Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
path modeling digunakan untuk menentukan besarnya variabel X terhadap Y baik secara langsung maupun tidak langsung.
3.2.7.1 Analisis Deskriptif
Data mentah yang telah terkumpul dari hasil kuesionersurvei lapangan harus diolah agar memperoleh makna yang berguna bagi pemecahan masalah.
Alat penelitian yang digunakan dalam penelitian ini adalah angket. Angket ini disusun oleh penulis berdasarkan variabel yang terdapat dalam penelitian, yaitu
memberikan keterangan dan data mengenai pengaruh perbedaan individu dan lingkungan sosio-budaya. Pengolahan data yang terkumpul dari hasil kuesioner
dapat dikelompokkan ke dalam tiga langkah, yaitu persiapan, tabulasi, dan penerapan data pada pendekatan penelitian.
Persiapan adalah mengumpulkan dan memeriksa kebenaran cara pengisian, melakukan tabulasi hasil kuesioner dan memberikan nilai scoring
sesuai dengan sistem penilaian yang digunakan sesuai dengan tujuan penelitian. dalam bentuk informasi yang lebih ringkas.
Analisis deskriptif digunakan untuk mendeskripsikan variabel-variabel penelitian, antara lain:
a. Analisis Deskriptif Variabel X1 Perbedaan Individu
b. Analisis Deskriptif Variabel X2 Lingkungan Sosio-Budaya
c. Analisis Deskriptif Variabel Y Behavioral Intention
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
3.2.7.2 Analisis Verifikatif Menggunakan Partial Least Square-Path Modeling
Analisis verifikatif dipergunakan untuk menguji hipotesis dengan menggunakan uji statistik dan menitikberatkan pada pengungkapan perilaku
variabel penelitian. Teknik analisis data yang dipergunakan untuk mengetahui hubungan korelatif dalam penelitian ini yaitu partial least square path-modeling
PLS-PM. Menurut Sofyan Yamin dan Heri Kurniawan 2011:12 menyatakan, “Bila SEM Berbasis Covariance CBSEM yang dianalisis dengan LISREL atau
AMOS berbasis covariance data dan matriks covariance hasil predisi model, maka PLS-PM berbasis variance atau component. PLS-PM didesain untuk tujuan
prediksi ”. Sehingga evaluasi model dalam PLS-PM dilakukan dua tahap yaitu
evaluasi outer model atau model reflektif dan evaluasi terhadap inner model atau model structural. Sebelum melakukan evaluasi model PLS-PM dilakuakan uji
asumsi klasik.
a. Uji Asumsi Klasik
Agar data yang digunakan tepat sehingga dapat diperoleh model yang baik maka dalam penelitian ini dilakukan uji prasyarat analisis atau disebut juga uji
asumsi klasik. 1.
Uji Multikolinearitas Uji multikolinearitas dilakukan dengan tujuan untuk melihat
apakah dalam suatu model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi maka dinamakan terdapat
masalah multikolinearitas. Suatu model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen atau dengan kata
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
lain tidak terjadi multikolinearitas. Suatu petunjuk yang dapat digunakan untuk menduga ada tidaknya multikolinearitas adalah
Variance Inflation Factor VIF
Menurut Ghozali 2005:91, untuk mengetahui ada tidaknya suatu masalah multikolinearitas dalam model regresi, peneliti dapat
menggunakan nilai VIF Variance Inflation Factor dan Tolerance, seperti berikut ini:
a Jika nilai tolerance di bawah 0.1 dan nilai VIF di atas 10, maka
model regresi mengalami masalah multikolinearitas. b
Jika nilai tolerance di atas 0.1 dan nilai VIF di bawah 10, maka model regresi tidak mengalami masalah multikolinearitas.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain tetap, atau disebut homoskedastisitas Ghozali, 2005:105. Model regresi yang baik
adalah homoskedastisitas,
tidak heteroskedastisitas
Ghozali, 2005:105. Cara yang dilakukan untuk mendeteksi heteroskedastisitas
dalam penelitian ini adalah dengan cara menggunakan scatterplot, yang memperlihatkan ada tidaknya pola tertentu pada grafik. Dasar
pengambilan keputusan sebagai berikuti:
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
o Jika ada pola tertentu, seperti titik-titik yang membentuk suatu pola
tertentu bergelombang, melebar kemudian menyempit maka terjadi heteroskedastisitas.
o Jika tidak membentuk pola yang jelas, serta titik-titik menyebar di
atas dan dibawah angka 0 pada sumbu X maka tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dapat juga menggunakan uji park. Park mengatakan bahwa metode variance merupakan fungsi dari variabel-
variabel bebas dinyatakan dalam persamaan sebagai berikut: i² = a Xi ß
Persamaan ini dijadikan linear dalam bentuk persamaan log sehingga Ln i² = a + ß Ln Xi + vi
Karena variance populasi umumnya tidak diketahui maka dapat ditaksir dengan menggunakan residual e sebagai proksi, sehingga
persamaan menjadi L ei² = a + ß Ln Xi + vi 3.
Uji Normalitas Uji normalitas dilakukan untuk menguji apakah data yang
digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal probability plot. Seperti diketahui bahwa uji t dan uji F
mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk
jumlah sampel kecil Ghozali, 2005:110. Metode pengujian normalitas yang dilakukan menggunakan uji Kolmogorov-Smirnov.
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Kriteria probabilitas dari uji normalitas dengan menggunakan uji Kolmogorov-Smirnov adalah sebagai berikut Ghozali 2005:112:
a. Bila nilai signifikansi uji Kolmogorov-Smirnov bernilai di
bawah 0.05 maka data tidak berdistribusi normal. b.
Bila nilai signifikansi uji Kolmogorov-Smirnov bernilai di atas 0.05 maka data berdistribusi normal
Selain itu, bisa juga dengan melakukan analisis grafik. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu
diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:
o Jika data menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal atau grafik histogram menunjukan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
o Jika data menyebar jauh dari garis diagonal dan tidak mengikuti
arah garis diagonal atau grafik histogram tidak menunjukan pola distribusi normal, maka model regresi tidak memenuhi asumsi
normalitas. 4.
Uji Linearitas Uji linearitas digunakan untuk melihat apakah spesifikasi model
yang digunakan sudah benar atau tidak. Apakah fungsi yang digunakan dalam suatu empiris sebaiknya berbentuk linear, kuadrat
atau kubik Ghozali, 2005:80. Dengan uji ini akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat atau kubik.
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Ada beberapa metode yang dilakukan untuk melakukan pengujian linearitas, tetapi dalam penelitian untuk melakukan pengujian
linearitas menggunakan Uji Durbin-Watson. Uji Durbin-Watson digunakan untuk autokorelasi tingkat satu first order autocorrelation
dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lag di antara variabel bebas. Rumus Durbin-
Watson, yaitu
Hipotesis yang akan diuji adalah : Ho : tidak ada autokorelasi r sama dengan 0
Ha : ada auatokorelasi r tidak sama dengan 0 Pengambilan keputusan ada tidaknya autokorelasi:
Bila nilai DW terletak antara batas atas atau upper bound du dan 4 - du, maka koefisien autokorelasi sama dengan nol,
berarti tidak ada autokorelasi. Bial nilai DW lebih rendah daripada batas bawah atau lower
bound dl, maka koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif.
Bila nilai DW lebih besar daripada 4 - dl, maka koefisien autokorelasi lebih kecil daripada nol, berarti ada autokorelasi
negatif.
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Bila nilai DW terletak di antara batas atas du dan batas bawah dl ada DW terletak antara 4 - du dan 4 - dl, maka hasilnya
tidak dapat disimpulkan.
Model Spesifikasi dengan PLS
Menurut Imam Ghazali 2006:22 meyatakan bahwa model analisis jalur semua variabel laten terdiri dari tiga set hubungan, yaitu:
1. Inner model yang menspesifikasi hubungan antara variabel laten yang satu dengan variabel laten yang lainnya structural model.
2. Outer model yang menspesifikasi hubungan antara variabel laten dengan indikator atau variabel manifestnya measurement model.
3. Weight relation dalam mana nilai kasus dari variabel laten dapat diestimasikan. Tanpa kehilangan generalisasi, dapat diasumsikan bahwa
variabel laten dan indikator atau manifest variabel diskala zero means dan unit variance sama dengan satu sehingga parameter lokasi parameter
konstanta dapat dihilangkan dalam model. Persamaan model dalam penelitian ini yaitu sebagai berikut
1
= Y
11
ξ
1
+ Y
11
ξ
1
+ atau Behavioral Intention = Y
11
Perbedaan Individu + Y
11
Lingkungan Sosio- Budaya
+
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Inner Model
Inner model yang kadang disebut juga dengan inner relation, structural model dan substantive theory menggambarkan hubungan antar variabel laten
berdasarkan pada substantive theory. Model persamaan dapat ditulis seperti di bawah ini.
= o + l + Γξ + Dimana :
: Vektor endogen dependen variabel laten, ξ : Vektor variabel laten eksogen
: Vektor variabel residual unexplained variance. Sedangkan untuk hubungan antar variabel laten, dapat dispesifikasikan
sebagai berikut : j = Σi ji i + Σi jb ξb +
ji ; jb : Koefisien jalur yang menghubungkan prediktor endogen dan variabel laten eksogen ξ dan sepanjang range i dan b.
: Inner residual variabel
Outer Model
Outer model sering juga disebut outer relation atau measurement model mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel
latennya. Blok dengan indikator refleksif dapat ditulis persamaannya seperti berikut :
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
x = Λx ξ + x y = Λy + y
Dimana : x : Variabel manifest ata
u manifest variabel untuk eksogen ξ. y : Indikator manifest atau manifest variabel untuk variabel laten endogen .
Λx ; Λy : Matrik loading koefisien regresi sederhana dari variabel laten dan indicator
x ; y : Kesalahan pengukuran. Untuk blok dengan indikator formatif dapat ditulis persamaannya sebagai
berikut : ξ = Π
ξ
x +
ξ
= Π y + Dimana :
: Vektor endogen dependen variabel laten, ξ : Vektor variabel laten eksogen
: Vektor variabel residual unexplained variance. Π
ξ
x ; Π y : Koefisien regresi berganda variabel laten dan blok indikator ξ ; : Residual dari regresi.
Weight Relation
Inner dan outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS. Disini diperlukan definisi weight relation. Nilai kasus untuk setiap
variabel laten diestimasi dalam PLS sebagai berikut :
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ξ
b
= Σ
kb
w
kb
x
kb i
= Σ
ki
w
ki
y
ki
Dimana : w
kb
: Koefisien weight untuk estimasi variabel laten exogen. w
ki
: Koefisien weight untuk estimasi variabel laten endogen. ξ
b
: Vektor variabel laten eksogen.
i
: Variabel laten endogen Variabel eksogen adalah variabel dalam suatu model yang tidak
dipengaruhi variabel lainnya sedangkan variabel endogen dipengaruhi oleh variabel lainnya.
Evaluasi Model
a. Evaluasi Model Reflektif
Menurut Sofyan Yamin dan Heri Kurniawan 2011:17 bahwa, “Evaluasi
terhadap model reflektif indikator meliputi pemerikasaan individual item reliability, internal consistency, atau construct reliability, average variance
extracted, dan
discriminant validity.
Ketiga pengukuran
pertama dikelompokan dalam convergent validity.
1 Convergent Validity
Menurut Sofyan Yamin dan Heri Kurniawan 2011:40 bahwa, “Convergent validity terdiri dari tiga pengujian yaitu reliability item
validitas tiap indikator, composite reability, dan average variance extracted
AVE”. Convergent validity digunakan untuk mengukur
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
seberapa besar indikator yang ada dapat menerangkan dimensi. Artinya semakin besar convergent validity maka semakin besar
kemampuan indikator tersebut dalam menerapkan dimensinya. Zikmund dan Babin 2007:325 menyatakan,
”Convergent validity is another way of expressing internal consistency. Highly reliable
scales contain convergent validity”. Convergent validity adalah cara lain untuk menggambarkan internal consistency. Skala yang hadal
mengandung convergent validity. Item reliabilitas atau biasa kita sebut dengan validitas indikator.
Pengujian terhadap reability item validitas indikator dapat dilihat dari nilai loading factor standardized loading. Nilai loading faktor ini
merupakan besarnya korelasi antara antara setiap indikator dan konstraknya. Nilai loading factor diatas 0,7 dapat dikatakan ideal,
artinya bahwa indikator tersebut dapat dikatakan valid sebagai indikator untuk mengukur konstrak. Meskipun demikian, nilai
standardized loading factor diatas 0,5 dapat diterima. Sedangkan nilai standardized loading factor dibawah 0,5 dapat dikeluarkan dari model
Chin 1998. Statistik yang digunakan dalam composite reliability atau reablitas
konstrak adalah cronbach’s alpha dan D.G rho PCA. Nilai cronbach’s alpha dan D.G rho PCA diatas 7,0 menunjukan konstrak
memiliki reabilitas atau keterandalan yang tinggi sebagai alat ukur. Formula untuk composite reliability CR:
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Nilai batas 0,7 keatas berarti dapat diterima dan diatas 0,8 dan 0,9 berarti sangat memuaskan Nunnally dan Bernstein, 1994 dalam
Sofyan Yamin dan Heri Kurniawan, 2011:19 Average Variance Extracted AVE menggambarkan besaran
variance yang mampu dijelaskan oleh item-item dibandingkan dengan varian yang disebabkan oleh error pengukuran. Standarnya adalah bila
nilai AVE diatas 0,5 maka dapat dikatakan bahwa konstrak memiliki convergent validity yang baik. Artinya variabel laten dapat
menjelaskan rata-rata lebih dari setengah variance dari indikator- indikatornya.
Formula untuk Average Variance Extracted AVE:
2 Discriminant Validity
Zikmund dan Babin 2007:325 menyatakan, ”Discriminant
validity represent how unique or distinct it a measure. A scale should not correlate to highly with a measure of a different construct”.
Discriminant validity menggambarkan bagaimana keunikan atau yang berbeda dalam ukuran. Skala seharusnya tidak berkorelasi lebih tinggi
dengan ukuran yang berbeda dari konstruk.
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Pemeriksaan discriminant validity dari model pengukuran reflektif yang dinilai berdasarkan cross loading dan membandingkan antara
nilai AVE dengan kuadran korelasi antarkonstrak. Ukuran cross loading adalah adalah membandingkan korelasi indikator dengan
konstraknya dan konstrak dari blok lain. Discriminant validity yang baik akan mampu menjelaskan variabel indikatornya lebih tinggi
dibandingkan dengan menjelaskan varian dari indikator konstrak yang lain.
b. Evaluasi Model Struktural
Ada beberapa tahap dalam mengevaluasi model structural. Pertama adalah melihat signifikansi hubungan antara konstrak. Hal ini dapat dilihat dari
koefisien jalur path coefficient yang menggambarkan kekuatan hubungan antar konstrak. Tanda dalam path coefficient harus sesuai dengan teori yang
dihipotesiskan, untuk menilai signifikansi path coefficient dapat dilihat dari t test critical ratio yang diperoleh dari proses bootstrapping resampling
method. Langkah selanjutnya menegevaluasi R
2
. Penjelasan mengenai R
2
sama halnya dengan nilai R
2
dalam regresi linear yang besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen.
Chin 1998 dalam Sofyan Yamin dan Heri Kurniawan 2011:21 menjelaskan, “kriteria batasan nilai R
2
ini dalam tiga klasifikasi, yaitu 0,67, 0,33, dan 0,19 sebagai substans
ial, moderat, dan lemah”. Perubahan nilai
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
dapat R
2
digunakan untuk melihat apakah pengukuran variabel laten eksogen terhadap variabel laten endogen memiliki pengaruh yang substansif. Hal ini
dapat diukur dengan effect size f
2
. Formula effect size f
2
adalah:
Effect Size f
2
= R
2 Included
- R
2 excluded
1- R
2 Included
Dimana R include dan R exclude adalah dari R
2
variabel laten endogen yang diperoleh ketika variabel eksogen tersebut masuk atau dikeluarkan
dalam model. Interpretasi nilai f kuadrat ini adalah mengikuti terminology yang disarankan oleh Chen 1988 dalam Yamin dan Heri Kurniawan
2011:21, yaitu 0,02; 0,15; dan 0,35 dengan level eksogen memiliki pengaruh kecil, moderat, dan besar pada level struktural.
Untuk memvalidasi model secara keseluruhan, maka digunakan goodness of fit GoF yang diperkenalkan oleh Tenenhaus, et al 2004 dalam Yamin
dan Heri Kurniawan 2011:21. GoF index ini merupakan ukuran tunggal yang digunakan untuk memvalidasi performa gabungan antara model
pengukuran dan model structural. Nilai GoF ini diperoleh dari average communalities index dikalikan dengan nilai R
2
model. Formula GoF Index
Com begaris atas adalah average communalities dan R
2
bergaris atas adalah rata-rata model R
2
. Nilai GoF terbentang antara 0-1 dengan interpretasi nilai yaitu 0,1 GoF kecil, 0,25 GoF moderat, dan 0,36 GoF besar.
Imam Budiarto, 2013 Pengaruh Perbedaan Individu dan Lingkungan Sosio-Budaya terhadap Behavioral Intention Google
Plus Survei terhadap Pengguna Google Plus di Indonesia Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
3.2.8 Pengujian Hipotesis