning.
Dalam penelitian ini menggunakan analisis SEM, sehingga
untuk memenuhi persyaratan minimal dapat diolah dengan
menggunakan SEM maka jumlah sampel yang direkomendasikan
adalah antara 100-200 responden (Ghozali, 2005). Atau berdasarkan
asumsi kecukupan sampel adalah 5 kai jumlah item pertanyaan dalam
kuesioner (Hair et al., 1998). Jumlah item pertanyaan penelitian ini
27
adalah 15 item pertanyaan, sehingga jumlah minimal sampel penelitian
ini adalah 75 responden.
3. Teknik Sampling
Pengambilan sampel (sampling) adalah proses memilih
sejumlah elemen secukupnya dari populasi, sehingga penelitian
terhadap sampel dan pemahaman tentang sifat atau karakteristiknya
akan memungkinkan untuk menggeneralisasikan sifat atau
karakteristik tersebut pada elemen populasi (Sekaran, 2003). Teknik
pengambilan sampel dalam penelitian ini menggunakan teknik
purposive sampling, yaitu dilakukan dengan mengambil sampel dari
populasi berdasarkan pertimbangan (judgement) tertentu atau jatah
(quota) tertentu (Jogiyanto, 2004). Kriteria sampel yang diambil yaitu
mahasiswa SI Fakultas Ekonomi UNS yang terdaftar sebagai anggota,
aktif dan atau pernah menggunakan fasilitas e-learning minimal dua
kali. Alasan pemilihan sampel karena mereka secara umum sudah
mampu beradaptasi dengan lingkungan kampus dan dipandang tidak
asing dalam berinteraksi atau menggunakan teknologi e-learning.
Tabel III.2 Proporsi Pengambilan Sampel Berdasarkan Jumlah Mahasiswa
Tiap Jurusan dan Angkatan Tahun Masuk
Jurusan Angkatan 2005 2006 2007 2008
Jumlah sampel
IESP 83 92 79 125 379 11 Manajemen 140 112 124 157 533 74 Akuntansi 105 103 94 122 424 22
Total 1336 107 Sumber :Data primer diolah, 2009.
28
C. Definisi Operasional dan Pengukuran Variabel
Instrumen penelitian yang digunakan pada model penerimaan
teknologi e-learning ini mereplika penelitian dari Masrom dengan objek
penelitiannya adalah e-learning disalah satu Universitas di Malaysia yang
menggunakan adopsi model TAM yang dikembangkan Davis berdasarkan
model TRA yang ditemukan oleh Fishbein dan Ajzen dengan beberapa
penyesuaian. Faktor-faktor yang mempengaruhi penerimaan teknologi e-
learning dalam penelitian ini sebagai berikut :
1. Variabel Independen (Variabel Bebas)
Variabel independen merupakan variabel yang keberadaannya
tidak dipengaruhi oleh variabel lainnya (Sekaran, 2003). Variabel
independen dalam penelitian ini adalah :
a Perceived Ease of Use (PEOU).
Davis (1986, 1989) mendefinisikan kemudahan
penggunaan (ease of use) sebagai suatu tingkatan seseorang
percaya bahwa komputer dapat dengan mudah dipahami. Atas
dasar definisi tersebut kemudahan penggunaan e-learning berarti
kemudahan dalam membuka, memahami isi dari fitur-fitur yang
ada dalam e-learning jika sewaktu-sewaktu mahasiswa diberikan
tugas yang prosesnya menggunakan e-learning.
Davis.F.D (1989) memberikan beberapa indikator
kemudahan penggunaan TI antara lain meliputi :
1) Teknologi komputer yang dalam hal ini adalah e-
learning sangat mudah dipelajari
29
2) Teknologi komputer yang dalam hal ini adalah e-
learning dapat mengerjakan dengan mudah apa yang
diinginkan oleh pengguna
3) Keterampilan pengguna bertambah dengan
menggunakan teknologi komputer yang dalam hal ini
adalah e-learning
4) Teknologi komputer yang dalam hal ini adalah e-
learning sangat mudah untuk dioperasikan.
Pada variabel ini terdiri dari empat pertanyaan yang
digunakan untuk mengetahui tingkat kemudahan penggunaan e-
learning oleh mahasiswa. Skala nilai terdiri dari jangkauan
tanggapan dari 1 = “sangat tidak setuju” ; 2 : “tidak setuju” ; 3 =
“netral” ; 4 = “setuju” ; 5 = “sangat setuju”.
2. Variabel Dependen (Variabel Terikat)
Variabel dependen merupakan variabel yang keberadaannya
dipengaruhi oleh variabel lainnya (Sekaran, 2003). Variabel dependen
dalam penelitian ini terdiri dari:
a. Perceived Usefulness (PU)
Davis.F.D (1989); Adam.et.al (1992) mendefinisikan
kemanfaatan (usefulness) sebagai suatu tingkatan dimana
seseorang percaya bahwa penggunaan suatu subyek tertentu akan
dapat meningkatkan prestasi kerja orang tersebut. Berdasarkan
definisi tersebut dapat diartikan bahwa kemanfaatan dari
penggunaan komputer dapat meningkatkan kinerja, prestasi kerja
30
orang yang menggunakannya. Menurut Chin dan Todd (1995)
kemanfaatan dapat dibagi kedalam dua kategori, yaitu (1)
kemanfaatan dengan estimasi satu faktor, dan (2) kemanfaatan
dengan estimasi dua faktor (kemanfaatan dan efektifitas). Indikator
variabel persepsi kegunaan dalam penelitian ini meliputi :
1) Penggunaan e-learning mempertinggi efektifitas
2) Menjadikan pekerjaan/tugas lebih mudah
3) Meningkatkan produktifitas
4) Kemanfaatan
Pada variabel ini terdiri dari empat pertanyaan yang
digunakan untuk mengetahui tingkat kemanfaatan e-learning bagi
mahasiswa. Skala nilai terdiri dari jangkauan tanggapan dari 1 =
“sangat tidak setuju” ; 2 : “tidak setuju” ; 3 = “netral” ; 4 = “setuju”
; 5 = “sangat setuju”.
b. AttitudeToward Using (ATU)
Attitude toward using dalam TAM dikonsepkan sebagai sikap
terhadap penggunaan sistem yang berbentuk penerimaan atau
penolakan sebagai dampak bila seseorang menggunakan suatu
teknologi dalam pekerjaannya (Davis et al., 1989). Peneliti lain
menyatakan bahwa faktor sikap (attitude) sebagai salah satu aspek
yang mempengaruhi perilaku individual. Sikap seseorang terdiri atas
unsur kognitif/ cara pandang (cognitive), afektif (affective), dan
komponen-komponen yang berkaitan dengan perilaku (behavioral
components)
31
Pada variabel ini terdiri dari empat pertanyaan yang
digunakan untuk mengetahui sikap mahasiswa terhadap teknologi e-
learning. Skala nilai terdiri dari jangkauan tanggapan dari 1 =
“sangat tidak setuju” ; 2 : “tidak setuju” ; 3 = “netral” ; 4 = “setuju” ;
5 = “sangat setuju”.
c. Behaviour Intention to Use (BITU)
Behavioral intention to use adalah kecenderungan perilaku
untuk tetap menggunakan suatu teknologi. Tingkat penggunaan
sebuah teknologi komputer pada seseorang dapat diprediksi dari
sikap perhatiannya terhadap teknologi tersebut, misalnya
keinginanan menambah peripheral pendukung, motivasi untuk tetap
menggunakan, serta keinginan untuk memotivasi pengguna lain.
Peneliti selanjutnya menyatakan bahwa sikap perhatian untuk
menggunakan adalah prediksi yang baik untuk mengetahui actual
usage.
Pada variabel ini terdiri dari tiga pertanyaan yang digunakan
untuk mengetahui tingkat kecenderungan perilaku untuk tetap
menggunakan teknologi e-learning oleh mahasiswa. Skala nilai
terdiri dari jangkauan tanggapan dari 1 = “sangat tidak setuju” ; 2 :
“tidak setuju” ; 3 = “netral” ; 4 = “setuju” ; 5 = “sangat setuju”.
32
D. SUMBER DATA
1. Data Primer
Data primer mengacu pada informasi yang diperoleh dari
tangan pertama oleh peneliti yang berkaitan dengan variabel minat
untuk tujuan spesifik studi (Sekaran, 2000). Data primer adalah
informasi yang diperoleh secara langsung atas obyek penelitian yang
bersangkutan atau melalui sumber yang menguasainya. Data primer
dalam penelitian ini diperoleh melalui kuesioner dan wawancara
kepada mahasiswa SI Fakultas Ekonomi UNS yang terdaftar sebagai
anggota, aktif dan atau pernah menggunakan fasilitas e-learning
minimal dua kali.
2. Data Sekunder
Data dari sumber-sumber yang berhubungan dengan obyek
penelitian. Dapat berupa hasil penelitian terdahulu, data publikasi dari
pihak perusahaan yang relevan dengan penelitian ini.
E. TEKNIK PENGAMBILAN DATA
Teknik pengambilan data yang dilakukan yaitu:
1. Kuesioner.
Kuesioner yaitu serangkaian pertanyaan tertulis yang
diformulasikan lebih dahulu sehingga responden dapat mencatatkan
jawaban-jawabannya (Sekaran, 2003). Setiap tanggapan atas
pertanyaan dalam kuesioner memiliki nilai sendiri dimana nanti
digunakan untuk menganalisis data. Kuesioer dibuat berdasarkan
referensi penelitian yang berhubungan disertai pengembangan yang
33
diperlukan. Kuesioner yang digunakan dalam penelitian ini
menggunakan 5 skala likert mulai dari sangat setuju sampai dengan
sangat tidak setuju mengenai perceived ease of use, perceived
usefulness, attitude toward using dan behaviour intention to use.
Dalam hal ini, responden tidak dapat memberikan jawaban di luar
alternatif jawaban yang telah disediakan.
2. Wawancara
Wawancara dilakukan untuk memperoleh informasi mengenai
isu yang diteliti. Wawancara dilakukan dengan mahasiswa SI Fakultas
Ekonomi UNS yang terdaftar sebagai anggota, aktif dan atau pernah
menggunakan fasilitas e-learning minimal dua kali.
3. Studi Pustaka.
Studi pustaka adalah metode pengumpulan data dengan
menggunakan berbagai literatur yang berhubungan dengan judul
penelitian dan literatur-literatur tersebut berasal dari buku-buku,
catatan-catatan maupun referensi penelitian yang relevan digunakan
dalam penelitian ini.
F. TEKNIS ANALISIS.
1. Analisa Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk
menganalisis data dengan cara mendeskripsikan atau menggambarkan
data yang telah terkumpul sebagaimana adanya tanpa bermaksud
membuat kesimpulan yang berlaku untuk umum atau generaliasasi
(Sugiyono, 2001) Di dalam penelitian ini analisis deskriptif digunakan
34
untuk menganalisis profil responden dan tanggapan responden
terhadap setiap setiap item pertanyaan yang diajukan untuk
mendukung penelitian ini.
2. Analisis Kuantitatif.
Instrumen yang baik adalah instrumen yang memenuhi syarat
validitas dan reliabilitas :
a Uji Validitas
Validitas menunjukkan seberapa jauh suatu tes atau satu set
dari operasi-operasi mengukur apa yang seharusnya diukur
(Jogiyanto, 2007). Validitas memungkinkan hasil pengukuran yang
diperoleh dengan kuesioner dapat menjelaskan masalah penelitian
sesuai dengan konsepnya (Sekaran, 2003).
Untuk memperoleh validitas kuesioner, usaha dititikberatkan
pada pencapaian validitas isi. Validitas tersebut menunjukkan sejauh
mana perbedaan yang diperoleh dengan instrumen pengukuran
merefleksikan perbedaan sesungguhnya pada responden yang diteliti.
Dalam penelitian ini akan digunakan uji validitas dengan
confirmatory factor analysis (CFA) menggunakan software SPSS
11.5 for Windows.
Confirmatory factor analysis (CFA) perlu dilakukan
terhadap model pengukuran karena syarat untuk dapat menganalisis
model dengan SEM, indikator masing-masing konstruk harus
memiliki loading factor yang signifikan terhadap konstruk yang
diukur. Menurut Hair et al., (1998) factor loading lebih besar ± 0,30
35
dianggap memenuhi level minimal, factor loading ± 0,40 dianggap
lebih baik dan sesuai dengan rules of thumb yang dipakai para
peneliti, dan faktor loading ≥ 0,50 dianggap signifikan. Pedoman ini
dapat diaplikasikan jika ukuran sampel adalah 100 atau lebih.
Asumsi yang mendasari dilakukannya analisis faktor adalah
data matrik harus memiliki korelasi yang cukup (sufficient
correlation). Interkorelasi antar variabel akan dideteksi dengan
Kaiser-Meyer-Olkin Measure of Sampling Eduquacy (KMO MSA).
Untuk dapat dilanjutkan kepada uji validitas, nilai KMO harus > 0,5
(Ghozali, 2005).
Dalam confirmatory factor analysis (CFA) kita juga harus
melihat pada output dari rotated component matrix yang harus
terekstrak secara sempurna. Jika masing-masing item pertanyaan
belum terekstrak secara sempurna, maka proses pengujian validitas
dengan factor analysis harus diulang dengan cara menghilangkan
item pertanyaan yang memiliki nilai ganda. Indikator masing-masing
konstruk yang memiliki loading factor yang signifikan membuktikan
bahwa indikator tersebut merupakan satu kesatuan alat ukur yang
mengukur konstruk yang sama dan dapat memprediksi dengan baik
konstruk yang seharusnya diprediksi (Hair et al., 1998).
b Uji Reliabilitas
Reliabilitas adalah istilah yang dipakai untuk menunjukkan
sejauh mana suatu hasil pengukuran relatif konsisten apabila
pengukuran diulangi dua kali atau lebih. Reliabilitas suatu
36
pengukuran mencerminkan apakah suatu pengukuran dapat terbebas
dari kesalahan (error), sehingga memberikan hasil pengukuran yang
konsisten pada kondisi yang berbeda dan pada masing-masing butir
dalam instrumen (Sekaran, 2003). Teknik pengujian yang digunakan
adalah teknik cronbach’s alpha. Taraf signifikansi yang digunakan
adalah 5%. Untuk mengukur reliabilitas dari instrumen penelitian ini
dilakukan dengan item-to-total correlation dan cronbach’s alpha
dengan bantuan program komputer SPSS 11.5.
Menurut Sekaran (2003), suatu pertanyaan dikatakan reliabel
bila koefisien alpha semakin mendekati 0,8. Nilai cronbach’s alpha
antara 0,80 – 1,0 dikategorikan reliabilitas baik, nilai 0,60 – 0,79
dikategorikan reliabilitasnya dapat diterima, dan nilai ≤ 0,60
dikategorikan reliabilitasnya buruk (Sekaran, 2003).
c Uji Asumsi Model
1) Normalitas Data
Asumsi yang paling fundamental dalam analisis
multivariate adalah normalitas, yang merupakan bentuk suatu
distribusi data pada suatu variabel matrik tunggal dalam
menghasilkan distribusi normal (Hair et al., dalam Ghozali dan
Fuad, 2005). Normalitas dibagi menjadi dua, yaitu univariate
normality dan multivariate normality. Apabila asumsi normalitas
tidak dipenuhi dan penyimpangan normalitas tersebut besar,
maka akan mengakibatkan hasil uji statistik yang bias.
37
Untuk menguji asumsi normalitas, maka dapat digunakan
nilai statistik z untuk skewness dan kurtosis-nya. Nilai z skewness
dapat dihitung sebagai berikut:
N
skewnessZskewness
6=
dimana N merupakan ukuran sampel. Nilai statistik z untuk
kurtosisnya dapat dihitung dengan menggunakan rumus berikut
ini:
N
kurtosisZkurtosis
24=
jika nilai z, baik z kurtosis dan atau z skewness adalah signifikan
(kurang dari 0,05 pada tingkat signifikansi 5%), maka dapat
dikatakan bahwa distribusi data tidak normal. Sebaliknya, jika
nilai z, baik z kurtosis dan atau z skewness tidak signifikan (lebih
dari 0,05 pada tingkat signifikansi 5%), maka dapat dikatakan
bahwa distribusi data normal.
Disamping itu Curran et al., (dalam Ghozali dan Fuad, 2005)
membagi distribusi data menjadi tiga bagian:
Tabel III.3 Distribusi data Curan et al
Keterangan C.R. Skewnes C.R. Kurtosis
Normal < 2 < 7
Moderately non-normal 2 - 3 7- 21
Exstremely non-normal > 3 > 21
Sumber: Ghozali dan Fuad, 2005
38
Dalam penelitian ini uji normalitas dihitung dengan bantuan
program komputer AMOS 16.0.
2) Evaluasi Outliers
Outliers adalah observasi atau data yang memiliki
karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik
dalam suatu variabel tunggal (univariate outlier) maupun dalam
kombinasi beberapa variabel (multivariate outlier) (Hair et al.,
dalam Ferdinand, 2002). Uji terhadap outliers dilakukan dengan
menggunakan kriteria jarak mahalanobis (mahalanobis distance)
pada tingkat p<0,001 (Ghozali, 2005). Jarak mahalanobis ini
dievaluasi dengan menggunakan c2 pada derajat bebas sebesar
jumlah variabel yang digunakan dalam penelitian (Ferdinand,
2002). Evaluasi outliers ini dilakukan dengan bantuan program
komputer AMOS 16.0.
3) Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah
ditemukan adanya korelasi antar variabel independen dalam model.
Ada tidaknya multikolinearitas dapat dilihat melalui matrik
korelasi antar variabel independen. Jika antar variabel independen
ada korelasi yang cukup tinggi (di atas 0,9) atau jika dalam
pengujian terdapat peringatan warning, maka hal ini merupakan
indikasi adanya multikolinearitas (Ghozali, 2005). Pengujian
39
multikolinearitas dilakukan dengan bantuan program komputer
AMOS 16.0.
d Uji Hipotesis
Metode analisis untuk pengujian hipotesis yang digunakan
dalam penelitian ini menggunakan Structural Equation Modelling
(SEM). SEM merupakan teknik multivariat yang mengkombinasikan
aspek regresi berganda dan analisis faktor untuk mengestimasi
serangkaian hubungan ketergantungan secara simultan (Hair et al.,
1998). Pengujian hipotesis dilakukan dengan menggunakan program
AMOS 16.0 untuk menganalisis hubungan kausalitas dalam model
struktural yang diusulkan.
1) Evaluasi atas kriteria Goodnes- of-Fit
Dalam analisis SEM, tidak ada alat uji statistik tunggal
untuk menguji hipotesis mengenai model (Hair et al., 1998).
Tetapi berbagai fit index yang digunakan untuk mengukur derajat
kesesuaian antara model yang disajikan dengan data yang
disajikan. Fit index yang digunakan meliputi:
a) Chi Square Statistic
Ukuran fundamental untuk mengukur overall fit
adalah likelihood ratio Chi-square statistic. Tujuan analisis
ini adalah mengembangkan dan menguji sebuah model yang
sesuai dengan data. Chi-square ini bersifat sangat sensitif
terhadap besarnya sampel yang digunakan. Nilai chi-square
yang tinggi relatif terhadap degree of freedom menunjukkan
40
bahwa matrik kovarian atau korelasi yang diobservasi dengan
yang diprediksi berbeda secara nyata dan ini menghasilkan
probabilitas (p) lebih kecil dari tingkat signifikansi (α).
Sebaliknya nilai chi square yang kecil akan menghasilkan
nilai probabilitas (p) yang lebih besar dari tingkat signifikansi
(α), dan ini menunjukkan bahwa input matrik kovarian antara
prediksi dengan observasi sesungguhnya tidak berbeda secara
signifikan (Ghozali, 2005).
Tingkat signifikansi penerimaan yang
direkomendasikan adalah apabila p > 0,05 (Hair et al., 1998),
yang berarti matriks input yang sebenarnya dengan matriks
input yang diprediksi secara statistik tidak berbeda.
b) Normed Chi-Square (CMIN/DF)
Normed Chi-Square adalah ukuran yang diperoleh
dari nilai chi-square dibagi dengan degree of freedom. Indeks
ini merupakan indeks kesesuaian parsimonious yang
mengukur hubungan goodness of fit model dan jumlah
koefisien estimasi yang diharapkan untuk mencapai tingkat
kesesuaian. Nilai yang direkomendasikan untuk menerima
kesesuaian model adalah CMIN/DF ≤ 2,0 atau 3,0.
c) Goodness of Fit Index (GFI)
Indeks ini mencerminkan tingkat kesesuaian model
secara keseluruhan yang dihitung dari residual kuadrat dari
model yang diprediksi dibandingkan data yang sebenarnya.
41
Indeks ini mempunyai rentang 0 (poor fit) sampai dengan 1
(perfect fit). Nilai yang lebih mendekati 1 mengindikasikan
model yang diuji memiliki kesesuaian yang baik (Hair et al.,
1998). Tingkat penerimaan yang direkomendasikan untuk
kesesuaian yang baik adalah GFI ≥ 0,90.
d) Adjusted Goodness of Fit Index (AGFI)
Indeks ini merupakan pengembangan dari goodness of
fit index (GFI) yang telah disesuaikan dengan rasio dari
degree of freedom model-model konstruk tunggal dengan
semua indikator pengukuran konstruk. Nilai yang
direkomendasikan adalah AGFI ≥ 0,90. Semakin besar nilai
AGFI maka semakin baik kesesuaian yang dimiliki model.
e) Tucker Lewis Index (TLI)
TLI atau dikenal juga dengan non-normed fit index
(NNFI), adalah suatu indeks kesesuaian incremental fit index
yang membandingkan sebuah model yang diuji dengan null
model. Nilai penerimaan yang direkomendasikan adalah nilai
TLI ≥ 0,90. TLI merupakan indeks yang kurang dipengaruhi
oleh ukuran sampel.
f) Comparative Fit Index (CFI)
CFI merupakan indeks kesesuaian incremental, yang
juga membandingkan model yang diuji dengan null model.
Besaran indeks ini adalah dalam rentang 0 sampai 1 dan nilai
yang mendekati 1 mengindikasikan model memiliki tingkat
42
kesesuaian yang baik. Nilai penerimaan yang
direkomendasikan adalah nilai CFI ≥ 0,90. Indeks ini sangat
dianjurkan untuk digunakan, karena indeks-indeks ini relatif
tidak sensitif terhadap besarnya sampel dan kurang
dipengaruhi pula oleh kerumitan model.
g) The Root Mean Square of Approximation (RMSEA)
RMSEA merupakan indeks yang digunakan untuk
mengukur fit model menggantikan chi-square statistic dalam
jumlah sampel yang besar. Nilai RMSEA ≥ 0,08
mengindikasikan indeks yang baik untuk menerima
kesesuaian sebuah model.
Indeks-indeks yang digunakan untuk menguji kelayakan sebuah model
dapat diringkas dalam tabel berikut ini:
Tabel III.4 Tabel Goodness-of-fit Indices
Goodness-of-fit Indices Cut-off Value
Chi-square (2c ) Diharapkan kecil
Significance Probability (p) 05,0³ CMIN/DF 00,2£ GFI 90,0³ AGFI 90,0³ TLI 90,0³ CFI 90,0³ RMSEA 08,0£
Sumber: Ferdinand (2002), Ghozali (2005)
43
2) Analisis Koefisien Jalur
Analisis ini dilihat dari signifikansi besaran regression
weight model. Kriteria bahwa jalur yang dianalisis signifikan
adalah apabila memiliki nilai C.R ³ nilai t tabel. Pedoman umum
nilai t tabel dengan level signifikasi 5% adalah + 1,98 (Jogiyanto,
2004).
44
BAB IV
ANALISIS DATA DAN PEMBAHASAN
Pada bab ini berisi gambaran umum obyek penelitian, deskripsi responden,
hasil dari analisis data serta pembahasannya.
A. Gambaran Umum Obyek Penelitian
1. Sejarah Singkat dan Tentang E-Learning Fakultas Ekonomi
Universitas Sebelas Maret.
Fakultas Ekonomi Universitas Sebelas Maret (FE UNS ) Surakarta
lahir bersamaan dengan diresmikannya Universitas Sebelas Maret di Siti
Hinggil Pegelaran Keraton Kasunanan Surakarta oleh presiden Republik
Indonesia. Tahun 1976 (Kepres No.10 Tanggal 8 maret 1976).
Terbentuknya FE-UNS merupakan hasil dari penggabungan beberapa
Fakultas Ekonomi dari berbagai perguruan tinggi swasta yang ada
diwilayah Kotamadya Surakarta, yang antara lain meliputi:
a Fakultas Ekonomi Nasional Saraswati (UNNASTI)
b Fakultas Ekonomi Universitas Cokroaminoto (UNCOK)
c Fakultas Ekonomi Universitas Tujuh Belas Agustus (UNTAG)
d Fakultas Ekonomi Universitas Islam Indonesia (UII)
Pada permulaan bersidirinya FE-UNS periode 1976-1981),
penyelenggaraan proses belajar mengajar bertempat di Pagelaran Keraton
Surakarta ( + 1 tahun ) selanjutnya di kamupus mesen ( sekarang dipakai
sebagai kampus D-3 FE-UNS).
Selama tahun 1976-1987 FE-UNS Surakarta mempunyai 2 (dua)
jurusan yaitu jurusan Ekonomi Umum (Pembangunan) dan jurusan
45
Ekonomi Perusahaan (Manajemen). Pada saat itu, terdapat sejumlah dosen
Afiliasi yang didatangkan dari Universitas Gajah Mada (UGM) yang
antara lain adalah : Dr.Sudarsono; Dr. Farid Widjaja Mansur,MA;
Dr.Bambang Riyanto; Dr.Irawan, MBA; Dr. Soetatwo; Dr.Indriyo;
Drs.Jasmari Adnan,MA; Drs.Sukamto dan Drs.Munandar.
2. Visi
Menjadi institusi pendidikan dibidang manajemen dan bisnis dalam
perspektif global yang peduli terhadap perubahan lingkungan baik internal
maupun eksternal
3. Misi
a Menyelenggarakan pendidikan dan pengajaran berorientasi ilmu
manajemen dan bisnis.
b Menyelenggarakan penelitian dan pengembangan ilmu manajemen
yang berorientasi pada perkembangan dunia usaha.
c Menyelenggarakan pengabdian masyarakat yang menunjang
penerapan dan pengembangan ilmu manajemen.
4. Tujuan
a Menghasilkan lulusan yang berkarakter kuat, berdaya saing tinggi,
dan memiliki kompetensi manajerial.
b Menghasilkan lulusan yang memiliki pola pikir dan perilaku yang
kreatif dan inovatif yang tanggap terhadap perubahan lingkungan
c Menghasilkan penelitian yang berkualitas dan aplikatif dalam
berbagai bidang industri.
d Menghasilkan karya inovatif yang bermanfaat bagi masyarakat
46
e Mengembangkan jalinan kerjasama dengan stakeholder.
5. Struktur Organisasi Jurusan Manajemen Fakultas Ekonomi
Universitas Sebelas Maret.
Organisasi Fakultas Ekonomi terdiri dari: Senat Fakultas, Dekan
dan Pembantu Dekan, Unsur Pelaksana, Dosen, Pusat-Pusat
Pengembangan, Bagian Tata Usaha dan Perpustakaan seperti yang
digambarkan pada Gambar IV.1.
Keterangan :
a. Dekan : memimpin pelaksanaan dan pengembangan
pendidikan dan pengajaran, penelitian dan pengabdian pada
masyarakat, perencanaan kerja sama serta pembinaan
civitas akademika.
b. Pembantu Dekan 1 : mempunyai tugas membantu dekan
dalam memimpin pelaksanaan kegiatan pendidikan dan
pengajaran, penelitian, dan pengabdian kepada masyarakat,
perencanaan dan kerjasama.
c. Pembantu Dekan II : mempunyai tugas membantu dekan
dalam memimpin pelaksanaan kegiatan administrasi umum
dan keuangan.
d. Pembantu Dekan III : mempunyai tugas membantu Dekan
dalam memimpin pelaksanaan kegiatan bidang
pembinaanserta kesejahteraan mahasiswa.
47
e. Senat fakultas : merupaka badan normative dan perwakilan
tertinggi pada fakultas yang memiliki wewenang untuk
menjabarkan kebijakan dan peraturan fakultas.
f. Jurusan : mempunyai tugas melaksanan pendidikan dan
pengajaran, penelitian, dan pengabdian kepada masyarakat
dalam sebagian atau satu cabang ilmu, teknologi atau
kesenian tertentu dengan program pendidikan yang ada dan
sesuai dengan ketentuan peraturan perundangan yang
berlaku.
g. Laboratorium : sarana penunjang jurusan dalam satu atau
sebagian cabang ilmu, teknologi, atau kesenian tertentu
sesuai dengan keperluan bidang studi dan unit sumber daya
dasar untuk mengembangkan ilmu dan pendidikan masing-
masing jurusan yang ada di Fakultas Ekonomi.
h. Program Diploma : program diploma merupakan program
pendidikan ketrampilan dimana program ini dirancang 60%
untuk ketrampilan dan 40% untuk teori. Fakultas Ekonomi
UNS menyelenggarakan Program Diploma 3 tahun dan
dirancang untuk kurikulum 6 semester.
i. Bagian Tata Usaha : merupakan unsure pelaksana
administrasi mempunyai tugas melaksanakan administrasi
pendidikan, umum, perlengkapan, keuangan, kepegawaian,
dan kemahasiswaan. Bagian tata usaha dipimpin oleh
seorang Kepala Bagian dengan mebawahi 4 Sub Bagian
48
yang masing-masing Sub Bagian dipimpin oleh seorang
Kepala Sub Bagian yaitu :
1) Sub Bagian Adminitrasi Pendidikan.
2) Sub Bagian Administrasi Keuangan dan
Kepegawaian.
3) Sub Bagian Administrasi Umum dan
Perlengkapan.
4) Sub Bagian Administrasi Kemahasiswaan.
49
Gambar IV.1 Struktur Organisasi Fakultas Ekonomi Sumber : Buku Pedoman Fakultas Ekonomi UNS
Dekan
PD1
PD 2 PD 3
Senat
Jurusan Manajemen
Jurusan Ekonomi
Jurusan Akuntansi
Bagian Tata Usaha
D3 M. Industri
D3 M. Pemasaran
Lab. Jurusan Manj.
Pusat Pengembangan Manj.
D3 Bisnis Internasional
Lab. Jurusan Eko
Pusat Pengembangan Ekonomi Pembangunan
1. Pusat sistem Informasi
2. Pusat Komputer
Lab Ekspor-Impor
Pusat Pengembangan Ekspor
Perpustakaan
D3 Akuntansi Keuangan
D3 Akuntansi Perpajakan
Lab. Jurusan Akuntansi
Pusat Pengembangan Akuntansi
Sub. Bag. Adm. Pendidikan
Su. Bag. Adm. Keu. Dan Kepegawaian
Sub. Bag. Adm. Umum dan Perlengkapan
Sub. Bag. Adm. Kemahasiswaan
Pendidikan Profesi Akuntansi
Pojok BEJ
50
6. E-Learning Fakultas Ekonomi Universitas Sebelas Maret.
Selain proses belajar mengajar yang dilakukan secara konvensional
di lingkunagan kampus Fakultas Ekonomi Universitas Sebelas Maret,
pihak Fakultas juga telah menggunakan bantuan teknologi informasi untuk
mendukung jalannya proses belajar mengajar yaitu melalui e-learning. E-
learning yaitu suatu proses belajar mengajar secara online dengan bantuan
jaringan internet. Jadi dengan kata lain proses belajar mengajar yang
dilakukan tanpa bertatap muka secara langsung atau pembelajaran jarak
jauh.
E-learning Fakultas Ekonomi sendiri sudah ada sejak beberapa
tahun yang lalu yang sampai saat ini peneglolaan dan pengembangannya
dilakukan oleh Pusikom (Pusat Informasi dan Komputasi) dengan alamat
URL-nya adalah lerning.fe.uns.ac.id, tetapi masih belum banyak
digunakan oleh tenaga pengajar untuk mendukung pembelajaran secara
konvensional. Saat ini hanya ada beberapa mata kuliah yang selain proses
belajar mengajarnya secara konvensional juga dilakukan secara on-line,
yaitu antara lain Aplikasi Komputer, Manajemen Strategik, Sistem
Informasi Manajemen, Komunikasi Bisnis, Praktek Laboratorium 1 dan 3,
serta Praktek Simulasi Manajerial.
Didalam e-learning itu sendiri terdapat banyak fitur-fitur yang
dapat digunakan mahasiswa untuk mendukung jalannya belajar on-line.
Beberapa fitur tersebut antara lain :
51
Tabel IV. 1 Tabel fitur-fitur di e-learning
Nama Fitur e-learning Keterangan Deskripsi mata kuliah Berisi tentang gambaran umum mata
kuliah, aturan main dan literatur buku yang digunakan
Learning Path Fasilita dapat digunakan untuk pembelajaran berantai/ jalur
Latihan kuis Fasilitas yang dapat digunakan untuk kuis secara on-line
Dokumen Fasilitas yang dapat digunakan untuk menyimpan data-data yang di upload oleh mahasiswa maupun dosen
Pengumuman Fasilitas yang dapat digunakan dosen maupun mahasiswa untuk memasang pengumuman tentang perkuliahan.
Agenda
Fasilitas di e-learning yang dapat digunakan untuk menyusun agenda pribadi selama satu semester.
Group
Asilitas yang dapat digunakan untuk membuat kelompok belajar dalam e-learning
Forum
Fasilitas yang ada di e-learning yang dapat digunakan untuk memberikan komentar atau saran tentang isu atau fenomena yang di upload
Chat
Fasilitas yang dapat digunakan untuk chating antar anggota e-learning
Surveys Fasilitas yang dapat digunakan untuk mengadakan survey on-line
Sumber : learning.uns.ac.id (2009)
52
B. ANALISIS DESKRIPTIF
1. Karakteristik Responden
Pada penelitian ini kuesioner yang disebarkan seluruhnya sebanyak 120
kuesioner. Dalam prosesnya, kuesioner ini disebarkan sebanyak 3 kali dalam
jangka waktu 1 bulan. Jumlah kuesioner yang bisa dikumpulkan kembali oleh
peneliti adalah sejumlah 111 kuesioner atau 92,5 %. Jumlah kuesioner yang
bisa digunakan dalam analisis penelitian ini adalah sejumlah 107 atau 96,3%,
hal ini dikarenakan adanya data hilang atau tidak layak olah. jumlah sampel
data yang terkumpul telah memenuhi ukuran sampel minimum yang
disyaratkan, yaitu sampel minimal yang sesuai untuk metode SEM adalah
antara 100-200 (Hair et al., dalam Ferdinand, 2002).
Responden dalam penelitian ini adalah mahasiswa SI Fakultas Ekonomi
UNS yang terdaftar sebagai anggota, aktif dan atau pernah menggunakan
fasilitas e-learning minimal dua kali. Teknik pengambilan sampel dilakukan
dengan purposive sampling.
Gambaran tentang karakteristik responden diperoleh dari identitas
responden yang meliputi umur, jenis kelamin, prodi, dan tingkat penggunaan
teknologi e-learning yang disajikan dalam tabel-tabel berikut:
a Umur.
Tabel 1V. 2 Distribusi Frekuensi Responden Berdasar Umur
Umur Frekuensi Prosentase
19 tahun 55 orang 51,4% 20 tahun 22 orang 20,6% 21 tahun 17 orang 15,9% 22 tahun 13 orang 12,1% Jumlah 107 orang 100%
Sumber: Data primer yang diolah (2009)
53
Tabel IV. 2 menunjukan bahwa mahasiswa pengguna fasilitas
e-learning rata-rata yang paling banyak adalah berumur 19 tahun
sebanyak 55 orang atau 51,4%.
b Jenis Kelamin
Tabel 1V. 3 Distribusi Frekuensi Responden Berdasar Jenis Kelamin
Jenis Kelamin Frekuensi Prosentase
Pria 51 Orang 47,7% Wanita 56 Orang 52,3% Jumlah 107 orang 100%
Sumber: Data primer yang diolah (2009)
Tabel IV. 3 menunjukan bahwa mahasiswa pengguna fasilitas
e-learning yang berjenis kelamin pria/laki-laki sebanyak 51 orang
atau 47,7%, sedangkan yang wanita/perempuan sebanyak 56 orang
atau 52,3%.
c Program Pendidikan
Tabel 1V. 4 Distribusi Frekuensi Responden Berdasar Program Pendidikan
Prodi Frekuensi Prosentase
Manajemen 74 orang 69,2% Akuntantsi 22 orang 20,6% Ekonomi
Pembangunan 11 orang 10,3%
Jumlah 107 orang 100% Sumber: Data primer yang diolah (2009)
Tabel IV. 4 menunjukan bahwa mahasiswa pengguna fasilitas
e-learning berdasarkan program pendidikan manajemen sebanyak 74
orang atau 69,2% adalah yang paling tinggi.
54
d Tingkat Penggunaan
Tabel 1V. 5 Distribusi Frekuensi Responden Berdasar Tingkat Penggunaan
Tingkat
Penggunaan Frekuensi jumlah Prosentase
Tidak pernah 0 - - Jarang 1-2 25 orang 23,4%
Cukup sering 3-4 43 orang 40,2% Sering 5-keatas 39 orang 36,4%
Jumlah 107 orang 100% Sumber: Data primer yang diolah (2009)
Tabel IV. 5 menunjukan bahwa mahasiswa pengguna fasilitas
e-learning berdasarkan tingkat penggunaan menunjukan sebanyak 43
orang atau 40,2% intensitas cukup sering menggunakan fasilitas e-
learning.
2. Tanggapan Responden
Tanggapan responden terhadap kuesioner yang diberikan peneliti
nampak pada jawaban responden. Dalam analisis ini akan diuraikan
mengenai kecenderungan pendapat dan tanggapan dari mahasiswa SI
Fakultas Ekonomi UNS selaku responden penelitian ini. Pernyataan-
pernyataan responden mengenai variabel penelitian dapat dilihat pada
jawaban responden terhadap kuesioner yang diberikan peneliti dan
pernyataan ini membentuk skala likert, dimana skala likert ini dapat
digunakan untuk mengukur sikap responden.
a. Tanggapan Responden Mengenai Persepsi Kemudahan
Penggunaan (Perceived ease of use).
Deskripsi tanggapan responden sebanyak 107 orang terhadap
item pertanyaan persepsi kemudahan penggunaan sebanyak 4 (empat)
55
item. Data kuesioner yang terdapat pada lampiran dapat dilihat
deskripsi tanggapan responden pada setiap item pertanyaan adalah
sebagai berikut :
Tabel IV.6 Deskripsi Tanggapan Responden
Terhadap Persepsi Kemudahan Penggunaan
Jumlah Jawaban Responden No Pertanyaan STS TS N S SS
1 Saya merasa e-learning mudah digunakan - 2 7 57 41
2 Saya meraasa e-learning mudah untuk dipelajari - 2 9 75 21
3 e-learning jelas dan mudah dipahami - 3 8 79 17
4 Mudah bagi saya untuk mendapatkan informasi di e-learning 2 1 13 78 13
Sumber : Data primer yang diolah (2009)
1. Berdasarkan data dari tabel IV.6 diatas menunjukkan bahwa
mayoritas responden sebanyak 57 orang atau 53,3 % menjawab
setuju atas item saya merasa e-learning mudah digunakan. Hal ini
berarti bahwa sebagian besar responden merasa e-learning mudah
digunakan.
2. Berdasarkan data dari tabel IV.6 diatas menunjukkan bahwa
mayoritas responden sebanyak 75 orang atau 70,1 % menjawab
setuju atas item pertanyaan saya merasa e-learning mudah untuk
dipelajari. Hal ini berarti bahwa sebagian besar responden merasa
e-learning mudah untuk dipelajari
3. Berdasarkan data dari tabel IV.6 diatas menunjukkan bahwa
mayoritas responden sebanyak 79 orang atau 73,8 % menjawab
setuju atas item pertanyaan e-learning jelas dan mudah dipahami.
56
Hal ini berarti bahwa sebagian besar responden jelas dan mudah
dalam memahami e-learning.
4. Berdasarkan data dari tabel IV.6 diatas menunjukkan bahwa
mayoritas responden sebanyak 78 orang atau 72,9 % menjawab
setuju atas item pertanyaan mudah bagi saya untuk mendapatkan
informasi di e-learning. Hal ini berarti bahwa sebagian besar
responden merasa mudah untuk mendapatkan informasi dari e-
learning.
b. Tanggapan Responden Mengenai Persepsi Kegunaan (Perceived
usefulness)
Deskripsi tanggapan responden sebanyak 107 orang terhadap
item pertanyaan persepsi kegunaan sebanyak 4 (empat) item. Data
kuesioner yang terdapat pada lampiran dapat dilihat deskripsi
tanggapan responden pada setiap item pertanyaan adalah sebagai
berikut :
Tabel IV.7 Deskripsi Tanggapan Responden
Terhadap Persepsi Kegunaan
Jumlah Jawaban Responden No Pertanyaan STS TS N S SS
1 Penggunaan e-learning mempertinggi efektifitas saya dalam belajar.
- 25 37 41 4
2 Penggunaan e-learning menjadikan pekerjaan atau tugas perkuliahan lebih mudah
- 6 66 33 2
3 Penggunaan e-learning meningkatkan produktivitas tugas perkuliahan saya. 1 28 35 42 1
4 saya merasa e-learning berguna atau bermanfaat.
- 9 56 38 4
Sumber : Data primer yang diolah (2009)
57
1. Berdasarkan data dari tabel IV.7 diatas menunjukkan bahwa
mayoritas responden sebanyak 41 orang atau 38,3 % menjawab
setuju atas item penggunaan e-learning mempertinggi efektivitas
belajar. Hal ini berarti bahwa sebagian besar responden merasa e-
learning dapat mempertinggi efektifitas dalam belajar khususnya
untuk memenuhi tugas perkuliahan.
2. Berdasarkan data dari Tabel IV.7 diatas menunjukkan bahwa
mayoritas responden sebanyak 66 orang atau 61,7 % menjawab
netral atas item penggunaan e-learning menjadikan pekerjaan atau
tugas perkuliahan lebih mudah. Hal ini berarti bahwa sebagian
besar responden merasa tidak tahu apakah dengan e-learning dapat
menjadikan pekerjaan atau tugas perkuliahan lebih mudah atau
sebaliknya.
3. Berdasarkan data dari tabel IV.7 diatas menunjukkan bahwa
mayoritas responden sebanyak 42 orang atau 39,3 % menjawab
setuju atas item pertanyaan penggunaan e-learning meningkatkan
produktivitas tugas perkuliahan saya. Hal ini berarti bahwa
sebagian besar responden merasa dengan menggunakan e-learning
dapat meningkatkan produktivitas perkuliahan
4. Berdasarkan data dari tabel IV.7 diatas menunjukkan bahwa
mayoritas responden sebanyak 56 orang atau 52,3 % menjawab
netral atas item saya merasa e-learning berguna atau bermanfaat.
Hal ini berarti bahwa sebagian besar responden merasa tidak tahu
58
apakah e-learning berguna atau bermanfaat untuk mendukung
perkuliahan.
c. Tanggapan Responden Mengenai Sikap Terhadap Penggunaan
(Attitude toward using).
Deskripsi tanggapan responden sebanyak 107 orang terhadap
item pertanyaan persepsi kemudahan penggunaan sebanyak 4 (empat)
item. Data kuesioner yang terdapat pada lampiran dapat dilihat
deskripsi tanggapan responden pada setiap item pertanyaan adalah
sebagai berikut :
Tabel IV.8 Deskripsi Tanggapan Responden
Sikap Terhadap Penggunaan
Jumlah Jawaban Responden No Pertanyaan STS TS N S SS
1 Saya menyukai ide penggunaan e-learning. 1 15 47 38 6
2 Saya senang menggunakan e-learning - 2 25 69 11
3 Saya percaya bahwa menggunakan e-learning ide baik untuk tugas perkuliahan saya.
- 7 34 55 11
4 Penggunaan e-learning adalah ide yang bagus
- 3 45 47 12
Sumber : Data primer yang diolah (2009)
1. Berdasarkan data dari tabel IV.8 diatas menunjukkan bahwa
mayoritas responden sebanyak 47 orang atau 43,9 % menjawab
netral atas item saya menyukai ide penggunaan e-learning. Hal ini
berarti bahwa sebagian besar responden merasa tidak tahu suka
atau tidak dengan ide menggunakan e-learning.
59
2. Berdasarkan data dari tabel IV.8 diatas menunjukkan bahwa
mayoritas responden sebanyak 69 orang atau 64,5 % menjawab
setuju atas item saya mempunyai kebiasaan sikap yang
menyenangkan terhadap penggunaan e-learning. Hal ini berarti
bahwa sebagian besar responden merasa mempunyai kebiasaan
sikap yang menyenangkan terhadap penggunaan e-learning.
3. Berdasarkan data dari tabel IV.8 diatas menunjukkan bahwa
mayoritas responden sebanyak 55 orang atau 51,4 % menjawab
setuju atas item saya percaya bahwa menggunakan e-learning ide
baik untuk tugas perkuliahan saya. Hal ini berarti bahwa sebagian
besar responden merasa menggunakan e-learning ide baik untuk
tugas perkuliahan saya.
4. Berdasarkan data dari aabel IV.8 diatas menunjukkan bahwa
mayoritas responden sebanyak 47 orang atau 43,9 % menjawab
setuju atas item penggunaan e-learning adalah ide yang bagus. Hal
ini berarti bahwa sebagian besar responden merasa bahwa e-
learning adalah suatu ide yang bagus untuk mendukung kegiatan
belajar mengajar.
d. Tanggapan Responden Mengenai Minat/ Perhatian untuk
Menggunakan (Behaviour Intention to Use).
Deskripsi tanggapan responden sebanyak 107 orang terhadap
item pertanyaan persepsi kemudahan penggunaan sebanyak 3 (tiga)
item. Data kuesioner yang terdapat pada lampiran dapat dilihat
60
deskripsi tanggapan responden pada setiap item pertanyaan adalah
sebagai berikut :
Tabel IV.9 Deskripsi Tanggapan Responden
Terhadap Minat/ Perhatian Untuk Menggunakan
Jumlah Jawaban Responden No Pertanyaan STS TS N S SS
1 Saya berkeinginan/ bermaksud untuk menggunakan e-leaning selama perkuliahan
8 58 35 6 -
2 Saya berkeinginan/ bermaksud menggunakan e-learning lagi
13 52 38 4 -
3 Saya berkeinginan/ bermaksud meningkatkan penggunaan e-learning untuk memenuhi tugas perkuliahan
24 54 22 7 -
Sumber : Data primer yang diolah (2009)
1. Berdasarkan data dari tabel IV.9 diatas menunjukkan bahwa
mayoritas responden sebanyak 58 orang atau 54,2 % menjawab
tidak setuju atas item saya berkeinginan/ bermaksud untuk
menggunakan e-leaning selama perkuliahan Hal ini berarti bahwa
sebagian besar responden kelak tidak berkeinginan/ bermaksud
untuk menggunakan e-leaning selama perkuliahan
2. Berdasarkan data dari tabel IV.9 diatas menunjukkan bahwa
mayoritas responden sebanyak 52 orang atau 48,6 % menjawab
tidak setuju atas item saya berkeinginan/ bermaksud menggunakan
e-learning lagi Hal ini berarti bahwa sebagian besar responden
tidak berkeinginan/ bermaksud menggunakan e-learning lagi.
3. Berdasarkan data dari tabel IV.9 diatas menunjukkan bahwa
mayoritas responden sebanyak 54 orang atau 50,5 % menjawab
tidak setuju atas item saya berkeinginan/ bermaksud meningkatkan
61
penggunaan e-learning untuk memenuhi tugas perkuliahan Hal ini
berarti bahwa sebagian besar responden tidak berkeinginan/
bermaksud meningkatkan penggunaan e-learning untuk memenuhi
tugas perkuliahan.
C. ANALISIS KUANTITATIF
1. Uji Validitas
Hasil output analisis faktor dapat dilihat pada tabel-tabel IV.10 dan
IV.11 berikut :
Tabel IV. 10 Hasil Analisis Faktor
Berdasarkan hasil CFA dari tabel IV.10 dapat dilihat satu item
yang tidak valid karena mempunyai nilai factor loading < 0,5. Kemudian
dilakukan pengujian CFA lagi dengan tidak mengikutsertakan item-item
Rotated Component Matrix a
.764
.777
.813
.857
.817
.584
.878
.712
.746
.421 .440
.656
.839
.789
.830
.718
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT2
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 5 iterations.a.
62
yang tidak valid secara trial and eror. Hasil revisi CFA dimana semua
item pertanyaan dinyatakan valid dapat dilihat pada tabel IV.11 berikut ini:
Tabel IV. 11 Hasil Analisis Faktor
Tabel IV. 12 Rangkuman Hasil Analisis Faktor
Variabel Item Factor Loading Keterangan
Perceived Ease of Use PEOU 1 0,769 Valid PEOU 2 0,778 Valid PEOU 3 0,816 Valid PEOU 4 0,859 Valid Perceived Usefulness USE 1 0,826 Valid USE 2 0,611 Valid USE 3 0,877 Valid USE 4 0,721 Valid Attitude Toward Using ATU 1 0,737 Valid ATU 3 0,667 Valid ATU 4 0,861 Valid
BITU 1 0,789 Valid BITU 2 0,838 Valid
Behaviour Intention to Use
BITU 3 0,732 Valid Sumber: Data primer yang diolah (2009)
Rotated Component Matrix a
.769
.778
.816
.859
.826
.611
.877
.721
.737
.667
.861
.789
.838
.732
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 5 iterations.a.
63
Dalam penelitian ini, terdapat 14 item yang dinyatakan valid dari 15
item pertanyaan. 14 item pertanyaan inilah yang akan dianalisis lebih
lanjut
2. Uji Reliabilitas
Hasil pengujian reliabilitas variabel-variabel didapatkan nilai
cronbach’s alpha masing-masing variabel yang disajikan dalam Tabel IV.
13
Tabel IV. 13 Hasil Uji Reliabilitas Model
No Variabel Cronbach Alpha
Keterangan
1 Perceived Ease of Use 0,8392 Baik 2 Perceived Useffulness 0,8022 Baik 3 Attitude Toward Using 0,6891 Diterima 4 Behaviour Intention to Use 0,7691 Diterima Sumber: Data primer yang diolah (2009)
Dari tabel IV.13 dapat dilihat bahwa semua instrumen dinyatakan reliabel
karena mempunyai nilai cronbach’s alpha > 0,60.
D. Uji Asumsi Model
Sebelum pengujian kesesuaian model dan hipotesis, dalam penelitian
ini terlebih dahulu akan dilihat karakteristik data yang akan digunakan dalam
analisis. Pengujian terhadap karakteristik data meliputi pengujian normalitas
data, evaluasi outliers dan evaluasi multikolinearitas.
1. Normalitas Data
Normalitas univariate dan multivariate terhadap data yang
digunakan dalam analisis ini diuji dengan menggunakan AMOS 16.
Hasilnya adalah seperti yang disajikan dalam tabel IV.14 berikut ini :
64
Tabel IV. 14 Hasil Uji Asumsi Normalitas
Variable min max skew c.r. kurtosis c.r. bitu3 1.000 4.000 .491 2.074 -.176 -.372 bitu2 1.000 4.000 .031 .131 -.348 -.736 bitu1 1.000 4.000 .326 1.378 -.028 -.059 att1 1.000 5.000 -.098 -.415 -.214 -.452 att3 2.000 5.000 -.268 -1.133 -.181 -.381 att4 2.000 5.000 .206 .871 -.461 -.973 peou1 2.000 5.000 -.768 -3.245 .980 2.070 peou2 2.000 5.000 -.562 -2.375 1.931 4.076 peou3 2.000 5.000 -.835 -3.527 2.877 6.076 peou4 1.000 5.000 -1.627 -6.870 5.908 12.474 pu4 2.000 5.000 .131 .552 -.146 -.308 pu3 1.000 5.000 -.251 -1.060 -1.108 -2.339 pu2 2.000 5.000 .324 1.370 .152 .321 pu1 2.000 5.000 -.073 -.310 -.979 -2.067 Multivariate 11.007 2.690
Sumber : Data primer diolah (2009)
Tabel IV.14 menunjukan pengujian normalitas data dalam
penelitian ini. Nilai statistic untuk menguji normalitas tersebut z value
(Critical Ratio atau C.R pada output AMOS 16) dari ukuran skewness dan
kurtosis sebaran data. Bila nilai C.R. lebih besar dari nilai kritis maka
dapat diduga bahwa distribusi data tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifiknsi 1% yaitu sebesar ± 2,58.
Hasil uji normalitas data terlihat secara univariate, C.R. skewness
konstruk hampir mempunyai nilai C.R. berada dibawah 2,58 kecuali untuk
PEOU1, PEOU3, PEOU4 yang berarti bahwa secara univariate sebaran
yang dapat dianggap normal dan dapat digunakan untuk estimasi pada
analisis selnjutnya. Sementara secara multivariate nilai C.R. sebaran
kurtosis menunjukan 2,690 yang berarti data dapat dikatakan terdistribusi
normal secara multivariate.
65
Data yang digunakan dalam penelitian ini adalah data yang
disajikan secara apa adanya dari penelitian yang berasal dari data primer
berdasarkan jawaban responden yang sangat beragam sehingg sulit untuk
memperoleh data yang mengikuti distribusi normal multivariate secara
sempurna. Disamping itu, teknik Maximum Likelihood Estimates (MLE)
yang digunakan dalam penelitian ini tidak terlalu terpengaruh (robust)
terhadap data yang tidak normal (Ghozali dan Fuad, 2005) sehingga
analisis selanjutnya masih dapat dilakukan.
2. Evaluasi Outliers
Uji terhadap multivariate outliers dilakukan dengan menggunakan
kriteria jarak mahalanobis pada tingkat p < 0,001. Jarak mahalanobis itu
dievaluasi dengan menggunakan c2 pada derajat bebas sebesar jumlah
variabel indikator yang digunakan dalam penelitian (Ferdinand, 2002).
Jika dalam penelitian ini digunakan 15 variabel indikator, semua kasus
yang mempunyai jarak mahalanobis lebih besar dari c2 (15, 0.001) =
37,6973 adalah multivariate outlier. Tabel IV.15 berikut menyajikan hasil
evaluasi Jarak Mahalanobis.
Tabel IV.15 Hasil Uji Asumsi Outliers
Nomor
Observasi Jarak Mahalanobis Jarak Mahalanobis
Kritis (15, 0.001) 80 82 34
.
.
. 106
38.814 32.192 27.995
.
.
. 6.335
Mahalanobis distance square (df = 15, p < 0,001) Mahalanobis < 37,6973
Sumber : Data primer diolah (2009)
66
Berdasarkan kriteria nilai mahalanobis distance tersebut, terdeteksi
nilai yang dianggap outliers sebanyak 1. namun demikian data outlier
tersebut dipertimbangkan tidak merupakan nilai ekstrim yang sangat
berbeda dari observasi lainnya. Hal ini tampak dari nilai mahalanobis
distance yang tidak berbeda terlalu jauh pada data outlier tersebut. Pada
akhirnya, outliers diputuskan untuk tidak dibuang mengingat jika outliers
tersebut dikeluakan dari analisis maka nilai goodness of fit nya akan
mengalami penurunan dan tidak terjadi perubahan yang cukup signifikan
pada nilai normalitas data.
3. Uji Multikolinearitas
Dalam program AMOS akan memberikan warning bila ternyata
matriks kovariannya menunjukkan adanya singularitas atau
multikolinearitas (Ferdinand, 2006). Dalam olah data, hasil uji
multikolinieritas yang menggunakan software AMOS tidak memberikan
tanda warning sehingga dapat disimpulkan bahwa data dalam penelitian
ini tidak terdapat masalah multikolinearitas.
E. Uji Goodness-of-Fit Model Struktural
Sebelum melakukan teknik pengujian hipotesis, langkah yang pertama
adalah menilai kesesuaian goodness-of-fit. Untuk Pengujianya menggunakan
Structural Equation Modeling (SEM) dengan bantuan program AMOS versi
16. Gambar berikut ini, merupakan model structural (path diagram) awal
sebelum modifikasi.
67
Gambar IV.2
Path Diagram Sebelum Modifikasi Sumber : Data primer yang diolah(2009)
Tabel IV.16 Kriteria Goodness of Fit sebelum modifikasi
Goodness-of-fit Indices Cut-off Value hasil kesimpulan
Chi-square (2c ) Diharapkan kecil 121,373 -
Significance Probability (p)
05,0³ 0.000 Tidak fit
CMIN/DF 00,2£ 1,686 Fit GFI 90,0³ 0,862 Marginal AGFI 90,0³ 0.799 Tidak fit TLI 90,0³ 0.879 Marginal CFI 90,0³ 0.904 Fit RMSEA 08,0£ 0.080 Fit
Sumber : Data primer diolah (2009)
PU
.27
PEOU
ATU BITU
pu1
.30
e5
1.00
1
pu2
.23
e6
.54
1
pu3
.28
e7
1.02
1
pu4
.22
e8
.77
1
peou4.17
e4
1.00
1peou3
.14
e3
.88
1peou2
.15
e2
.86
1peou1
.22
e1
.91
1
att4.21
e12
1.00
1att3
.42
e11
.70
1att1
.32
e9
1.07
1
bitu1
.20
e131.001
bitu2.31
e14.88 1
bitu3.29
e15
1.171
.31
.30
.20
.27
.38
.25
z21
.19
z3
1
.39
z1
1
Chi-squares=121.373prob=.000
CMIN/DF =1.686RMR=.044
GFI=.862AGFI=.799
TLI=.879CFI=.904
RMSEA=.080
68
Dari hasil pengukuran goodness fit index diatas dapat disimpulkan
bahwa besarnya significance probability diperoleh nilai cut of value (≥ 0,05)
yang belum memenuhi kriteria (0,000). Besarnya AGFI juga diperoleh nilai
cut of value (≥ 0,90) belum memenuhi kriteria (0,799).
Hasil pengukuran goodness fit index diatas menunjukan tingkat
probabilitas adalah signifikan sebesar 0,000 (p ≤ 0,05), hal ini menunjukan
adanya penyimpangan antara sample covarian matrix dan model (fitted)
covariance matrix, sedangkan nilai chi square untuk model yang baik
seharusnya mempunyai probabilitas tidak signifikan (≥ 0,05). Dengan
demikian, untuk mendapatkan model goodness fit index yang diharapkan
(lebih baik) maka perlu dilakukan revisi model dengan tujuan untuk
memperbaiki model yaitu dengan memodifikasi model berdasarkan tebel
modification index. Gambar berikut ini path diagaram setelah modifikasi.
69
Gambar IV.3 Path Diagram Setelah Modifikasi Sumber : Data primer diolah (2009)
Tabel IV.17 Kriteria Goodness of Fit setelah modifikasi
Goodness-of-fit Indices Cut-off Value hasil kesimpulan
Chi-square (2c ) Diharapkan kecil 82,994 -
Significance Probability (p) 05,0³ 0.120 Fit CMIN/DF 00,2£ 1,203 Fit GFI 90,0³ 0,897 Marginal AGFI 90,0³ 0.843 Marginal TLI 90,0³ 0.964 Fit CFI 90,0³ 0.973 Fit RMSEA 08,0£ 0.044 Fit
Sumber : Data primer diolah (2009)
PU
.28
PEOU
ATU BITU
pu1
.17
e5
1.00
1
pu2
.25
e6
.43
1
pu3
.35
e7
.78
1
pu4
.10
e8
.82
1
peou4.15
e4
1.00
1peou3
.18
e3
.77
1peou2
.12
e2
.91
1peou1
.27
e1
.78
1
att4.22
e12
1.00
1att3
.42
e11
.69
1att1
.31
e9
1.11
1
bitu1
.19
e131.001
bitu2.30
e14.87 1
bitu3.30
e15
1.121
.36
.27
.17
.28
.30
.25
z21
.21
z3
1
.51
z1
1
Chi-squares=82.994prob=.120
CMIN/DF =1.203RMR=.041
GFI=.897AGFI=.843
TLI=.964CFI=.973
RMSEA=.044
-.10
-.18
.08
70
Tabel IV.18 Perbandingan hasil Goodness-of-fit Indices sebelum dan sesudah
modifikasi
Goodness-of-fit Indices
Cut-off Value Hasil sebelum modifikasi
Hasil sesudah modifikasi
Keterangan
Chi-square (2c )
Diharapkan kecil
121,373 82,994 -
Significance Probability (p)
05,0³ 0.000 0.120 meningkat
CMIN/DF 00,2£ 1,686 1,203 meningkat GFI 90,0³ 0,862 0,897 meningkat AGFI 90,0³ 0.799 0.843 meningkat TLI 90,0³ 0.879 0.964 meningkat CFI 90,0³ 0.904 0.973 meningkat RMSEA 08,0£ 0.080 0.044 meningkat
Sumber : Data primer diolah (2009)
Dari hasil pengukuran modifikasi goodness fit index diatas dapat
disimpulkan bahwa besarnya significance probability diperoleh nilai cut of
value (≥ 0,05) sudah memenuhi kriteria (0,120).
Hasil pengukuran goodness fit index diatas menunjukan tingkat
probabilitas adalah signifikan sebesar 0,120 (p ≥ 0,05), hal ini menunjukan
sudah memenuhi kriteria model yang baik (goodness fit model) karena model
yang baik yaitu mempunyai tingkat probabilitas yang tidak signifikan lebih
dari α = 5%, sehingga menunjukan adanya kesesuaian antara sample covarian
matrix dan model (fitted) covariance matrix (Hair, et al, 1998 dalam Ghozali,
2004).
Normed Chi-Square (CMIN/DF) adalah ukuran yang diperoleh dari
nilai chi-square dibagi dengan degree of freedom. Indeks ini merupakan
indeks kesesuaian parsimonious yang mengukur hubungan goodness-of-fit
model dengan jumlah koefisien-koefisien estimasi yang diharapkan untuk
71
mencapai tingkat kesesuaian. Nilai CMIN/DF pada model ini adalah 1,203
menunjukkan bahwa model penelitian ini fit.
Goodness of Fit Index (GFI) mencerminkan tingkat kesesuaian model
secara keseluruhan yang dihitung dari residual kuadrat dari model yang
diprediksi dibandingkan data yang sebenarnya. Nilai yang mendekati 1
mengisyaratkan model yang diuji memiliki kesesuaian yang baik. Dengan
tingkat penerimaan yang direkomendasikan ³ 0,9, dapat disimpulkan bahwa
model memiliki tingkat kesesuaian yang marginal dengan nilai GFI sebesar
0,897.
Adjusted Goodness of Fit Index (AGFI) adalah GFI yang disesuaikan
dengan rasio antara degree of freedom dari model yang diusulkan dan degree
of freedom dari null model. Nilai AGFI dalam model ini adalah 0,843
menunjukkan tingkat kesesuaian yang marginal.
Tucker Lewis Index (TLI) merupakan alternatif incremental fit index
yang membandingkan model yang diuji dengan baseline model. TLI
merupakan indeks kesesuaian model yang kurang dipengaruhi oleh ukuran
sampel. Nilai yang direkomendasikan ³ 0,90, dapat disimpulkan bahwa model
menunjukkan tingkat kesesuaian yang fit dengan nilai TLI sebesar 0,964.
Comparative Fit Index (CFI) adalah indeks kesesuaian incremental
yang membandingkan model yang diuji dengan null model. Besaran indeks ini
adalah dalam rentang 0 sampai 1 dan nilai yang mendekati 1 mengindikasikan
model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan
untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel
dan kurang dipengaruhi oleh kerumitan model. Dengan memperhatikan nilai
72
yang direkomendasikan ³ 0,90, maka nilai CFI sebesar 0,973 menunjukkan
bahwa model ini memiliki kesesuaian yang baik.
The Root Mean Square Error of Approximation (RMSEA) adalah
indeks yang digunakan untuk mengkompensasi nilai chi-square dalam sampel
yang besar. Nilai penerimaan yang direkomendasikan £ 0,08, maka nilai
RMSEA sebesar 0,044 menunjukkan tingkat kesesuaian yang baik.
Berdasarkan keseluruhan pengukuran goodness-of-fit tersebut di atas
mengindikasikan bahwa model yang diajukan dalam penelitian dapat diterima.
F. Pengujian Hipotesis
1. Analisis Kausalitas
Analisis kausalitas dilakukan guna mengetahui hubungan antara
variabel. Setelah kriteria goodness of fit dapat terpenuhi atas model
struktural yang diestimasi, selanjutnya analisis terhadap hubungan-
hubungan struktur model (pengujian hipotesis) dapat dilakukan. Pada
jumlah responden lebih dari 100 maka nilai z tabel untuk tingkat
signifikansi 5% adalah sebesar + 1,98 (Jogiyanto, 2004).
73
Tabel IV.19 Hasil Estimasi Model Struktural
Hubungan Variabel Estimate S.E. C.R
. P
Keterangan
Perceived usefulness
<--- Perceived ease of use
.358 .144 2.491 .013 Signifikan
Attitude toward using
<--- Perceived ease of use
.267 .127 2.092 .036 Signifikan
Attitude toward using
<--- Perceived usefulness
.170 .083 2.054 .040 Signifikan
Behavioural intention to use
<--- Perceived usefulness
.303 .088 3.453 *** Signifikan
Behavioural intention to use
<--- Attitude toward using
.282 .128 2.195 .028 Signifikan
Sumber : Data primer diolah (2009)
Tabel IV.19 menggambarkan hubungan atau pengaruh antara
variabel perceived ease of use memiliki pengaruh signifikan pada
perceived usefulness dengan nilai C.R. sebesar 2,491 dan nilai probabilitas
sebesar 0,013 (< 0,05). Perceived ease of use mempunyai pengaruh pada
variable attitude toward using dengan nilai C.R. sebesar 2,092 dan nilai
probabilitas sebesar 0,036 (<0,05). Perceived usefulness berpengaruh
signifikan pada attitude toward using dengan nilai C.R sebesar 2,054 dan
nilai probabilitas sebesar 0,040 (<0,05). Perceived usefulness berpengaruh
signifikan pada behavioural intention to use dengan nilai C.R. sebesar
3,453 dan nilai probbilitasnya sebesar 0,000 (<0,05). Attitude toward using
mempunyai pengaruh signifikan pada behavioural intention to use dengan
nilai C.R. sebesar 2,195 dan nilai probabilitas sebesar 0,028 (< 0,05).
74
G. Pembahasan
Setelah menilai model secara keseluruhan dan menguji hubungan
kausalitas seperti yang dihipotesiskan, tahap selanjutnya adalah pembahasan
hasil penelitian sebagai berikut:
1. Hipotesis 1 : perceived ease of use berpengaruh signifikan pada
perceived usefulness.
Hipotesis ini bertujuan untuk menguji apakah perceived ease of use
berpengaruh signifikan pada perceived usefulness. Berdasarkan hasil
analisis pada tabel IV.16 didapatkan hasil C.R. perceived ease of use pada
perceived usefulness sebesar 2,491 dan probabilitas sebesar 0,013. Nilai
C.R. perceived ease of use pada perceived usefulness lebih dari 1,98,
maka menunjukan bahwa hipoteis 1 didukung. Artinya secara statistik
dapat disimpulkan bahwa dalam penelitian ini perceived ease of use
mempunyai pengaruh yang signifikan pada perceived usefulness. Jadi
semakin mudah pengguna (user) yang dalam hal ini mahasiswa
berinteraksi dengan e-learning maka semakin tinggi potensi kegunaan e-
learning tersebut. Untuk itu, pihak instansi perlu membuat desain yang
minimalis, mudah dimengerti tetapi tidak meninggalkan unsur
kecanggihan dan keunggulan sehingga kemanfaatan dari e-learning dapat
dirasakan oleh mahasiswa.
Didukungnya hipotesis 1 dalam studi pada mahasiswa Fakultas
Ekonomi UNS ini konsisten dengan penelitian sebelumnya oleh Masrom
(2006), Al-Ammari dan Hamad (2007), Jung et al., (2008) bahwa terdapat
75
pengaruh yang kuat antara perceived ease of use pada perceived
usefulness.
2. Hipotesis II : perceived ease of use berpengaruh signifikan pada
attitude toward using.
Hipotesis ini bertujuan untuk menguji apakah perceived ease of use
mempunyai pengaruh yang signifikan pada attitude toward using.
Berdasarkan hasil analisis pada tabel IV.16 didapatkan hasil C.R.
perceived ease of use pada attitude toward using sebesar 2,092 dan
probabilitas sebesar 0,036. Nilai C.R. perceived ease of use pada attitude
toward using lebih dari 1,98, maka menujukan bahwa hipoteis II
didukung. Artinya secara statistik dapat disimpulkan bahwa dalam
penelitian ini perceived ease of use berpengaruh positif pada attitude
toward using. Jadi hal ini mengindikasikan bahwa semakin tinggi tingkat
kemudahan penggunaan fasilitas e-learning bagi mahasiswa, maka
mahasiswa akan bersikap menerima/ menggunakan fasilitas e-learning
tersebut untuk membantu memenuhi tugas-tugas perkuliahan. Untuk itu,
pihak instansi perlu membuat desain yang minimalis, mudah dimengerti
tetapi tidak meninggalkan unsur kecanggihan dan keunggulan sehingga
sikap dari mahasiswa dapat menerima kehadiran e-learning.
Didukungnya hipotesis II dalam studi pada mahasiswa Fakultas
Ekonomi UNS ini konsisten dengan penelitian sebelumnya oleh Masrom
(2006), Jung et al., (2008) bahwa terdapat pengaruh yang kuat antara
perceived ease of use pada attitude toward using.
76
3. Hipotesis III : perceived usefulness berpengaruh signifikan pada
attitude toward using
Hipotesis ini bertujuan untuk menguji apakah perceived usefulness
berpengaruh positif terhadap attitude toward using. Berdasarkan hasil
analisis pada tabel IV.16 didapatkan hasil C.R. perceived usefulness pada
attitude toward using sebesar 2,054 dan probabilitas sebesar 0,040. Nilai
C.R. perceived usefulness pada attitude toward using lebih dari 1,98,
maka menunjukan bahwa hipoteis III didukung. Artinya secara statistik
dapat disimpulkan bahwa dalam penelitian ini . perceived usefulness
berpengaruh positif pada attitude toward using. Jadi hasil pengujian
mengindikasikan bahwa semakin tinggi kemanfaatan/ kegunaan dari
fasilitas e-learning bagi mahasiswa, maka mahasiswa akan bersikap
menggunakan/ menerima fasilitas e-learning tersebut untuk membantu
memenuhi tugas-tugas perkuliahan. Untuk itu, pihak instansi perlu
menambahkan fitur-fitur baru sehingga kemanfaatan dari e-learning dapat
dirasakan mahsiswa dan pada akhirnya penerimaaan akan teknologi
tersebut tercapai.
Didukungnya hipotesis III dalam studi pada mahasiswa Fakultas
Ekonomi UNS ini konsisten dengan penelitian sebelumnya oleh Masrom
(2006), Marie-Louise L. Jung et al (2008), dan Hu, Cau, sheng and Tam
(1999) bahwa terdapat pengaruh yang kuat antara perceived usefullness
pada attitude toward using.
77
4. Hipotesis IV : perceived usefulness berpengaruh signifikan pada
behavioural intention to use
Hipotesis ini bertujuan untuk menguji apakah perceived usefulness
berpengaruh positif terhadap behavioural intention to use. Berdasarkan
hasil analisis pada tabel IV.16 didapatkan hasil C.R. perceived usefulness
pada behavioural intention to use sebesar 3,453 dan probabilitas sebesar
0,001. Nilai C.R. perceived usefulness pada behavioural intention to use
lebih dari 1,98, maka menunjukan bahwa hipoteis IV didukung. Artinya
secara statistik dapat disimpulkan bahwa dalam penelitian ini . perceived
usefulness berpengaruh pada behavioural intention to use. Jadi hasil
pengujian ini mengindikasikan bahwa semakin tinggi kemanfaatan dari
fasilitas e-learning maka minat untuk menggunakan untuk menggunakan
fasilitas e-learning tersebut akan semakin tinggi. Untuk itu, pihak instansi
perlu membuat desain yang minimalis, mudah dimengerti tetapi tidak
meninggalkan unsur kecanggihan dan keunggulan sehingga kemanfaatan
dari e-learning dapat dirasakan oleh mahasiswa dan pada akhirnya minat
untuk menggunakan teknologi e-learning secara terus menerus akan
tercapai.
Didukungnya hipotesis IV dalam studi pada mahasiswa Fakultas
Ekonomi UNS ini konsisten dengan penelitian sebelumnya oleh Masrom
(2006), Jung et al (2008), Hu, Cau, sheng and Tam (1999), dan Al-
Ammari dan Hamad (2007) bahwa terdapat pengaruh yang kuat antara
perceived usefulness pada behavioural intention to use.
78
5. Hipotesis V : attitude toward using berpengaruh signifikan pada
behavioural intention to use
Hipotesis ini bertujuan untuk menguji apakah attitude toward using
berpengaruh signifikan pada behavioural intention to use. Berdasarkan
hasil analisis pada tabel IV.16 didapatkan hasil C.R. attitude toward using
pada behavioural intention to use sebesar 2,195 dan probabilitas sebesar
0,028. Nilai C.R. attitude toward using pada behavioural intention to use
lebih dari 1,98 dan probabilitasnya lebih besar dari 0,05, maka menujukan
bahwa hipoteis V didukung. Artinya secara statistik dapat disimpulkan
bahwa dalam penelitian ini, attitude toward using berpengaruh positif
pada behavioural intention to use. Jadi hasil pengujian ini
mengindikasikan bahwa semakin tinggi sikap penerimaan terhadap
teknologi e-learning maka dengan sikap penerimaan dari mahasiswa
tersebut akan menjadikan minat/ perhatian untuk tetap terus menggunakan
e-learning.
Didukungnya hipotesis V dalam studi pada mahasiswa Fakultas
Ekonomi UNS ini konsisten dengan penelitian sebelumnya Jung et al.,
(2008), dan Hu, Cau, sheng and Tam (1999) bahwa terdapat pengaruh
yang kuat antara attitude toward using pada behavioural intention to use.
79
BAB V
KESIMPULAN DAN SARAN
Pada bagian ini akan dipaparkan kesimpulan dan saran sebagai bagian
akhir dari penelitian ini. Kesimpulan ini didasarkan pada hasil analisis data yang
telah dilakukan dan akan menjawab permasalahan yang telah dirumuskan
sebelumnya sesuai dengan tujuan penelitian ini. Selain kesimpulan akan
disertakan saran-saran yang diharapkan berguna bagi semua pihak yang
berkepentingan.
1. Kesimpulan
Penelitian ini merupakan replikasi penelitian yang dilakukan oleh
Masrom (2006) berdasarkan model penerimaan teknologi yang diperkenalkan
oleh Davis (1989). Jumlah kuesioner yang diterima sebanyak 120 dan hanya
107 yang dapat diolah. Berikut adalah tabel hasil ringkasan dari analisis
deskriptif :
Tabel V.1 Rangkuman Hasil Deskriptif Responden
Jenis Keterangan Jumlah Prosentse
Umur 19 tahun 55 orang 51,4 %
Jenis Kelamin Perempuan 56 orang 52,3 %
Program
Pendidikan
SI Manajemen 74 orang 69,2 %
Frekuensi
Penggunaan
Cukup sering 43 orang 40,2 %
Sumber : Data primer diolah (2009)
80
Hasil pengujian goodness-of-fit atas model yang diajukan
menunjukkan hasil yang baik. Berdasarkan penelitian yang telah dilakukan
pada mahasiswa SI di Fakultas Ekonomi Universitas Sebelas Maret, mengenai
pengujian Model Penerimaan Tekonologi E-learning, maka dapat diambil
kesimpulan-kesimpulan sebagai berikut :
a Hasil pengujian hipotesis pertama menunjukan bahwa persepsi
kemudahan penggunaan (perceived ease of use) e-learning berpengaruh
secara signifikan pada persepsi kegunaan (perceived usefulness),
sehingga hipotesis 1 didukung didalam penelitian ini. Hasil ini
konsisten dengan hasil penelitian dari Masrom (2006) dalam penelitian
penerimaan teknologi e-learning. Jadi semakin mudah pengguna (user)
yang dalam hal ini mahasiswa berinteraksi dengan e-learning maka
semakin tinggi potensi kegunaan e-learning tersebut.
b Hasil pengujian hipotesis kedua dan hipotesis ketiga menunjukan bahwa
persepsi kemudahan penggunaan (perceived ease of use) dan persepsi
kegunaan (perceived usefulness) e-learning berpengaruh secara
signifikan pada sikap terhadap penggunaan (attitude toward using),
sehingga hipotesis 2 dan 3 didukung didalam penelitian ini. Hasil ini
konsisten dengan hasil penelitian yang dilakukan oleh penelitian
sebelumnya oleh Masrom (2006). Hasil penelitian mengindikasikan
bahwa semakin tinggi kemudahan dan kemanfaatan fasilitas e-learning
bagi mahasiswa, maka mahasiswa akan bersikap menggunakan fasilitas
e-learning tersebut untuk membantu memenuhi tugas-tugas perkuliahan.
81
c Hasil pengujian hipotesis keempat menunjukan bahwa persepsi
kegunaan (perceived usefulness) e-learning berpengaruh secara
signifikan pada minat/ keinginan untuk menggunakan (behavioural
intention to use ), sehingga hipotesis 4 didukung didalam penelitian ini.
Hasil ini konsisten dengan hasil penelitian yang dilakukan oleh beberapa
penelitian sebelumnya oleh Masrom (2006). Hasil penelitian
mengindikasikan bahwa semakin tinggi kemanfaatan dari fasilitas e-
learning maka minat untuk menggunakan untuk menggunakan fasilitas
e-learning tersebut akan semakin tinggi.
d Hasil pengujian hipotesis kelima menunjukan bahwa sikap untuk
mengunakan e-learning berpengaruh secara signifikan pada minat/
keinginan untuk menggunakan, sehingga hipotesis 5 didukung didalam
penelitian ini. Hasil ini konsisten dengan hasil penelitian yang dilakukan
oleh beberapa penelitian sebelumnya oleh Hu, Cau, sheng and Tam
(1999). Hasil penelitian mengindikasikan bahwa pengguna mempunyai
sikap menerima atau menyukai ide adanya e-learning maka dengan
sikap penerimaan dari mahasiswa tersebut akan menjadikan minat/
perhatian untuk tetap terus menggunakan e-learning.
82
2. Keterbatasan
Beberapa keterbatasan yang ditemukan penelitian ini adalah sebagai
beikut :
a penelitian ini dilakukan dengan mengambil responden hanya
mahasiswa Fakultas Ekonomi sehingga belum cukup untuk mewakili
dari populasi yang ada dan kemampuan untuk untuk memberikan
generalisasi teori secara empiris terkait dengan fenomena baru yang
ditemukan belum bisa dibuktikan terutama dalam penerimaan
teknologi.
b Penelitian ini menggunakan data primer. Sehingga olahan dan
analisis data berdasarkan pada persepsi jawaban responden melalui
kuesioner. Banyak faktor ekstenal yang mempengaruhi independensi
responden terhadap pengisian kuesioner
c Responden yang mnejawab tidak dapat dipantau satu persatu dengan
cermat.
3. Rekomendasi
a Penelitian berikutnya diharapkan dapat menambah jumlah sampel
dan karakteristik responden yang lebih meluas sehingga fenomena-
fenomena yang terkait dengan penerimaan teknologi dapat
diidentifikasi.
b Penelitian tentang perilaku pengguna terhadap penerimaan teknologi
menggunakan TAM dapat dikembangkan lebih lanjut dengan
mengkombinasi teori lain dari bidang ilmu sosial, ekonomi, psikologi
atau bidang ilmu lainnya.
83
c Obyek yang dapat diteliti untuk penelitian lainnya dengan
Technology Acceptance Model (TAM) dapat lebih beragam, mulai
dari teknologi informasi yang meliputi perangkat keras (jaringan,
input/output device), perangkat lunak (sistem informasi, aplikasi,
bahasa pemrograman dan perlu ada faktor tambahan untuk
dimasukan dalam model seperti karakteristik pengguna, pengalaman
pengguna.
4. Implikasi
a Implikasi Teoritis
Penelitian ini memberikan bukti empiris bahwa dalam model
penerimaan teknologi e-learning pada mahasiswa perceived
usefulness (persepsi kegunaan) mempunyai pengruh paling kuat pada
behavioural intention to use (minat/ keinginan untuk menggunakan).
Ketika mahasiswa benar-benar mearasakan manfaat atau kegunaan
dari e-learning ini maka mahasiswa akan berniat/ berkeinginan untuk
tetap menggunakannya.
Selain itu perlu pengujian kembali pada pengaruh perceived
ease of use (persepsi kemudahan penggunaan) terhadap behavioural
intention to use (minat/ keinginan untuk menggunakan) karena pada
penelitian-penelitian sebelumnya menguji hubungan tersebut.
84
b Implikasi Praktis
Hasil penelitian ini yang menyatakan bahwa penerimaan
teknologi untuk individu satu ke individu yang lain atau organisasi
satu ke organisasi yang lain berbeda-beda. Untuk itu prlu pengujian
melalui penelitian yang menguji konstruk dan dimensi-dimensi
penerimaan teknologi berdasarkan kerangka kerja yang dikemukakan
oleh Masrom (2006).
Harapannya adalah hasil penelitian ini dapat digunakan untuk
memprediksi tingkat adopsi teknologi instansi sehingga dapat
membantu pengambilan keputusan mengenai keputusan investasi dan
keputusan strategis terhadap pemakaian teknologi informasi dan
lebih jauh lagi manipulasi manajerial seperti desain sistem dan
pelatihan baik perorangan atau untuk organisasi.
85
DAFTAR PUSTAKA
Adams, D.S., R.R. Nelson, and P.A. Todd. 1992. Perceived Usefulness, Perceived Ease of Used, and Usage of Information Technology: A Replication. MIS Quarterly, 16 (2), pp: 227-247. http://www.misq.org/archivist/
Agarwal, R. and Karahanna. E. 2000. Time Flies when you Having fun: Cognitive
absorption and beliefs about information technology usage. MIS Quaterly, 24(4) : 665-694
Al-Ammari, Jafflah. DR and Hammad, Sharifa. MS. 2007. Factors Influencing
The Adoption Of E-Learning At Uob. Bahrain : University of Bahrain Alavi, M. & Leidner, D.E. (2001). Research commentary: technology-mediated
learning-a call for greater depth and breadth of research. Information Systems Research, 12,1-10.
ANTA. (2003). Definition of key terms used in e-learning (version 1.00).
Retrieved 7 October, 2009, from http://www.flexiblelearning.net.au/guides/keyterms.pdf
Basori. ( ). Mengapresiasi E-learning Berbasis Moodle. UNS : Fakultas IKIP. Chin,W.W. and Todd,P. 1995. On the use usefulness, ease of use of structural
equation modeling in MIS Reseach; A note of coution, MIS Quarterly, 13 (3), 319-340
Davis FD.1989.“ Perceived Usefullness, Perceived ease of use of Information
Technology ”.Management Information System Quarterly, 21(3) Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. 1989. User Acceptance of
Computer Technology: A Comparison of Two Theoretical Models. Management Science, 35, pp. 982-1003
Dasgupta, S., Granger, M. & Mcgarry, N. (2002). User acceptance of e-
collaboration technology: an extension of the technology acceptance model, Group Decision and Negotiation, 11, 87-100.
Ferdinand, A., 2002. Structural Equation Modelling dalam Penelitian
Manajemen. Semarang : BP UNDIP. Fishbein, M. & Ajzen, I. (1975), Belief, attitude, intention and behavior: an
introduction to theory and research. Reading, MA: Addison-Wesley. Gilbert, & Jones, M. G. (2001). E-learning is e-normous. Electric Perspectives, 26(3), 66-82.
86
Ghozaly, Imam Prof. Dr. H. (2002). Aplikasi Analisis Multivariat dengan Program SPSS. Semarang: Badan Penerbit Universitas Diponegoro.
Ghozaly, Imam. 2004. Model Persamaan Struktural: Konsep dan aplikasi dengan
program AMOS ver. 5.0. Semarang: Badan Penerbit Universitas Diponegoro
Hu, P, Chau, P, Tam, K. Examining the technology acceptance model using
physician acceptance of telemedicine technology, Journal of Management Information Systems, 1999; 16;2, 91-112.
Hong, W., Ton, J.Y.L., Wong, W.M., & Tam.K.Y. 2002. Determinats of User
Acceptance of Digital Linraries: An Empirical Examination of Individual Differences and System Characteristic. Journal of Management Information System, 18(3): 97-124
Huang,M; D’Ambra; Bhalla. 2002. “E-goverments reference: reference
experiences and attitudes”, Journal of the American Society for Information Science and Technology, Vol. 53 No.7,pp. 549-66
Hair, J.T.; Anderson, R.E.; Tatham, R.L.; and Black, W.C. Multivariate Data
Analysis with Readings, 3d ed. New York: Macmillan. 1992. Igbaria M,.1994. “An Examination of the factors contributing to Micro Computer
techenology acceptance ”. Journal of Information system,Elsiever Science, USA
ILRT. (2005). Institute for learning & research technology of Bristol University.
Retrieved 7 October 2005, from http://www.ilrt.bris.ac.uk/projects/elearning
Jenkins, M. & Hanson, J. (2003). E-learning series: A guide for senior managers,
Learning and Teaching Support Network (LSTN) Generic Centre, United Kingdom.
Jung, Marie-Louise. 2008. E-Learning: Investigating University Student's
Acceptance of Technology. Sweden : Luleå University of Technology, Luleå
Leidner, D.E. & Jarvenpaa, S.L. (1993). The information age confronts education:
case studies on electronic classrooms, Information Systems Research, 4, 24-55.
Masrom, Maslin. (2006). Technology Acceptance Model and E-learning.
University Brunei Darussalam : 12th International Conference on Education, Sultan Hassanal Bolkiah Institute of Education
87
Milchrahm, Elisabeth (2003), “Modelling the Acceptance of Information Technology(online)<http://www.inforum.cz/inforum2003/prispevky/milchrahm_elisabeth.pdf
Nasution, Fahmi N. 2000. Penggunaan Teknologi Informasi Berdasarkan Aspek
Prilaku. USU : Digital Library dari http://www.library.usu.ac.id/akuntansi-fahmi.pdf.
Oos M. Anwas, Model Inovasi E-Learning Dalam Meningkatkan Mutu
Pendidikan, Jurnal Teknodik, Edisi No.12/VII/Oktober/2003. Rosenberg, Marc J. (2000). The E-Learning Readiness Survey. From
http://www.ucalgary.ca/srmccaus/eLearning_Survey.pdf Rosenberg, Marc J. (2006). What Lies Beyond E-Learning?. Retrieved 7 july 2009
from: http://www.learningcircuits.org/2006/March/ Sekaran, Uma. 2006. Research Methode for Bussines: Metode Penelitian untuk
Bisnis, Edisi 4. Jakarta: Salemba Empat Suhendra, Susi dan Meliawati, Yusye. (2008). Determinan Penggunaan
Peristakaan Digital. Jakarta : Universitas Gunadarma Sohn, B. (2005). E-learning and primary and secondary education in Korea.
KERIS Korea Education & Research Information Service, 2(3), 6-9. Thompson Ronald, Howell, Higgins,.1991. “Personal Computing: Toward a
conceptual Model of Utilization ”. Management Information System Quarterly, 21(3)
Taylor, S. and Todd, P.A. (1995). Understanding Information Technology Usage:
A Test of Competing Models. Information Systems Research, 6 (2), 144-176.
Urdan, T. A., & Weggen, C. C. (2000). Corporate e-learning: Exploring a new
frontier. Retrieved 17 October 2005, Fromhttp://www.spectrainteractive.com/pdfs/CorporateELearingHamrecht.pdf
Vekantesh, Vishvanath dan Fred D. Davis. 2000. “A Theorical Extention of the
Technology Acceptance Model: Four Longitudinal Field Studies”. Dalam Management Science Vol. VI No. 42, February. p. 186-204.
Wahyudi, Lilik. 2006. Model Penerimaan Teknologi di Perguruan Tinggi.
Fakultas Ekonomi Universitas sebelas Maret. Fokus Manajerial Vol. 4, No. 2 : 196 – 2009
88
( ). Teknologi Informasi, Inovasi bagi Dunia Pendidikan. Dariwww.uny.ac.id/akademik/sharefile/files/222.124.21.201_03042007134933
89
LAMPIRAN
GAMBARAN TENTANG E-LEARNING FE UNS MENU DAFTAR MATA KULIAHKU DESKRIPSI MATA KULIAH
90
MENU KUIS MENU DOKUMEN
91
MENU PENGUMUMAN MENU AGENDA
92
MENU PUBLIKASI SISWA MENU FORUM
93
MENU USER
94
Responden yang terhormat,
Terima kasih atas kesediaan anda mengisi kuesioner ini. Pengisian
kuesioner ini semata-mata ditujukan untuk kepentingan penelitian ilmiah.
Jawablah dengan memberi tanda silang (X) atau contreng (V) pada kolom yang
sudah disediakan. Tidak ada jawaban yang dianggap benar atau salah dalam
pengisian kuesioner. Mohon kesediaan anda untuk menjawab seluruh pertanyaan
tanpa ada yang kosong. Jawaban anda akan sangat membantu dalam penelitian ini.
Sekali lagi saya ucapkan terima kasih atas pengisian kuesioner ini.
NAMA :
Jenis Kelamin :
Usia : Jurusan : Seberapa sering anda menggunakan e-learning : Ket :
SS : Sangat Setuju
S : Setuju
N : Netral
TS : Tidak Setuju
STS : Sangat Tidak Setuju
C : Cukup
J : Jarang
TP : Tidak Pernah
Ep Akt Mnj
Pria Wanita
TP J C S SS
95
1. Persepsi Kemudahan Penggunaan (Perceived Ease of Use) (PEOU) No Kode Ket. SS S N TS STS 1 EASE 1 Saya merasa e-learning mudah
digunakan
2 EASE 2 Saya merasa e-learning mudah untuk dipelajari
3 EASE 3 e-learning jelas dan mudah dipahami
4 EASE 4 Mudah bagi saya untuk mendapatkan informasi di e-learning
2. Persepsi Kegunaan (Perceived Usefulness) (PU) No Kode Ket. SS S N TS STS 1 USE 1 Penggunaan e-learning
mempertinggi efektivitas saya dalam belajar
2 USE 2 Penggunaan e-learning menjadikan pekerjaan/ tugas perkuliahan lebih mudah
3 USE 3 penggunaan e-learning meningkatkan produktivitas tugas perkuliahan saya
4 USE 4 Saya merasa e-learning berguna/bermanfaat
3. Sikap terhadap Penggunaan (Attitude Toward Using) (ATTITUDE) No Kode Ket. SS S N TS STS 1 ATT 1 Saya menyukai ide penggunaan
e-learning
2 ATT 2 Saya senang menggunakan e-learning
3 ATT 3 Saya percaya bahwa menggunakan e-learning ide baik untuk tugas perkuliahan saya
4 ATT 4 Penggunaan e-learning adalah ide yang bagus
96
4. Maksud Untuk Menggunakan (Intention to Use) (ITU) No Kode Ket. SS S N TS STS 1 ANT 1 Saya berkeinginan/ bermaksud
untuk menggunakan e-learning selama perkuliahan
2 ANT 2 Saya akan berkeinginan/ bermaksud menggunakan e-learning lagi
3 ANT 3 Saya bermaksud/ berkeinginan meningkatkan penggunaan e-learning untuk memenuhi tugas perkuliahan
1
NO PRODI USIA JEN_KEL TKT_GUNA PEOU1 PEOU2 PEOU3 PEOU4 PU1 PU2 PU3 PU4 ATU1 ATU2 ATU3 ATU4 BITU1 BITU2 BITU3
1 1 19 1 2 5 4 4 4 3 4 4 4 3 4 4 3 2 2 2 2 3 19 1 3 4 4 4 4 3 4 4 4 3 4 3 3 1 2 1 3 1 20 2 3 4 4 4 4 4 3 4 3 4 4 4 4 2 2 1 4 2 19 1 2 5 4 4 4 4 3 4 4 3 3 5 4 3 3 3 5 1 21 1 3 5 4 4 4 4 3 4 3 3 4 3 3 2 1 1 6 2 19 2 3 5 5 5 5 5 5 4 4 5 5 5 5 4 4 3 7 1 19 1 3 5 5 5 5 5 4 4 5 4 5 4 4 4 3 3 8 3 19 1 2 5 5 4 4 4 3 4 4 4 5 3 4 3 3 2 9 1 20 1 2 5 4 5 4 4 4 4 4 3 4 4 4 3 3 3
10 1 21 2 3 5 4 4 5 5 4 4 4 4 5 3 5 4 3 4 11 2 19 1 3 5 4 4 4 5 4 4 4 3 5 5 4 3 3 4 12 2 19 2 4 5 5 4 4 4 3 4 3 3 4 2 3 2 2 1 13 1 21 2 3 5 5 4 4 4 3 4 3 3 3 4 3 3 3 3 14 1 19 1 3 4 4 4 4 4 3 3 4 4 4 3 4 2 2 3 15 1 19 2 3 5 4 4 4 4 3 4 4 4 4 4 3 3 3 2 16 3 20 1 4 5 4 4 4 4 4 4 4 4 4 3 3 2 1 1 17 3 20 2 3 4 5 4 4 3 3 4 4 3 4 2 3 3 3 3 18 1 19 2 3 3 4 4 3 4 3 4 3 3 4 3 3 2 3 2 19 3 19 1 4 4 4 4 3 4 4 4 3 4 4 2 3 3 2 3 20 1 22 1 4 5 4 4 3 3 3 4 3 4 4 3 4 2 2 3 21 1 22 2 3 4 4 4 3 4 3 4 4 4 3 3 3 2 1 2 22 1 19 2 4 4 4 4 3 3 4 4 4 3 4 3 3 3 2 2 23 1 20 2 4 4 4 4 4 3 3 3 3 3 4 2 3 2 2 2 24 1 19 2 3 5 5 4 4 4 4 4 4 5 4 5 4 4 4 4 25 1 22 2 4 4 5 4 4 4 3 4 3 3 5 3 5 3 3 3 26 3 19 1 4 4 4 4 4 4 3 3 4 3 4 3 3 3 2 2 27 1 19 1 4 4 5 4 4 4 3 3 4 3 4 5 3 2 2 1 28 1 19 2 3 4 4 4 4 4 3 4 3 3 5 4 3 2 2 2
2
29 1 22 1 4 5 5 5 5 4 4 4 5 4 5 4 4 4 3 4 30 1 19 2 4 4 4 4 4 4 4 4 4 3 4 3 4 2 2 2 31 1 22 1 4 4 4 4 4 4 3 4 3 4 4 4 3 2 1 1 32 1 19 2 3 4 4 4 4 2 3 2 3 2 4 4 2 3 3 3 33 2 19 1 4 5 4 4 5 4 3 3 3 4 5 5 3 2 2 3 34 1 19 2 3 3 4 4 5 3 4 3 4 4 3 2 4 2 3 2 35 2 22 1 3 4 4 4 5 3 4 2 4 3 4 4 3 2 2 2 36 1 19 2 4 5 5 5 5 4 5 4 5 5 3 5 5 4 4 4 37 2 19 1 4 5 4 4 4 3 4 3 3 3 4 4 4 1 1 2 38 1 22 2 4 3 3 3 3 2 2 2 2 2 3 3 3 2 3 1 39 2 19 1 3 4 4 4 4 3 3 4 4 3 4 3 3 2 2 2 40 2 19 1 4 4 4 4 4 4 3 4 4 4 4 3 4 3 2 1 41 1 19 2 4 4 3 4 3 2 3 3 3 2 3 3 3 2 2 2 42 1 20 1 3 4 3 4 3 3 3 3 3 2 4 3 2 1 1 1 43 1 22 2 2 4 4 4 4 4 4 4 4 3 4 4 3 2 2 3 44 1 20 1 3 3 4 3 4 4 4 4 4 3 4 4 3 2 1 1 45 1 19 1 4 4 4 4 3 4 3 4 3 4 4 4 4 3 3 3 46 1 19 2 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 2 47 1 20 1 3 4 4 4 4 2 3 2 3 3 4 3 3 3 2 2 48 1 19 2 2 5 5 5 4 4 3 3 3 3 4 4 4 3 3 2 49 1 22 1 4 5 4 4 5 2 2 1 2 4 4 4 4 1 1 1 50 1 19 2 3 5 4 4 4 2 3 2 4 3 4 4 4 2 2 2 51 1 19 1 4 4 5 5 4 3 3 3 3 4 4 4 4 2 3 2 52 3 19 1 2 5 4 5 4 2 2 2 2 3 3 3 3 3 3 2 53 1 20 2 3 4 4 4 4 2 3 3 3 3 4 4 3 2 3 1 54 1 20 1 4 3 4 4 4 3 4 2 2 3 3 3 3 2 2 1 55 1 20 2 4 5 4 4 4 2 3 2 3 3 4 4 4 3 3 2 56 3 20 1 2 4 5 4 4 2 3 2 2 2 4 4 4 3 2 3 57 1 19 2 4 4 4 4 3 3 3 3 3 2 4 4 3 2 3 3
3
58 1 20 1 2 4 4 4 4 2 3 2 3 3 4 4 4 2 3 2 59 1 19 1 4 4 4 3 4 2 2 2 2 2 2 3 3 2 2 1 60 1 19 2 2 5 4 4 4 3 2 3 4 3 3 4 4 3 3 2 61 1 19 2 3 5 4 4 4 4 3 2 3 4 4 4 4 2 2 2 62 1 20 2 3 4 3 4 4 3 3 3 3 3 3 4 4 3 2 1 63 1 19 1 4 5 4 4 3 4 3 4 3 4 3 4 3 2 2 3 64 1 22 2 4 4 3 4 4 2 2 2 2 2 2 3 3 1 2 1 65 1 20 1 2 4 3 4 4 3 3 2 3 2 3 4 4 3 2 2 66 1 22 1 3 4 4 3 4 3 3 3 4 3 4 4 3 2 3 2 67 3 19 2 2 4 4 4 4 4 3 2 3 4 4 3 3 3 3 2 68 1 19 1 4 5 4 5 4 4 4 2 3 3 3 4 4 2 2 2 69 1 19 2 2 4 4 4 4 3 4 3 3 2 4 3 3 2 2 1 70 2 20 2 3 4 5 4 4 4 4 3 3 4 3 3 5 2 3 1 71 1 21 2 3 4 4 3 4 2 3 3 3 3 3 4 4 3 2 2 72 1 21 1 3 4 4 4 4 2 4 2 4 2 3 5 3 2 2 2 73 1 19 2 2 4 5 4 5 2 3 2 3 3 3 3 3 2 1 2 74 1 20 1 4 5 4 5 4 3 4 2 3 2 3 4 4 3 2 2 75 1 19 1 3 5 4 4 4 2 3 2 4 1 3 3 3 2 3 2 76 1 20 2 2 5 4 4 4 3 4 4 4 3 4 4 4 2 3 2 77 2 21 2 4 4 3 4 3 3 3 3 3 4 3 4 4 3 2 2 78 1 19 1 4 5 4 4 4 4 3 4 4 3 3 3 3 2 2 2 79 3 21 2 3 5 4 4 4 3 4 2 3 4 4 4 4 2 3 2 80 2 22 1 2 2 2 2 1 4 4 3 3 4 3 3 5 3 3 3 81 2 19 2 4 4 4 3 4 4 3 4 3 2 3 2 2 3 2 3 82 1 21 2 3 2 2 2 1 2 3 3 3 4 4 4 5 2 2 2 83 2 22 1 2 5 4 5 4 2 4 3 3 2 4 4 4 2 3 2 84 3 21 2 3 4 4 5 4 3 3 3 3 3 4 4 4 2 1 2 85 2 20 1 3 4 5 5 4 2 3 3 3 3 4 4 4 3 2 3 86 1 19 2 4 5 5 5 5 2 3 2 2 4 4 4 4 1 2 1
4
87 2 21 2 2 5 4 4 4 2 3 2 3 5 5 5 5 2 2 2 88 2 21 1 2 4 4 4 4 3 3 2 3 4 4 4 4 2 2 1 89 1 21 1 4 4 4 3 4 3 3 3 2 4 4 4 4 2 1 1 90 2 19 2 2 5 4 4 4 4 4 3 3 4 4 4 4 2 2 2 91 1 19 2 3 4 4 4 4 3 3 3 4 4 4 4 3 3 3 2 92 2 19 1 2 4 4 4 4 3 4 4 4 5 5 5 5 2 1 2 93 1 21 2 4 3 3 2 2 3 3 4 4 2 3 3 3 3 1 1 94 1 19 2 3 4 4 4 4 3 3 3 3 3 4 4 4 1 2 2 95 1 19 2 4 5 5 5 5 4 4 5 5 5 4 5 5 3 3 4 96 1 21 1 3 4 5 4 5 2 3 2 3 4 4 4 4 2 2 4 97 1 19 2 4 4 5 4 4 3 3 2 3 4 4 4 5 1 2 2 98 1 21 1 3 5 4 5 4 3 3 3 3 4 4 4 4 2 4 3 99 1 20 1 2 5 4 5 4 4 4 4 4 3 4 4 4 3 3 3
100 2 19 2 2 5 4 4 4 4 4 3 3 4 4 4 4 2 2 2 101 1 20 2 4 4 4 4 4 3 3 3 3 3 4 2 3 2 2 2 102 2 21 2 2 4 4 4 4 3 3 2 3 4 4 4 5 2 2 1 103 1 19 2 4 4 4 4 4 4 4 4 4 3 4 3 4 2 2 2 104 1 19 2 3 4 4 4 4 3 3 3 4 4 4 4 4 3 3 2 105 2 19 1 3 4 4 4 4 3 3 4 4 3 4 3 3 2 2 2 106 1 21 2 3 4 4 4 4 2 3 3 3 4 4 4 4 2 2 2 107 1 20 1 2 4 4 4 4 2 3 2 3 3 4 4 3 2 3 2
5
Factor Analysis
Communalities
1.000 .621
1.000 .658
1.000 .703
1.000 .746
1.000 .695
1.000 .455
1.000 .793
1.000 .609
1.000 .678
1.000 .445
1.000 .528
1.000 .742
1.000 .720
1.000 .722
1.000 .660
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT2
ATT3
ATT4
BITU1
BITU2
BITU3
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
4.602 30.682 30.682 4.602 30.682 30.682 2.815 18.764 18.764
2.232 14.881 45.563 2.232 14.881 45.563 2.808 18.719 37.483
1.514 10.095 55.658 1.514 10.095 55.658 2.081 13.870 51.353
1.427 9.511 65.169 1.427 9.511 65.169 2.072 13.815 65.169
.854 5.696 70.865
.708 4.720 75.584
.676 4.506 80.090
.559 3.728 83.818
.459 3.062 86.880
.431 2.877 89.757
.399 2.657 92.413
.357 2.380 94.794
.322 2.146 96.939
.267 1.777 98.716
.193 1.284 100.000
Component1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
6
Component Matrixa
.572 .486
.616 .446
.585 .553
.505 .637
.601 -.473
.586
.490 -.628
.631
.558 .441 .412
.532
.429 .504
.459 .706
.552 -.543
.488 -.662
.653 -.433
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT2
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis.
4 components extracted.a.
Rotated Component Matrixa
.764
.777
.813
.857
.817
.584
.878
.712
.746
.421 .440
.656
.839
.789
.830
.718
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT2
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 5 iterations.a.
7
Component Transformation Matrix
.544 .574 .440 .425
.734 -.635 -.206 .130
-.407 -.373 .209 .807
.005 .360 -.849 .388
Component1
2
3
4
1 2 3 4
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Communalities
1.000 .627
1.000 .654
1.000 .705
1.000 .747
1.000 .709
1.000 .495
1.000 .791
1.000 .617
1.000 .672
1.000 .537
1.000 .769
1.000 .721
1.000 .734
1.000 .671
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT3
ATT4
BITU1
BITU2
BITU3
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
4.368 31.199 31.199 4.368 31.199 31.199 2.778 19.840 19.840
2.232 15.944 47.143 2.232 15.944 47.143 2.683 19.164 39.004
1.513 10.804 57.947 1.513 10.804 57.947 2.063 14.738 53.742
1.338 9.560 67.507 1.338 9.560 67.507 1.927 13.765 67.507
.827 5.905 73.412
.679 4.852 78.264
.587 4.192 82.456
.469 3.353 85.809
.439 3.139 88.948
.407 2.904 91.851
.358 2.560 94.412
.323 2.306 96.718
.267 1.904 98.622
.193 1.378 100.000
Component1
2
3
4
5
6
7
8
9
10
11
12
13
14
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
8
Component Matrixa
.582 .486
.613 .446
.595 .553
.505 .637
.597 -.473
.588
.483 -.628
.635
.535 .401 .471
.423 .498
.453 .691
.576 -.508
.512 -.629
.664 -.414
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis.
4 components extracted.a.
Rotated Component Matrixa
.769
.778
.816
.859
.826
.611
.877
.721
.737
.667
.861
.789
.838
.732
PEOU1
PEOU2
PEOU3
PEOU4
PU1
PU2
PU3
PU4
ATT1
ATT3
ATT4
BITU1
BITU2
BITU3
1 2 3 4
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 5 iterations.a.
9
Component Transformation Matrix
.556 .561 .472 .393
.730 -.640 -.204 .126
-.398 -.389 .280 .782
.003 .353 -.811 .467
Component1
2
3
4
1 2 3 4
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
10
Reliability ****** Method 1 (space saver) will be used for this analysis ****** _ R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) 1. PEOU1 2. PEOU2 3. PEOU3 4. PEOU4 N of Statistics for Mean Variance Std Dev Variables SCALE 16.3084 4.3096 2.0760 4 Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted PEOU1 12.0280 2.5181 .6314 .8160 PEOU2 12.2336 2.6713 .6620 .8012 PEOU3 12.2804 2.6188 .7029 .7846 PEOU4 12.3832 2.4084 .7006 .7837 Reliability Coefficients N of Cases = 107.0 N of Items = 4 Alpha = .8392
Reliability ****** Method 1 (space saver) will be used for this analysis ****** _ R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) 1. PU1 2. PU2
11
3. PU3 4. PU4 N of Statistics for Mean Variance Std Dev Variables SCALE 12.9907 5.7075 2.3890 4 Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted PU1 9.7664 3.0298 .6605 .7322 PU2 9.7009 4.0984 .5157 .7991 PU3 9.8598 2.9707 .6907 .7148 PU4 9.6449 3.5897 .6305 .7478 Reliability Coefficients N of Cases = 107.0 N of Items = 4 Alpha = .8022
Reliability ****** Method 1 (space saver) will be used for this analysis ****** _ R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) 1. ATT1 2. ATT3 3. ATT4 N of Statistics for Mean Variance Std Dev Variables SCALE 10.5981 3.2426 1.8007 3 Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted ATT1 7.2897 1.5285 .5175 .5805 ATT3 6.9439 1.8459 .4047 .7161
12
ATT4 6.9626 1.6212 .6033 .4751 Reliability Coefficients N of Cases = 107.0 N of Items = 3 Alpha = .6891
Reliability ****** Method 1 (space saver) will be used for this analysis ****** _ R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) 1. BITU1 2. BITU2 3. BITU3 N of Statistics for Mean Variance Std Dev Variables SCALE 6.7850 3.5288 1.8785 3 Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted BITU1 4.4206 1.8309 .6284 .6657 BITU2 4.4766 1.8367 .5825 .7114 BITU3 4.6729 1.5807 .6066 .6917 Reliability Coefficients N of Cases = 107.0 N of Items = 3 Alpha = .7691
13
PROGRAM PENDIDIKAN USIA JENIS KELAMIN
Statistics
JEN_KEL107
0
Valid
Missing
N
JEN_KEL
51 47.7 47.7 47.7
56 52.3 52.3 100.0
107 100.0 100.0
PRIA
WANITA
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Statistics
PRODI107
0
Valid
Missing
N
PRODI
74 69.2 69.2 69.2
22 20.6 20.6 89.7
11 10.3 10.3 100.0
107 100.0 100.0
MANAJEMEN
AKT
EP
Total
ValidFrequency Percent Valid Percent
CumulativePercent
USIA
55 51.4 51.4 51.4
22 20.6 20.6 72.0
17 15.9 15.9 87.9
13 12.1 12.1 100.0
107 100.0 100.0
19
20
21
22
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Statistics
USIA107
0
Valid
Missing
N
14
TINGKAT PENGGUNAAN
Statistics
TKT_GUNA107
0
Valid
Missing
N
TKT_GUNA
25 23.4 23.4 23.4
43 40.2 40.2 63.6
39 36.4 36.4 100.0
107 100.0 100.0
jarang
cukup
sering
Total
ValidFrequency Percent Valid Percent
CumulativePercent
TANGGAPAN RESPONSDEN
Statistics
107 107 107 107
0 0 0 0
Valid
Missing
NPEOU1 PEOU2 PEOU3 PEOU4
PEOU1
2 1.9 1.9 1.9
7 6.5 6.5 8.4
57 53.3 53.3 61.7
41 38.3 38.3 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
PEOU2
2 1.9 1.9 1.9
9 8.4 8.4 10.3
75 70.1 70.1 80.4
21 19.6 19.6 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
15
PEOU3
3 2.8 2.8 2.8
8 7.5 7.5 10.3
79 73.8 73.8 84.1
17 15.9 15.9 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
PEOU4
2 1.9 1.9 1.9
1 .9 .9 2.8
13 12.1 12.1 15.0
78 72.9 72.9 87.9
13 12.1 12.1 100.0
107 100.0 100.0
1
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Statistics
107 107 107 107
0 0 0 0
Valid
Missing
NPU1 PU2 PU3 PU4
PU1
25 23.4 23.4 23.4
37 34.6 34.6 57.9
41 38.3 38.3 96.3
4 3.7 3.7 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
PU2
6 5.6 5.6 5.6
66 61.7 61.7 67.3
33 30.8 30.8 98.1
2 1.9 1.9 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
16
PU3
1 .9 .9 .9
28 26.2 26.2 27.1
35 32.7 32.7 59.8
42 39.3 39.3 99.1
1 .9 .9 100.0
107 100.0 100.0
1
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
PU4
9 8.4 8.4 8.4
56 52.3 52.3 60.7
38 35.5 35.5 96.3
4 3.7 3.7 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Statistics
107 107 107 107
0 0 0 0
Valid
Missing
NATT1 ATT2 ATT3 ATT4
ATT1
1 .9 .9 .9
15 14.0 14.0 15.0
47 43.9 43.9 58.9
38 35.5 35.5 94.4
6 5.6 5.6 100.0
107 100.0 100.0
1
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
ATT2
2 1.9 1.9 1.9
25 23.4 23.4 25.2
69 64.5 64.5 89.7
11 10.3 10.3 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
17
ATT3
7 6.5 6.5 6.5
34 31.8 31.8 38.3
55 51.4 51.4 89.7
11 10.3 10.3 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
ATT4
3 2.8 2.8 2.8
45 42.1 42.1 44.9
47 43.9 43.9 88.8
12 11.2 11.2 100.0
107 100.0 100.0
2
3
4
5
Total
ValidFrequency Percent Valid Percent
CumulativePercent
Statistics
107 107 107
0 0 0
Valid
Missing
NBITU1 BITU2 BITU3
BITU1
8 7.5 7.5 7.5
58 54.2 54.2 61.7
35 32.7 32.7 94.4
6 5.6 5.6 100.0
107 100.0 100.0
1
2
3
4
Total
ValidFrequency Percent Valid Percent
CumulativePercent
BITU2
13 12.1 12.1 12.1
52 48.6 48.6 60.7
38 35.5 35.5 96.3
4 3.7 3.7 100.0
107 100.0 100.0
1
2
3
4
Total
ValidFrequency Percent Valid Percent
CumulativePercent
18
BITU3
24 22.4 22.4 22.4
54 50.5 50.5 72.9
22 20.6 20.6 93.5
7 6.5 6.5 100.0
107 100.0 100.0
1
2
3
4
Total
ValidFrequency Percent Valid Percent
CumulativePercent
19
Lampiran Model Penelitian Awal
Analysis Summary
Date and Time Date: Sunday, October 18, 2009 Time: 3:59:20 PM
Title akhirnya: Sunday, October 18, 2009 03:59 PM
Notes for Group (Group number 1) The model is recursive. Sample size = 107
Variable counts (Group number 1)
PU
.27
PEOU
ATU BITU
pu1
.30
e5
1.00
1
pu2
.23
e6
.54
1
pu3
.28
e7
1.02
1
pu4
.22
e8
.77
1
peou4.17
e4
1.00
1peou3
.14
e3
.88
1peou2
.15
e2
.86
1peou1
.22
e1
.91
1
att4.21
e12
1.00
1att3
.42
e11
.70
1att1
.32
e9
1.07
1
bitu1.20
e131.001
bitu2.31
e14.88 1
bitu3.29
e15
1.171
.31
.30
.20
.27
.38
.25
z21
.19
z3
1
.39
z1
1
Chi-squares=121.373prob=.000
CMIN/DF =1.686RMR=.044
GFI=.862AGFI=.799
TLI=.879CFI=.904
RMSEA=.080
20
Number of variables in your model: 35 Number of observed variables: 14 Number of unobserved variables: 21 Number of exogenous variables: 18 Number of endogenous variables: 17
Parameter summary (Group number 1) Weights Covariances Variances Means Intercepts Total
Fixed 21 0 0 0 0 21 Labeled 0 0 0 0 0 0
Unlabeled 15 0 18 0 0 33 Total 36 0 18 0 0 54
Assessment of normality (Group number 1) Variable min max skew c.r. kurtosis c.r. bitu3 1.000 4.000 .491 2.074 -.176 -.372 bitu2 1.000 4.000 .031 .131 -.348 -.736 bitu1 1.000 4.000 .326 1.378 -.028 -.059 att1 1.000 5.000 -.098 -.415 -.214 -.452 att3 2.000 5.000 -.268 -1.133 -.181 -.381 att4 2.000 5.000 .206 .871 -.461 -.973 peou1 2.000 5.000 -.768 -3.245 .980 2.070 peou2 2.000 5.000 -.562 -2.375 1.931 4.076 peou3 2.000 5.000 -.835 -3.527 2.877 6.076 peou4 1.000 5.000 -1.627 -6.870 5.908 12.474 pu4 2.000 5.000 .131 .552 -.146 -.308 pu3 1.000 5.000 -.251 -1.060 -1.108 -2.339 pu2 2.000 5.000 .324 1.370 .152 .321 pu1 2.000 5.000 -.073 -.310 -.979 -2.067 Multivariate 11.007 2.690
Observations farthest from the centroid (Mahalanobis distance) (Group number 1)
21
Observation number Mahalanobis d-squared p1 p2 80 38.814 .000 .041 82 32.192 .004 .062 34 27.995 .014 .197 10 26.852 .020 .170 93 26.019 .026 .143 27 25.259 .032 .131 56 23.183 .057 .416 96 22.958 .061 .328 75 21.685 .085 .568 70 21.246 .095 .576 81 20.670 .110 .644 33 20.464 .116 .596 25 20.428 .117 .489 6 19.741 .139 .633
97 19.716 .139 .532 19 19.362 .152 .565 54 19.171 .159 .537 49 19.077 .162 .471 85 18.955 .167 .420 52 18.825 .172 .377 24 18.778 .174 .304 74 17.715 .220 .677 44 17.705 .221 .593 95 17.400 .235 .644 92 17.384 .236 .563 72 17.333 .239 .497 83 17.230 .244 .458 36 16.589 .279 .688 11 16.546 .281 .628 89 16.513 .283 .561 12 16.305 .295 .585 65 16.173 .303 .571 60 15.749 .329 .708 98 15.710 .331 .653 84 15.652 .335 .605 67 15.596 .339 .556 20 15.581 .340 .483 32 15.488 .346 .454 64 15.460 .347 .390 62 15.428 .350 .332 21 15.415 .350 .269 68 15.252 .361 .280
22
Observation number Mahalanobis d-squared p1 p2 73 15.087 .372 .295 18 15.070 .373 .238 63 14.960 .381 .227 86 14.740 .396 .268 87 14.596 .406 .275 17 14.126 .440 .469 16 14.096 .443 .411 71 14.048 .446 .365 14 14.012 .449 .315 38 13.964 .452 .274 42 13.518 .486 .463 35 13.463 .490 .421 37 12.946 .531 .672 2 12.905 .534 .625 7 12.856 .538 .582
59 12.707 .550 .602 50 12.705 .550 .527 48 12.629 .556 .500 66 12.554 .562 .472 79 12.461 .569 .456 51 12.447 .570 .390 57 12.238 .587 .450 13 12.228 .588 .380 22 12.150 .594 .355 31 12.133 .596 .294 29 12.087 .599 .254 8 11.935 .612 .273
76 11.670 .633 .362 61 11.544 .643 .368 40 11.476 .648 .336 53 11.259 .666 .401 4 11.224 .668 .345
77 10.550 .721 .719 5 10.078 .756 .888 3 9.595 .791 .970
15 9.566 .793 .957 46 9.507 .797 .946 91 9.451 .801 .931
102 9.393 .805 .913 41 9.095 .825 .953 47 9.074 .826 .931 1 9.063 .827 .896
23
Observation number Mahalanobis d-squared p1 p2 55 8.966 .833 .884 69 8.963 .833 .831 26 8.723 .848 .874 43 8.564 .858 .881 28 8.445 .865 .872 94 8.248 .876 .890 45 8.205 .878 .849 99 7.502 .914 .978 9 7.502 .914 .958
90 7.356 .920 .954 100 7.356 .920 .915 78 7.009 .934 .952
103 6.502 .952 .986 30 6.502 .952 .968
107 6.429 .954 .944 106 6.335 .957 .912
24
Notes for Model (Default model)
Computation of degrees of freedom (Default model) Number of distinct sample moments: 105
Number of distinct parameters to be estimated: 33 Degrees of freedom (105 - 33): 72
Result (Default model) Minimum was achieved Chi-square = 121.373 Degrees of freedom = 72 Probability level = .000
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P Label
PU <--- PEOU .308 .146 2.115 .034 par_11 ATU <--- PEOU .299 .132 2.262 .024 par_12 ATU <--- PU .203 .107 1.896 .058 par_13 BITU <--- ATU .265 .126 2.108 .035 par_14 BITU <--- PU .377 .107 3.530 *** par_15 pu1 <--- PU 1.000
pu2 <--- PU .542 .098 5.554 *** par_1 pu3 <--- PU 1.023 .142 7.205 *** par_2 pu4 <--- PU .772 .113 6.823 *** par_3 peou4 <--- PEOU 1.000
peou3 <--- PEOU .878 .115 7.630 *** par_4 peou2 <--- PEOU .860 .115 7.451 *** par_5 peou1 <--- PEOU .908 .130 6.983 *** par_6 att4 <--- ATU 1.000
att3 <--- ATU .698 .166 4.203 *** par_7 att1 <--- ATU 1.074 .217 4.944 *** par_8 bitu1 <--- BITU 1.000
bitu2 <--- BITU .881 .153 5.765 *** par_9 bitu3 <--- BITU 1.167 .185 6.299 *** par_10
Standardized Regression Weights: (Group number 1 - Default model) Estimate
25
Estimate PU <--- PEOU .248 ATU <--- PEOU .285 ATU <--- PU .240 BITU <--- ATU .269 BITU <--- PU .452 pu1 <--- PU .762 pu2 <--- PU .587 pu3 <--- PU .782 pu4 <--- PU .726 peou4 <--- PEOU .781 peou3 <--- PEOU .777 peou2 <--- PEOU .756 peou1 <--- PEOU .708 att4 <--- ATU .762 att3 <--- ATU .508 att1 <--- ATU .720 bitu1 <--- BITU .766 bitu2 <--- BITU .650 bitu3 <--- BITU .762
Variances: (Group number 1 - Default model) Estimate S.E. C.R. P Label
PEOU .270 .061 4.437 *** par_16 z1 .390 .093 4.176 *** par_17 z2 .246 .072 3.434 *** par_18 z3 .187 .052 3.600 *** par_19 e5 .300 .059 5.126 *** par_20 e6 .233 .036 6.490 *** par_21 e7 .277 .057 4.844 *** par_22 e8 .222 .040 5.556 *** par_23 e4 .173 .034 5.129 *** par_24 e3 .137 .026 5.187 *** par_25 e2 .150 .027 5.450 *** par_26 e1 .222 .037 5.919 *** par_27 e12 .214 .060 3.567 *** par_28 e11 .418 .065 6.420 *** par_29 e9 .319 .075 4.242 *** par_30 e13 .204 .046 4.429 *** par_31 e14 .306 .052 5.857 *** par_32 e15 .285 .063 4.493 *** par_33
26
Squared Multiple Correlations: (Group number 1 - Default model) Estimate
PU .062 ATU .173 BITU .353 bitu3 .580 bitu2 .423 bitu1 .586 att1 .518 att3 .258 att4 .581 peou1 .501 peou2 .572 peou3 .604 peou4 .610 pu4 .528 pu3 .611 pu2 .344 pu1 .581
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model) bitu3 bitu2 bitu1 att1 att3 att4 peou1 peou2 peou3 peou4 pu4 pu3 pu2 pu1
PEOU .002 .001 .002 .012 .006 .017 .169 .237 .265 .239 .006 .006 .004 .006PU .034 .024 .040 .008 .004 .011 .007 .010 .011 .010 .244 .258 .163 .233ATU .025 .018 .030 .246 .122 .340 .015 .021 .024 .021 .009 .009 .006 .008BITU .239 .168 .286 .021 .010 .029 .002 .003 .003 .003 .029 .030 .019 .027
Total Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .308 .000 .000 .000 ATU .362 .203 .000 .000 BITU .212 .431 .265 .000 bitu3 .248 .503 .310 1.167 bitu2 .187 .380 .234 .881 bitu1 .212 .431 .265 1.000 att1 .389 .218 1.074 .000 att3 .253 .142 .698 .000 att4 .362 .203 1.000 .000 peou1 .908 .000 .000 .000 peou2 .860 .000 .000 .000 peou3 .878 .000 .000 .000 peou4 1.000 .000 .000 .000
27
PEOU PU ATU BITU pu4 .238 .772 .000 .000 pu3 .315 1.023 .000 .000 pu2 .167 .542 .000 .000 pu1 .308 1.000 .000 .000
Standardized Total Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .248 .000 .000 .000 ATU .345 .240 .000 .000 BITU .205 .517 .269 .000 bitu3 .156 .394 .205 .762 bitu2 .133 .336 .175 .650 bitu1 .157 .396 .206 .766 att1 .248 .173 .720 .000 att3 .175 .122 .508 .000 att4 .263 .183 .762 .000 peou1 .708 .000 .000 .000 peou2 .756 .000 .000 .000 peou3 .777 .000 .000 .000 peou4 .781 .000 .000 .000 pu4 .180 .726 .000 .000 pu3 .194 .782 .000 .000 pu2 .146 .587 .000 .000 pu1 .189 .762 .000 .000
Direct Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .308 .000 .000 .000 ATU .299 .203 .000 .000 BITU .000 .377 .265 .000 bitu3 .000 .000 .000 1.167 bitu2 .000 .000 .000 .881 bitu1 .000 .000 .000 1.000 att1 .000 .000 1.074 .000 att3 .000 .000 .698 .000 att4 .000 .000 1.000 .000 peou1 .908 .000 .000 .000 peou2 .860 .000 .000 .000 peou3 .878 .000 .000 .000 peou4 1.000 .000 .000 .000
28
PEOU PU ATU BITU pu4 .000 .772 .000 .000 pu3 .000 1.023 .000 .000 pu2 .000 .542 .000 .000 pu1 .000 1.000 .000 .000
Standardized Direct Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .248 .000 .000 .000 ATU .285 .240 .000 .000 BITU .000 .452 .269 .000 bitu3 .000 .000 .000 .762 bitu2 .000 .000 .000 .650 bitu1 .000 .000 .000 .766 att1 .000 .000 .720 .000 att3 .000 .000 .508 .000 att4 .000 .000 .762 .000 peou1 .708 .000 .000 .000 peou2 .756 .000 .000 .000 peou3 .777 .000 .000 .000 peou4 .781 .000 .000 .000 pu4 .000 .726 .000 .000 pu3 .000 .782 .000 .000 pu2 .000 .587 .000 .000 pu1 .000 .762 .000 .000
Indirect Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .000 .000 .000 .000 ATU .063 .000 .000 .000 BITU .212 .054 .000 .000 bitu3 .248 .503 .310 .000 bitu2 .187 .380 .234 .000 bitu1 .212 .431 .265 .000 att1 .389 .218 .000 .000 att3 .253 .142 .000 .000 att4 .362 .203 .000 .000 peou1 .000 .000 .000 .000 peou2 .000 .000 .000 .000 peou3 .000 .000 .000 .000 peou4 .000 .000 .000 .000 pu4 .238 .000 .000 .000 pu3 .315 .000 .000 .000
29
PEOU PU ATU BITU pu2 .167 .000 .000 .000 pu1 .308 .000 .000 .000
Standardized Indirect Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .000 .000 .000 .000 ATU .060 .000 .000 .000 BITU .205 .065 .000 .000 bitu3 .156 .394 .205 .000 bitu2 .133 .336 .175 .000 bitu1 .157 .396 .206 .000 att1 .248 .173 .000 .000 att3 .175 .122 .000 .000 att4 .263 .183 .000 .000 peou1 .000 .000 .000 .000 peou2 .000 .000 .000 .000 peou3 .000 .000 .000 .000 peou4 .000 .000 .000 .000 pu4 .180 .000 .000 .000 pu3 .194 .000 .000 .000 pu2 .146 .000 .000 .000 pu1 .189 .000 .000 .000
Modification Indices (Group number 1 - Default model)
Covariances: (Group number 1 - Default model) M.I. Par Change
e14 <--> z1 4.017 -.081 e9 <--> z1 5.292 .102 e1 <--> e11 4.535 .072 e3 <--> e1 4.305 .042 e4 <--> e2 4.069 .039 e8 <--> e4 5.029 .054 e7 <--> PEOU 6.812 -.088 e7 <--> e11 4.996 -.090 e7 <--> e4 9.442 -.087 e6 <--> z2 4.169 .060 e6 <--> e12 4.841 .062 e6 <--> e7 4.628 -.064
30
M.I. Par Change e5 <--> e9 7.080 .106 e5 <--> e8 6.634 -.079 e5 <--> e7 5.104 .080
Variances: (Group number 1 - Default model) M.I. Par Change
Regression Weights: (Group number 1 - Default model) M.I. Par Change
bitu2 <--- pu3 4.711 -.150 att1 <--- PU 5.006 .243 att1 <--- pu3 6.067 .187 att1 <--- pu1 9.387 .231 att3 <--- peou1 5.692 .235 att4 <--- pu3 4.032 -.132 peou4 <--- pu3 8.378 -.159 pu4 <--- peou4 4.032 .153 pu3 <--- PEOU 6.812 -.325 pu3 <--- ATU 5.573 -.297 pu3 <--- att3 8.313 -.229 pu3 <--- att4 5.948 -.203 pu3 <--- peou3 4.865 -.224 pu3 <--- peou4 12.610 -.318 pu2 <--- ATU 4.734 .225 pu2 <--- att4 6.747 .178 pu1 <--- att1 4.288 .155
Model Fit Summary
CMIN Model NPAR CMIN DF P CMIN/DF Default model 33 121.373 72 .000 1.686 Saturated model 105 .000 0
Independence model 14 607.413 91 .000 6.675
RMR, GFI Model RMR GFI AGFI PGFI Default model .044 .862 .799 .591 Saturated model .000 1.000 Independence model .146 .458 .375 .397
31
Baseline Comparisons
Model NFI Delta1
RFI rho1
IFI Delta2
TLI rho2
CFI
Default model .800 .747 .908 .879 .904 Saturated model 1.000 1.000 1.000 Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model .791 .633 .716 Saturated model .000 .000 .000 Independence model 1.000 .000 .000
NCP Model NCP LO 90 HI 90 Default model 49.373 22.850 83.778 Saturated model .000 .000 .000 Independence model 516.413 442.135 598.177
FMIN Model FMIN F0 LO 90 HI 90 Default model 1.145 .466 .216 .790 Saturated model .000 .000 .000 .000 Independence model 5.730 4.872 4.171 5.643
RMSEA Model RMSEA LO 90 HI 90 PCLOSE Default model .080 .055 .105 .028 Independence model .231 .214 .249 .000
AIC Model AIC BCC BIC CAIC Default model 187.373 198.252 275.576 308.576 Saturated model 210.000 244.615 490.647 595.647 Independence model 635.413 640.028 672.833 686.833
ECVI Model ECVI LO 90 HI 90 MECVI Default model 1.768 1.517 2.092 1.870 Saturated model 1.981 1.981 1.981 2.308 Independence model 5.994 5.294 6.766 6.038
HOELTER
32
Model HOELTER .05
HOELTER .01
Default model 82 90 Independence model 20 22
Model Setelah Modifikasi
Analysis Summary
Date and Time Date: Sunday, October 18, 2009 Time: 4:33:10 PM
Title akhirnya: Sunday, October 18, 2009 04:33 PM
Notes for Group (Group number 1) The model is recursive. Sample size = 107
PU
.28
PEOU
ATU BITU
pu1
.17
e5
1.00
1
pu2
.25
e6
.43
1
pu3
.35
e7
.78
1
pu4
.10
e8
.82
1
peou4.15
e4
1.00
1peou3
.18
e3
.77
1peou2
.12
e2
.91
1peou1
.27
e1
.78
1
att4.22
e12
1.00
1att3
.42
e11
.69
1att1
.31
e9
1.11
1
bitu1
.19
e131.001
bitu2.30
e14.87 1
bitu3.30
e15
1.121
.36
.27
.17
.28
.30
.25
z21
.21
z3
1
.51
z1
1
Chi-squares=82.994prob=.120
CMIN/DF =1.203RMR=.041
GFI=.897AGFI=.843
TLI=.964CFI=.973
RMSEA=.044
-.10
-.18
.08
33
Variable counts (Group number 1) Number of variables in your model: 35 Number of observed variables: 14 Number of unobserved variables: 21 Number of exogenous variables: 18 Number of endogenous variables: 17
Parameter summary (Group number 1) Weights Covariances Variances Means Intercepts Total
Fixed 21 0 0 0 0 21 Labeled 0 0 0 0 0 0
Unlabeled 15 3 18 0 0 36 Total 36 3 18 0 0 57
Assessment of normality (Group number 1) Variable min max skew c.r. kurtosis c.r. bitu3 1.000 4.000 .491 2.074 -.176 -.372 bitu2 1.000 4.000 .031 .131 -.348 -.736 bitu1 1.000 4.000 .326 1.378 -.028 -.059 att1 1.000 5.000 -.098 -.415 -.214 -.452 att3 2.000 5.000 -.268 -1.133 -.181 -.381 att4 2.000 5.000 .206 .871 -.461 -.973 peou1 2.000 5.000 -.768 -3.245 .980 2.070 peou2 2.000 5.000 -.562 -2.375 1.931 4.076 peou3 2.000 5.000 -.835 -3.527 2.877 6.076 peou4 1.000 5.000 -1.627 -6.870 5.908 12.474 pu4 2.000 5.000 .131 .552 -.146 -.308 pu3 1.000 5.000 -.251 -1.060 -1.108 -2.339 pu2 2.000 5.000 .324 1.370 .152 .321 pu1 2.000 5.000 -.073 -.310 -.979 -2.067 Multivariate 11.007 2.690
34
Observations farthest from the centroid (Mahalanobis distance) (Group number 1) Observation number Mahalanobis d-squared p1 p2
80 38.814 .000 .041 82 32.192 .004 .062 34 27.995 .014 .197 10 26.852 .020 .170 93 26.019 .026 .143 27 25.259 .032 .131 56 23.183 .057 .416 96 22.958 .061 .328 75 21.685 .085 .568 70 21.246 .095 .576 81 20.670 .110 .644 33 20.464 .116 .596 25 20.428 .117 .489 6 19.741 .139 .633
97 19.716 .139 .532 19 19.362 .152 .565 54 19.171 .159 .537 49 19.077 .162 .471 85 18.955 .167 .420 52 18.825 .172 .377 24 18.778 .174 .304 74 17.715 .220 .677 44 17.705 .221 .593 95 17.400 .235 .644 92 17.384 .236 .563 72 17.333 .239 .497 83 17.230 .244 .458 36 16.589 .279 .688 11 16.546 .281 .628 89 16.513 .283 .561 12 16.305 .295 .585 65 16.173 .303 .571 60 15.749 .329 .708 98 15.710 .331 .653 84 15.652 .335 .605 67 15.596 .339 .556 20 15.581 .340 .483
35
Observation number Mahalanobis d-squared p1 p2 32 15.488 .346 .454 64 15.460 .347 .390 62 15.428 .350 .332 21 15.415 .350 .269 68 15.252 .361 .280 73 15.087 .372 .295 18 15.070 .373 .238 63 14.960 .381 .227 86 14.740 .396 .268 87 14.596 .406 .275 17 14.126 .440 .469 16 14.096 .443 .411 71 14.048 .446 .365 14 14.012 .449 .315 38 13.964 .452 .274 42 13.518 .486 .463 35 13.463 .490 .421 37 12.946 .531 .672 2 12.905 .534 .625 7 12.856 .538 .582
59 12.707 .550 .602 50 12.705 .550 .527 48 12.629 .556 .500 66 12.554 .562 .472 79 12.461 .569 .456 51 12.447 .570 .390 57 12.238 .587 .450 13 12.228 .588 .380 22 12.150 .594 .355 31 12.133 .596 .294 29 12.087 .599 .254 8 11.935 .612 .273
76 11.670 .633 .362 61 11.544 .643 .368 40 11.476 .648 .336 53 11.259 .666 .401 4 11.224 .668 .345
77 10.550 .721 .719 5 10.078 .756 .888 3 9.595 .791 .970
15 9.566 .793 .957 46 9.507 .797 .946
36
Observation number Mahalanobis d-squared p1 p2 91 9.451 .801 .931
102 9.393 .805 .913 41 9.095 .825 .953 47 9.074 .826 .931 1 9.063 .827 .896
55 8.966 .833 .884 69 8.963 .833 .831 26 8.723 .848 .874 43 8.564 .858 .881 28 8.445 .865 .872 94 8.248 .876 .890 45 8.205 .878 .849 99 7.502 .914 .978 9 7.502 .914 .958
90 7.356 .920 .954 100 7.356 .920 .915 78 7.009 .934 .952
103 6.502 .952 .986 30 6.502 .952 .968
107 6.429 .954 .944 106 6.335 .957 .912
37
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P Label
PU <--- PEOU .358 .144 2.491 .013 par_11 ATU <--- PEOU .267 .127 2.092 .036 par_12 ATU <--- PU .170 .083 2.054 .040 par_13 BITU <--- ATU .282 .128 2.195 .028 par_14 BITU <--- PU .303 .088 3.453 *** par_15 pu1 <--- PU 1.000
pu2 <--- PU .431 .083 5.167 *** par_1 pu3 <--- PU .780 .119 6.556 *** par_2 pu4 <--- PU .822 .117 7.052 *** par_3 peou4 <--- PEOU 1.000
peou3 <--- PEOU .769 .112 6.894 *** par_4 peou2 <--- PEOU .909 .116 7.826 *** par_5 peou1 <--- PEOU .779 .129 6.061 *** par_6 att4 <--- ATU 1.000
att3 <--- ATU .695 .168 4.143 *** par_7 att1 <--- ATU 1.108 .226 4.907 *** par_8 bitu1 <--- BITU 1.000
bitu2 <--- BITU .870 .149 5.837 *** par_9 bitu3 <--- BITU 1.120 .177 6.319 *** par_10
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
38
Estimate PU <--- PEOU .255 ATU <--- PEOU .262 ATU <--- PU .234 BITU <--- ATU .277 BITU <--- PU .410 pu1 <--- PU .877 pu2 <--- PU .537 pu3 <--- PU .698 pu4 <--- PU .891 peou4 <--- PEOU .804 peou3 <--- PEOU .692 peou2 <--- PEOU .813 peou1 <--- PEOU .618 att4 <--- ATU .753 att3 <--- ATU .499 att1 <--- ATU .734 bitu1 <--- BITU .780 bitu2 <--- BITU .654 bitu3 <--- BITU .745
Covariances: (Group number 1 - Default model) Estimate S.E. C.R. P Label
e7 <--> e4 -.097 .028 -3.483 *** par_16 e5 <--> e8 -.184 .048 -3.819 *** par_17 e3 <--> e1 .077 .028 2.717 .007 par_18
Correlations: (Group number 1 - Default model) Estimate
e7 <--> e4 -.417 e5 <--> e8 -1.455 e3 <--> e1 .346
Variances: (Group number 1 - Default model) Estimate S.E. C.R. P Label
PEOU .280 .060 4.686 *** par_19 z1 .515 .114 4.528 *** par_20 z2 .246 .072 3.432 *** par_21 z3 .206 .054 3.805 *** par_22 e5 .165 .075 2.220 .026 par_23 e6 .253 .036 7.075 *** par_24 e7 .354 .057 6.160 *** par_25 e8 .097 .049 1.997 .046 par_26
39
Estimate S.E. C.R. P Label e4 .153 .035 4.365 *** par_27 e3 .180 .030 5.911 *** par_28 e2 .118 .028 4.300 *** par_29 e1 .275 .044 6.319 *** par_30 e12 .221 .060 3.676 *** par_31 e11 .422 .065 6.458 *** par_32 e9 .305 .077 3.989 *** par_33 e13 .193 .046 4.213 *** par_34 e14 .304 .052 5.840 *** par_35 e15 .303 .063 4.786 *** par_36
Squared Multiple Correlations: (Group number 1 - Default model) Estimate
PU .065 ATU .155 BITU .314 bitu3 .554 bitu2 .428 bitu1 .609 att1 .539 att3 .249 att4 .568 peou1 .382 peou2 .662 peou3 .479 peou4 .646 pu4 .793 pu3 .487 pu2 .288 pu1 .769
Matrices (Group number 1 - Default model)
Factor Score Weights (Group number 1 - Default model) bitu3 bitu2 bitu1 att1 att3 att4 peou1 peou2 peou3 peou4 pu4 pu3 pu2 pu1
PEOU .002 .001 .002 .012 .006 .015 .081 .333 .151 .346 -.038 .100 .004 -.030 PU -.014 -.011 -.020 -.004 -.002 -.005 .004 .016 .007 -.055 .763 -.110 -.073 .592 ATU .021 .017 .030 .259 .118 .323 .006 .026 .012 .025 .019 .005 -.002 .015 BITU .222 .172 .312 .021 .010 .026 .001 .004 .002 -.003 .069 -.009 -.007 .053
Total Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .358 .000 .000 .000 ATU .327 .170 .000 .000
40
PEOU PU ATU BITU BITU .201 .351 .282 .000 bitu3 .225 .393 .316 1.120 bitu2 .175 .305 .245 .870 bitu1 .201 .351 .282 1.000 att1 .363 .189 1.108 .000 att3 .227 .118 .695 .000 att4 .327 .170 1.000 .000 peou1 .779 .000 .000 .000 peou2 .909 .000 .000 .000 peou3 .769 .000 .000 .000 peou4 1.000 .000 .000 .000 pu4 .294 .822 .000 .000 pu3 .279 .780 .000 .000 pu2 .154 .431 .000 .000 pu1 .358 1.000 .000 .000
Standardized Total Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .255 .000 .000 .000 ATU .321 .234 .000 .000 BITU .194 .475 .277 .000 bitu3 .144 .354 .207 .745 bitu2 .127 .311 .181 .654 bitu1 .151 .371 .217 .780 att1 .236 .172 .734 .000 att3 .160 .117 .499 .000 att4 .242 .177 .753 .000 peou1 .618 .000 .000 .000 peou2 .813 .000 .000 .000 peou3 .692 .000 .000 .000 peou4 .804 .000 .000 .000 pu4 .227 .891 .000 .000 pu3 .178 .698 .000 .000 pu2 .137 .537 .000 .000 pu1 .223 .877 .000 .000
Direct Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .358 .000 .000 .000 ATU .267 .170 .000 .000 BITU .000 .303 .282 .000 bitu3 .000 .000 .000 1.120
41
PEOU PU ATU BITU bitu2 .000 .000 .000 .870 bitu1 .000 .000 .000 1.000 att1 .000 .000 1.108 .000 att3 .000 .000 .695 .000 att4 .000 .000 1.000 .000 peou1 .779 .000 .000 .000 peou2 .909 .000 .000 .000 peou3 .769 .000 .000 .000 peou4 1.000 .000 .000 .000 pu4 .000 .822 .000 .000 pu3 .000 .780 .000 .000 pu2 .000 .431 .000 .000 pu1 .000 1.000 .000 .000
Standardized Direct Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .255 .000 .000 .000 ATU .262 .234 .000 .000 BITU .000 .410 .277 .000 bitu3 .000 .000 .000 .745 bitu2 .000 .000 .000 .654 bitu1 .000 .000 .000 .780 att1 .000 .000 .734 .000 att3 .000 .000 .499 .000 att4 .000 .000 .753 .000 peou1 .618 .000 .000 .000 peou2 .813 .000 .000 .000 peou3 .692 .000 .000 .000 peou4 .804 .000 .000 .000 pu4 .000 .891 .000 .000 pu3 .000 .698 .000 .000 pu2 .000 .537 .000 .000 pu1 .000 .877 .000 .000
Indirect Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .000 .000 .000 .000 ATU .061 .000 .000 .000 BITU .201 .048 .000 .000 bitu3 .225 .393 .316 .000 bitu2 .175 .305 .245 .000 bitu1 .201 .351 .282 .000
42
PEOU PU ATU BITU att1 .363 .189 .000 .000 att3 .227 .118 .000 .000 att4 .327 .170 .000 .000 peou1 .000 .000 .000 .000 peou2 .000 .000 .000 .000 peou3 .000 .000 .000 .000 peou4 .000 .000 .000 .000 pu4 .294 .000 .000 .000 pu3 .279 .000 .000 .000 pu2 .154 .000 .000 .000 pu1 .358 .000 .000 .000
Standardized Indirect Effects (Group number 1 - Default model) PEOU PU ATU BITU
PU .000 .000 .000 .000 ATU .060 .000 .000 .000 BITU .194 .065 .000 .000 bitu3 .144 .354 .207 .000 bitu2 .127 .311 .181 .000 bitu1 .151 .371 .217 .000 att1 .236 .172 .000 .000 att3 .160 .117 .000 .000 att4 .242 .177 .000 .000 peou1 .000 .000 .000 .000 peou2 .000 .000 .000 .000 peou3 .000 .000 .000 .000 peou4 .000 .000 .000 .000 pu4 .227 .000 .000 .000 pu3 .178 .000 .000 .000 pu2 .137 .000 .000 .000 pu1 .223 .000 .000 .000
Modification Indices (Group number 1 - Default model)
43
Covariances: (Group number 1 - Default model) M.I. Par Change
e9 <--> z1 4.613 .095 e1 <--> e11 4.444 .070 e6 <--> z2 4.425 .060 e6 <--> e12 5.199 .063 e5 <--> e9 5.792 .092
Variances: (Group number 1 - Default model) M.I. Par Change
Regression Weights: (Group number 1 - Default model) M.I. Par Change
bitu2 <--- pu3 4.241 -.144 att1 <--- PU 4.854 .182 att1 <--- pu3 6.045 .188 att1 <--- pu1 8.839 .223 att3 <--- peou1 6.086 .244 att4 <--- pu3 4.309 -.139 peou1 <--- att3 4.115 .132 pu3 <--- att3 4.149 -.141 pu2 <--- ATU 4.851 .226 pu2 <--- att4 7.151 .180
Model Fit Summary
CMIN Model NPAR CMIN DF P CMIN/DF Default model 36 82.994 69 .120 1.203 Saturated model 105 .000 0
Independence model 14 607.413 91 .000 6.675
RMR, GFI Model RMR GFI AGFI PGFI Default model .041 .897 .843 .589 Saturated model .000 1.000 Independence model .146 .458 .375 .397
Baseline Comparisons
Model NFI Delta1
RFI rho1
IFI Delta2
TLI rho2
CFI
44
Model NFI Delta1
RFI rho1
IFI Delta2
TLI rho2
CFI
Default model .863 .820 .974 .964 .973 Saturated model 1.000 1.000 1.000 Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model .758 .655 .738 Saturated model .000 .000 .000 Independence model 1.000 .000 .000
NCP Model NCP LO 90 HI 90 Default model 13.994 .000 41.075 Saturated model .000 .000 .000 Independence model 516.413 442.135 598.177
FMIN Model FMIN F0 LO 90 HI 90 Default model .783 .132 .000 .387 Saturated model .000 .000 .000 .000 Independence model 5.730 4.872 4.171 5.643
RMSEA Model RMSEA LO 90 HI 90 PCLOSE Default model .044 .000 .075 .597 Independence model .231 .214 .249 .000
AIC Model AIC BCC BIC CAIC Default model 154.994 166.862 251.216 287.216 Saturated model 210.000 244.615 490.647 595.647 Independence model 635.413 640.028 672.833 686.833
ECVI Model ECVI LO 90 HI 90 MECVI Default model 1.462 1.330 1.718 1.574 Saturated model 1.981 1.981 1.981 2.308 Independence model 5.994 5.294 6.766 6.038
HOELTER
45
Model HOELTER .05
HOELTER .01
Default model 115 127 Independence model 20 22