5. Tersedia panduan bila kesulitan mengaplikasikan teknologi informasi yang terhubung secara online X
5.2
, tersedia panduan bila kesulitan memilih hardware teknologi informasi yang terhubung secara online
X
5.3
dan tersedia panduan bila kesulitan dengan hardware X
5.4
membentuk variabel kondisi yang memfasilitasi X
5
. 6.
Intensitas penerapan
teknologi informasi yang terhubung secara online Y
1.1
, frekuensi penggunaan teknologi informasi yang terhubung secara online
Y
1.2
dan jumlah jenis perangkat lunak teknologi informasi yang terhubung secara online Y
1.3
membentuk variabel pemanfaatan teknologi informasi Y
1
. 7. Teknologi informasi yang terhubung secara online menunjukkan
ketetapan rincian data Y
2.1
, teknologi informasi yang terhubung secara online
menyediakan data yang akurat Y
2.2
, perintah-perintah dalam teknologi informasi yang terhubung secara online mudah dipahami dan
dimengerti Y
2.4
, dan teknologi informasi yang terhubung secara online meminimalkan kesalahan pengentrian data Y
2.6
membentuk variabel kinerja Y
2
.
4.5. Multicolearity Atau Singularity
Untuk mengetahui
apakah terdapat
multicolearity atau singularity
dalam sebuah kombinasi variabel, perlu mengamati determinan matriks kovarians. Determinan yang benar-benar kecil mengindikasikan adanya
multicolearity atau singularity sehingga data tidak dapat digunakan untuk analisis yang sedang dilakukan.
Angka determinan
matriks kovarians pada penelitian ini sebesar 0,000
Lampiran 5, hal ini peneliti menganggap bahwa tidak terjadi multicolearity atau singularity dalam data. Hal ini didukung oleh Byrne 2009: 168 bahwa
nilai standardized estimate lebih dari angka 1, maka terjadi multikolinieritas yang serius. Sedangkan hasil penelitian ini menunjukkan bahwa nilai
standardized estimate dari masing-masing indikator kurang dari angka 1
Tabel 4.12.
4.6. Structural Equation Modeling
Setelah melakukan CFA, maka tahap terakhir dilakukan analisis SEM, yang hasilnya dapat dilihat sebagai berikut :
x1 x1.4
e4
1 1
x1.3 e3
1
x1.2 e2
1
x1.1 e1
1
x2 x2.4
e8
1 1
x2.3 e7
1
x2.2 e6
1
x2.1 e5
1
x3
x3.6 e14
1 1
x3.5 e13
1
x3.4 e12
1
x3.3 e11
1
x3.2 e10
1
x3.1 e9
1
x4
x4.6 e20
1 1
x4.5 e19
1
x4.4 e18
1
x4.3 e17
1
x4.2 e16
1
x4.1 e15
1
x5 x5.4
e24
1 1
x5.3 e23
1
x5.2 e22
1
x5.1 e21
1
y1 y1.1 e25
1 1
y1.2 e26
1
y1.3 e27
1
y2 y2.1
e28
1 1
y2.2 e29
1
y2.3 e30
1
y2.4 e31
1
y2.5 e32
1
y2.6 e33
1
y2.7 e34
1
y2.8 e35
1
y2.9 e36
1
dy1
dy2
1
1
Gambar 4.2 : Model SEM Hasil
evaluasi goodness of fit Index
selengkapnya dapat dilihat pada tabel 4.13 :
Tabel 4.13 : Kriteria Goodness of Fit Indices Full Model Goodness of Fit index
Cut off value Hasil analisis
Evaluasi Model Chi square
Kecil 907,869
Signifikansi 0,05
0,000 Belum Fit
CMINdf 2.00
2,334 Kurang Baik
RMSEA 0,08
0,119 Kurang Baik
GFI 0,90
0,649 Kurang Baik
AGFI 0,90
0,580 Kurang Baik
TLI 0,95
0,705 Kurang Baik
CFI 0,95
0,736 Kurang Baik
Sumber : Lampiran 6 Berdasarkan tabel 4.13 nilai probabilitas p yang dihasilkan lebih
kecil dari 0,05 p = 0,000 hal ini berarti bahwa matriks varian-kovarian populasi berbeda dengan matriks varian-kovarian model yang diestimasi,
dengan kata lain bahwa model belum sesuai fit. Untuk meningkatkan kecocokan keseluruhan model, dapat
memanfaatkan saran yang ada pada modification index yang diolah oleh AMOS dari data dan model penelitian yang ada bukan berdasarkan teori
atau substansi. Penelitian ini menambahkan error covariances diantara 2 buah error variances guna menurunkan nilai chi-square yang berarti
peningkatan kecocokan keseluruhan model Wijanto, 2008;177.
Keputusan kesesuaian
model digunakan
kriteria Goodness of Fit
Indices pada tabel dibawah ini:
Tabel 4.14 : Kriteria Goodness of Fit Indices Full Model – Modifikasi Goodness of Fit index
Cut off value Hasil analisis
Evaluasi Model Chi square
Kecil 406,025
Signifikansi 0,05
0,051 Fit CMINdf
2.00 1,491 Baik
RMSEA 0,08
0,072 Baik GFI
0,90 0,750 Kurang
Baik AGFI
0,90 0,679 Kurang
Baik TLI
0,95 0,891 Kurang
Baik CFI
0,95 0,910 Kurang
Baik Sumber : Lampiran 12
Setelah dilakukan
modifikasi, dihasilkan nilai Chi-Square sebesar
406,025 dengan nilai probabilitas p yang dihasilkan lebih besar dari 0,05 p = 0,051 hal ini berarti bahwa matriks varian-kovarian populasi sama
dengan matriks varian-kovarian model yang diestimasi, dengan kata lain bahwa model sudah sesuai fit. Selain itu, dua nilai kriteria Goodness of Fit
menunjukkan tingkat penerimaan yang baik.
4.7. Uji Hipotesis
