METODE PENELITIAN

2) 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. Byrne (1988) 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. Byrne (1988)

3) GFI

Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya. Nilai Goodness-of- fit Index (GFI) berkisar antara nilai 0 (poor fit) hingga 1,0 (perfect fit). Nilai GFI yang tinggi menunjukan fit yang lebih baik (better fit).

4) 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 AGFI sebesar 1,0 berarti model memili ki perfect fit. Nilai AGFI yang direkomendasikan adalah ≥ 0,09.

5) RMSEA

RMSEA merupakan indeks yang digunakan untuk mengukur fit model menggantikan chi-square statistic dalam jumlah sampel yang besar. Nilai RMSEA adalah ukuran untuk memperbaiki kecenderungan Chi-square Statistic menolak model dengan sampel yang besar, nilainya disarankan < 0,08.

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 TLI berkisar antara 0 (no fit at all) sampai 1,0 (perfect fit), tetapi

sebaiknya nilainya ≥ 0,09.

7) NFI

Tidak ada nilai mutlak yang dipergunakan sebagai nilai standar, tetapi sebaiknya nilainya ≥ 0,09.

8) CFI

CFI merupakan indeks kesesuaian incremental, yang juga membandingkan model yang diuji dengan null model. Nilai CFI akan berkisar antara 0 sampai 1,0. Suatu model dapat dikatakan fit jika memiliki nilai CFI ≥ 0,09.

b. Memilih jenis matrik input dan estimasi model Model persamaan struktural (SEM) hanya menggunakan data input berupa matrik varian/ kovarian atau matrik korelasi untuk estimasi model yang dilakukannya. Matrik kovarian memiliki kelebihan daripada matrik korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda. Penggunaan matrik korelasi lebih cocok jika tujuan penelitiannya hanya untuk memahami pola hubungan antar variabel tetapi tidak menjelaskan keseluruhan variabel dari variabel (Ghozali 2004).

Besarnya ukuran sampel memiliki peran penting dalam interpretasi hasil SEM. Ukuran sampel memberikan dasar untuk mengestimasi sampling error. Jumlah yang disarankan untuk model estimasi menggunakan Maximum Likelihood (ML) antara 100 – 200 sampel (Ghozali 2004).

2) Estimasi model

Teknik estimasi SEM pada awalnya dilakukan dengan ordinary least square (OLS) regression , tetapi teknik ini telah digantikan oleh Maximum Likelihood Estimation (ML) yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Jika model struktural dan model pengukuran telah terspesifikasi dan input matrik telah dipilih, langkah berikutnya memilih program Amos versi 18 untuk mengestimasi model.

c. Analisis Structural Equation Modeling Tahapan permodelan dan analisis SEM adalah pengembangan berdasar teori model persamaan struktural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada variabel yang lain. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dipilih, tetapi pada justifikasi secara teoritis yang mendukung analisis. Jadi, hubungan antar variabel dalam model c. Analisis Structural Equation Modeling Tahapan permodelan dan analisis SEM adalah pengembangan berdasar teori model persamaan struktural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada variabel yang lain. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dipilih, tetapi pada justifikasi secara teoritis yang mendukung analisis. Jadi, hubungan antar variabel dalam model

Tabel 3.1 Variabel dan Faktor Loading

No Variabel Faktor loading

Perceived ease of use (PEU)

PEU1

Kemudahan dipelajari

PEU2

Kemudahan mendapatkan

PEU3

Mudah dipahami

PEU4

Kemudahan Berinteraksi

PEU5

Mudah sehingga mahir

PEU6

Mudah digunakan

2 Mandatory using (MU)

MU1

Karena diwajibkan

MU2 MU3 MU4 MU5 MU6

Diminta menggunakan tugas Untuk meningkatkan efektifitas Berdasarkan perintah Mempermudah pekerjaan Tanggung-jawab

3 Perceived usefulness (PU) PU1

Lebih cepat

PU2

Meningkatkan kinerja

PU3

Meningkatkan produktifitas

Attitude toward using (ATU)

ATU1

Rasa senang

ATU2

Rasa informatif

ATU3

Menikmati

5 Behavior intention (BI)

BI1

Menggunakan kapan saja

BI2

Menggunakan kondisi apapun

BI3

Menggunakan terus

BI4

Niat menggunakan terus

BI5

Berharap menggunakan

6 Actual usage (AU)

AU1

Frekuensi penggunaan

AU2

Jumlah penggunaan

Setelah mengembangkan model teoritis dan dituangkan dalam diagram jalur maka perlu mengkonversi diagram jalur tersebut dalam bentuk persamaan struktural. Bentuk persamaan struktural berdasar model teoritis adalah berikut ini.

Gambar 3.1 Technology Acceptance Model

Rumus persamaan penelitian ini:

PU = a1PEU + e1 (1) ATU = a2PEU + b1MU + e2 (2) BI = c1ATU + d1PU + e3 (3) AU = d2BI + e4 . (4)

Persepsi akan manfaat (perceived usefullness )

Persepsi kemudahan dalam menggunakan (percieved ease of use )

Sikap dalam penggunaan (Attitude toward using)

Minat menggunakan (Behavioral intention to Use)

Penggunaan Aktual (Actual Usage)

H3

H7

Kewajiban Penggunaan (Mandatory using)

PU

: Perceived usefulness, PEU : Perceived ease of use, MU : mandatory using, ATU : attitude toward using,

BI : behavioral intention,

AU

: Actual usage , a,b,c,d : nilai koefisien

e : error.

e. Interpretasi dam modifikasi model Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan

dilakukannya

modifikasi model untuk memperbaiki penjelasan teoritis.. Modifikasi harus berdasarkan teori yang mendukung. Jika model dimodifikasi, maka model tersebut harus divalidasi silang sebelum modifikasi model diterima. Validasi silang model dilakukan untuk menguji fit tidaknya model terhadap data baru (validasi sub sampel yang diperoleh melalui prosedur pemecahan sampel). Pengukuran model dapat dilakukan dengan modification indices , yang nilainya sama dengan penurunan chi-squares jika koefisien diestimasi.

ANALISIS DAN PEMBAHASAN

A. Statistik Deskriptif

Penelitian ini menggunakan analisis diskriptif untuk memberikan penjelasan yang memudahkan dalam menginterpretasikan hasil analisis lebih lanjut. Salah satunya dengan pengelompokan data yang diperoleh dan menyajikannya dalam bentuk tabel. Hal ini dimaksudkan untuk menggambarkan responden agar dapat diketahui secara keseluruhan berdasarkan karakteristiknya.

Metode pengumpulan data yang dijelaskan dalam bab tiga, dengan menggunakan kuisioner. Adapun metode pengambilan sampel dalam penelitian adalah membagikan langsung kepada pengguna sistem SIMDA keuangan yang saat itu berada di kantor DPPKAD. Hasil pengumpulan kuisioner berupa data yang berhasil dikembalikan dan memenuhi syarat sebagai berikut:

Tabel 4.1 Hasil Pengumpulan Data

Keteraangan

Jumlah

% Kuisioner yang disebar

100 Kuisioner yang kembali

100 Kuisioner yang pengisiannya tidak lengkap

10 10 Kuisioner yang memenuhi syarat

Tabel 4.2 Penyebaran Sampel

No

Nama Instansi

Kuisioner yang

disebar

Kuisioner memenuhi syarat

1 DPPKA Surakarta

21 20

2 DPPKAD Klaten

15 15

3 DPPKAD Karanganyar

40 36

4 DPPKAD Wonogiri

15 13

5 DPPKAD Sragen

10 8

6 DPPKAD Boyolali

Sebanyak 112 kuisioner disebarkan dalam penelitian ini ke beberapa DPPKA dan DPPKAD di karisidenan Surakarta, tapi hanya 102 kuisioner yang memenuhi syarat untuk dimasukkan ke dalam penelitian. Teknik Sampling menggunakan Convinience Sampling, yaitu metode pengambilan sampel yang dilakukan

dengan memilih sampel bebas selama masih memenuhi kriteria yang ditetapkan kepada pegawai bagian keuangan yang menangani langsung masalah SIMDA KEUANGAN dan masih aktif menggunakan sistem.

B. Uji Kualitas Data

Uji validitas digunakan untuk mengukur apakah instrumen penelitian benar-benar mampu mengukur konstruk yang digunakan. Ghozali (2005) mengemukakan bahwa suatu kuesioner dikatakan valid jika pertanyaan pada

kuesioner. Uji validitas yang digunakan untuk mengidentifikasi variabel dasar atau faktor yang menerangkan pola hubungan dalam satu himpunan variabel observasi. Pengujian instrumen penelitian ini menggunakan Confirmatory Factor Analysis (CFA). Tinggi rendahnya suatu validitas suatu kuesioner dengan melihat Factor Loading dengan bantuan program SPSS. Dimana apabila Factor loading suatu item ≥ 0,5 maka item tersebut valid dan sebaliknya jika Factor Loading dalam kuesioner ≤ 0,5 maka item tersebut tidak valid. Hasil perhitungan dapat dilihat pada tabel berikut:

Tabel 4.3 Uji Validitas

Tabel diatas menunjukkan ada satu item pertanyaan yang mempunyai faktor loading ≥ 0,5. Yaitu item pertanyaan PU2 dengan nilai faktor loading Tabel diatas menunjukkan ada satu item pertanyaan yang mempunyai faktor loading ≥ 0,5. Yaitu item pertanyaan PU2 dengan nilai faktor loading

Tabel 4.4 Hasil Uji Validitas

AU1 .585 AU2

(PU2) menghasilkan semua item pertanyaan terekstrak sempurna dan memiliki faktor loading ≥ 0,5.

1. Uji Reliabilitas

Uji reliabilitas merupakan uji yang dilakukan untuk mengukur apakah kuesioner benar-benar merupakan indikator yang mengukur suatu variabel. Suatu kuesioner dikatakan reliabel apabila jawaban seseorang konsisten dari waktu ke waktu. Reliabilitas dalam penelitian ini diuji dengan metode Cronbach’s Alpha. Nilai Cronbach Alpha antara 0,80 – 1,0 dikategorikan reliabilitas baik, nilai 0,60 – 0,79 dikategorikan reliabilitasnya dapat diterima, nilai = 0,60 dikategorikan reliabilitasnya buruk (Ghozali, 2005).

Tabel 4.5 Hasil Uji Reliabilitas

Variable cronbac's alpha Kesimpulan Percieved ease of use (PEU)

Reliabel Mandatory using (MU)

Reliabel Percieved usefulness (PU)

Reliabel Attitude toward using (ATU)

Reliabel Behavioral intention (BI)

Reliabel Actual usage (AU)

Reliabel Sumber: Data primer yang diolah, 2012 Reliabel Sumber: Data primer yang diolah, 2012

Tabel 4.6 Skewness dan kurtosis

Skew c.r.

Kurtosis c.r. PEU

20.000 30.000 -.052 -.214

-.855 -1.763 MU

14.000 30.000 -.078 -.322

15.000 -.103 -.424

BI 9.000

25.000 -.160 -.660

.490 1.011 AU

10.000 -.368 -1.517 -.074 -.152 Multivariate

Tabel di atas menunjukkan bahwa semua variabel memiliki nilai skewness di bawah 2 dan nilai kurtosis dibawah 7. Sehingga dapat disimpulkan bahwa semua variabel berdistribusi normal. Selain itu secara multivariate nilai kurtosisnya juga kecil sehingga secara multivariate juga berdistribusi normal.

b. Asumsi outlier

Tabel dibawah ini adalah hasil perhitungan setelah mengurangi data outlier. Data yang dibuang yaitu 15,74,70, 45, 94, dan 5. Data ke

94 dan ke 5 juga dibuang karena setelah membuang keempat data terjauhnya ternyata kedua data terjauhnya yaitu 94 dan 5 masih sebagai outlier.

Pengecekan outlier tahap akhir.

Observation number

Mahalanobis d-squared

Hasil perhitungan dengan tidak melibatkan data outlier sudah menunjukkan bahwa asumsi tidak adanya outlier sudah terpenuhi.

c. Asumsi Goodness of Fit

Tabel 4.8 Goodness of Fit

Goodness-of-fit Indices

Cut-off Value

Nilai yang

diperoleh

Kesimpulan

Chi-square (c²)

Diharapkan kecil

74,857

Tidak terpenuhi Significance Probability

CMIN/DF ≤ 2,00

9,357

Tidak terpenuhi

Tidak terpenuhi

Tidak terpenuhi

Tujuan analisis ini adalah mengembangkan dan menguji apakah sebuah model yang sesuai dengan data. Chi square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Nilai chi-square yang diperoleh sebesar 74,857. Dengan nilai p sebesar 0,000. Karena nilai chi-square sangat bergantung pada jumlah sampel dan cenderung signifikan (tidak memenuhi asumsi), jika nilai chi-square tidak kecil dan nilai p tidak melebihi 0,05 maka kita dianjurkan mengabaikannya dan menggunakan uji goodness of fit lainnya.

2) CMIN/DF

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 dan jumlah- jumlah koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Batas nilai yang baik adalah cmin/df <

2, dan nilai reasonabel (cukup) cmin/df <5. Nilai yang diperoleh adalah 9,357. Nilai ini menunjukkan bahwa model yang dibuat kurang cocok.

Asumsi goodness of fit menunjukkan bahwa hanya GFI yang memenuhi nilai yang dianjurkan yaitu lebih dari 0,9. Indeks yang menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya.

Nilai GFI ≥ 0,90 mengisyaratkan model yang diuji memiliki kesesuaian yang baik. Hasil perhitungan

menunjukkan nilai GFI = 0,743, hasil tersebut menunjukkan bahwa menurut Ghozali (2005) asumsi goodness if fit kurang dari nilai yang dianjurkan, tetapi nilai GFI sudah cukup mengingat kategori cukup adalah 0,50 sampai dengan 0,80 sehingga dapat dikatakan bahwa asumsi goodness of fit dilihat dari GFI adalah cukup.

4) Adjusted Goodness Fit Of Index (AGFI)

Indeks ini merupakan pengembangan dari Goodness Fit Of Index (GFI) yang telah disesuaikan dengan ratio dari degree of freedom model (Ghozali dan Fuad, 2005:31).

Analog dengan R 2 pada regresi berganda. Nilai yang direkomendasikan adalah AGFI ≥ 0,90, semakin besar nilai

AGFI maka semakin baik kesesuaian yang dimiliki oleh model. Nilai yang diperoleh adalah 0,727, meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai AGFI cukup AGFI maka semakin baik kesesuaian yang dimiliki oleh model. Nilai yang diperoleh adalah 0,727, meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai AGFI cukup

5) Tucker Lewis Index (TLI)

TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan baseline model. TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model (Ghozali dan Fuad, 20005:34). Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,90. TLI merupakan indeks yang kurang dipengaruhi oleh ukuran sampel. Nilai yang diperoleh adalah 0,416, sehingga dapat disimpulkan bahwa asumsi TLI tidak terpenuhi. Nilai TLI juga jauh dari nilai 0. Sehingga dapat dikatakan bahwa goodness of fit dari segi TLI cukup.

6) Comparative Fit Index ( CFI)

CFI juga merupakan indeks kesesuaian incremental. 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. Nilai penerimaan yang direkomendasikan CFI juga merupakan indeks kesesuaian incremental. 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. Nilai penerimaan yang direkomendasikan

7) Normed Fit Index (NFI)

Indeks ini juga merupakan ukuran perbandingan antara proposed model dan null model (Ghozali, 2005: 25). Nilai yang direkomendasikan adalah NFI ≥ 0,90. Nilai NFI yang diperoleh adalah 0,674. Sama seperti CFI meskipun tidak memenuhi nilai yang dianjurkan tetapi nilai 0,674 tersebut jauh dari nilai 0. Sehingga model dikatakan cukup fit.

8) Root Mean Square Error of Approximation (RMSEA)

RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 dan 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model (Ghozali, 2005:24). Nilai yang diperoleh adalah 0.2881 sehingga dapat disimpulkan bahwa model yang digunakan tidak sesuai yang diharapkan.

Tabel 4.9 Regression weight

Estimate S.E.

Kesimpulan PEU  PU

Berpengaruh PEU  ATU

Berpengaruh PU

.079 P<0.05 Tidak berpengaruh PU

Berpengaruh ATU  BI

Berpengaruh MU  ATU

.972 P<0.05 Tidak berpengaruh BI  AU

Berpengaruh Keterangan: Tanda *** berarti p < 0,001

Secara grafik gambar hubungan dapat dijelaskan secara singkat sebagai berikut:

p <0,001 H4

H5 H1 p <0,001 0,049

Perceived usefullness (PU)

H3

Behavioral intention to Use (BI)

Attitude toward using (ATU)

Percieved ease of use (PEU)

H7

Mandatory using (MU)

Actual usage (AU) Actual usage (AU)

H5 H1 p <0,001 0,049

Gambar 4.2 Hasil Korelasi antar Variabel Technology Acceptance Model

1. Hipotesis 1. Kemudahan yang dirasakan (PEU: Perceived ease of use) akan mempengaruhi kegunaan yang dirasakan (PU: Perceived usefulness). PU =

0,294 PEU

errorvar 0,258 R 2 0,240

0,052

 nilai standar error

5,643

 nilai uji t

Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 5,643 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah H1 diterima, dengan nilai koefisien

Perceived usefullness (PU)

Behavioral intention to Use (BI)

Attitud e toward using (ATU)

Percieved ease of use (PEU)

H7

Mandatory using (MU)

Actual usage (AU)

sebesar 0,294. Artinya setiap penambahan 100% PEU maka besarnya PU akan bertambah sebesar 29,4 %. Hipotesis bahwa PEU berpengaruh signifikan terhadap PU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa PEU berpengaruh

terhadap PU.

2. Hipotesis 2 Kemudahan yang dirasakan (PEU: perceived ease of use) mempengaruhi sikap (ATU: attitude toward using). ATU = 0,180 PU + 0,126 PEU - 0,002 MU

error var =0,274

nilai standarerror

 nilai uji t Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai

kritisnya, yaitu 2,057 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,126. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PEU terhadap ATU sebesar 0,126 Artinya setiap penambahan 100% PEU maka besarnya ATU akan bertambah sebesar 12,6 %. Hipotesis bahwa PEU kritisnya, yaitu 2,057 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,126. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PEU terhadap ATU sebesar 0,126 Artinya setiap penambahan 100% PEU maka besarnya ATU akan bertambah sebesar 12,6 %. Hipotesis bahwa PEU

3. Hipotesis 3 Kegunaan yang dirasakan (PU: Perceived usefulness) mempengaruhi sikap (ATU: attitude toward using). ATU = 0,180 PU + 0,126 PEU - 0,002 MU

error var =0,274 R 2 = 0.124

nilai standar error

 nilai uji t Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 1,758 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis ditolak, dengan nilai koefisien 0,180. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PU terhadap ATU sebesar 0,180. Artinya setiap penambahan 100% PU maka besarnya ATU akan bertambah sebesar 18 %. Hipotesis bahwa PU berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,079 berdasarkan batas nilai (cut of value) p <0,05 maka  nilai uji t Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 1,758 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis ditolak, dengan nilai koefisien 0,180. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PU terhadap ATU sebesar 0,180. Artinya setiap penambahan 100% PU maka besarnya ATU akan bertambah sebesar 18 %. Hipotesis bahwa PU berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,079 berdasarkan batas nilai (cut of value) p <0,05 maka

4. Hipotesis 4 Kegunaan yang dirasakan (PU: Perceived usefulness) mempengaruhi minat (BI: behavioral intention). BI =

0,326 ATU + 1,285 PU

error var =0,786 R 2 =0.462

nilai standar error

 nilai uji t

Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 8,108 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 1,285. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate PU terhadap BI sebesar 1,285. Artinya setiap penambahan 100% PU maka besarnya BI akan bertambah sebesar 128,5 %. Hipotesis bahwa PU berpengaruh signifikan terhadap BI dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa PU berpengaruh

terhadap BI.

Sikap (ATU: attitude toward using) mempengaruhi minat (BI: behavioral intention) . BI =

0,326 ATU + 1,285 PU

error var =0,786 R 2 =0.462

 nilai standar error

 nilai uji t

Dari keluaran di atas diketahui bahwa nilai t lebih besar dari nilai kritisnya, yaitu 1,972 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,326. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate ATU terhadap BI sebesar 0,326. Artinya setiap penambahan 100% ATU maka besarnya BI akan bertambah sebesar 32,6 %. Hipotesis bahwa ATU berpengaruh signifikan terhadap BI dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,049 berdasarkan batas nilai (cut of value) p <0,05 maka p hitung 0,049 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa ATU berpengaruh terhadap BI.

6. Hipotesis 6. Kewajiban penggunaan (MU: mandatory using) mempengaruhi sikap (ATU: attitude toward using) .

nilai standar error

1,758 2,057

0,036

 nilai uji t Dari keluaran di atas diketahui bahwa nilai t lebih kecil dari nilai kritisnya, yaitu 0,036 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis ditolak, dengan nilai koefisien 0,002. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate MU terhadap ATU sebesar -0,002 Artinya setiap penambahan 100% MU maka besarnya ATU akan berkurang sebesar 0,2 %. Hipotesis bahwa MU berpengaruh signifikan terhadap ATU dapat diketahui dari tabel regression weight. Hasil perhitungan menunjukkan bahwa nilai probabilitas 0,972 berdasarkan batas nilai (cut of value) p <0,05 maka p hitung 0,972 lebih besar dari batas nilainya sehingga dapat disimpulkan bahwa MU tidak berpengaruh terhadap ATU.

7. Hipotesis 7. Minat (BI: behavioral intention) mempengaruhi penggunaan (AU: actual usage ).

AU = 0,272 BI error var = 0,786 R 2 = 0.398

0,033

nilai standar error

8,169

 nilai uji t

kritisnya, yaitu 8,169 (nilai kritis 1,96 pada tingkat signifikansi 0.05) sehingga kesimpulannya adalah Hipotesis diterima, dengan nilai koefisien 0,272. Bila berpedoman pada tabel Regression weight nilai p, dengan cut of value adalah <0,05 maka nilai estimate BI terhadap AU sebesar 0,272. Artinya setiap penambahan 100% BI maka besarnya AU akan bertambah sebesar 27,2%. Hipotesis bahwa BI berpengaruh signifikan terhadap AU dapat diketahui dari tabel regression weight . Hasil perhitungan menunjukkan bahwa nilai probabilitas <0,001 (tanda *** berarti p < 0,001). berdasarkan batas nilai (cut of value) p <0,05 maka p hitung < 0,001 lebih kecil dari batas nilainya sehingga dapat disimpulkan bahwa BI berpengaruh

terhadap AU.

D. Pembahasan

Pengujian H1 menyatakan bahwa hipotesis tersebut berpengaruh, yang berarti bahwa variabel kemudahan yang dirasakan (PEU) memiliki pengaruh secara signifikan terhadap kegunaan yang dirasakan (PU) dalam penggunaan SIMDA keuangan. Hasil ini sesuai dengan penelitian tentang Perceived usefulness dan Perceived ease of use sebelumnya dilakukan Suhendro (2009) yang menunjukan adanya hubungan variabel kemudahan penggunaan yang dirasakan (Perceived ease of use) terhadap kegunaan yang dirasakan (Perceived usefulness) dalam penggunaan sistem

merasakan kemudahan dalam menggunakan SIMDA keuangan tersebut. Pengujian H2 menyatakan bahwa hipotesis tersebut berpengaruh, yang berarti bahwa variabel kemudahan penggunaan yang dirasakan (PEU) memiliki pengaruh secara signifikan terhadap sikap penggunaan (ATU) dalam Penggunaan SIMDA keuangan. Hasil ini sejalan dengan penelitian sebelumnya dilakukan oleh Suhendro (2009) yang menunjukkan adanya hubungan yang signifikan variabel kemudahan penggunaan yang dirasakan terhadap penggunaan sistem informasi.

Pengujian H3 menyatakan bahwa hipotesis tersebut tidak berpengaruh, yang berarti bahwa variabel kegunaan yang dirasakan (PU) tidak berpengaruh signifikan terhadap sikap penggunaan (ATU) dalam Penggunaan SIMDA keuangan. Hasil ini sejalan dengan penelitian sebelumnya dilakukan oleh Aditya (2012) yang menunjukkan bahwa Perceived usefulness tidak berpengaruh terhadap attitude toward using.

Hal ini menurut pendapat penulis dikarenakan petugas SIMDA tidak hanya 1 orang, tapi beberapa orang yang sering terjadi rotasi atau mutasi pegawai dan tidak terdapat seorang spesialis dalam penggunaan SIMDA keuangan yang menyebabkan tidak berpengaruh terhadap sikap pegawai dalam penggunaan SIMDA keuangan. Mutasi atau rotasi pegawai sering terjadi, biasanya pada bulan agustus dan desember, bahkan bisa lebih dari itu, tergantung kebijakan Badan Kepegawaian Daerah (BKD), yang terjadi akibat beberapa posisi yang kosong karena habisnya masa Hal ini menurut pendapat penulis dikarenakan petugas SIMDA tidak hanya 1 orang, tapi beberapa orang yang sering terjadi rotasi atau mutasi pegawai dan tidak terdapat seorang spesialis dalam penggunaan SIMDA keuangan yang menyebabkan tidak berpengaruh terhadap sikap pegawai dalam penggunaan SIMDA keuangan. Mutasi atau rotasi pegawai sering terjadi, biasanya pada bulan agustus dan desember, bahkan bisa lebih dari itu, tergantung kebijakan Badan Kepegawaian Daerah (BKD), yang terjadi akibat beberapa posisi yang kosong karena habisnya masa

Pengujian H4 menyatakan bahwa hipotesis tersebut berpengaruh. Hasil ini menunjukan bahwa variabel kegunaan yang dirasakan (PU) mempengaruhi keinginan seseorang untuk melakukan suatu perilaku tertentu (BI). Hasil ini agak berbeda dengan penelitian TAM sebelumnya yang menunjukan pengaruh yang tidak signifikan kegunaan yang dirasakan terhadap keinginan seseorang untuk melakukan suatu perilaku tertentu (BI) oleh Suhendro (2009).

Pengujian H5 menyatakan bahwa hipotesis tersebut berpengaruh. Hasil ini menunjukan bahwa variabel sikap (ATU) mempengaruhi minat (BI) penggunaan SIMDA keuangan terbukti secara signifikan. Hasil ini sesuai dengan penelitian tentang aspek attitude towards behavior (sikap terhadap perilaku) sebelumnya dalam Suhendro (2009) yang menunjukan sikap berhubungan dalam penggunaan sesungguhnya system. Artinya jika Pengguna sudah bersikap positif atau menerima sistem informasi maka akan tumbuh minat untuk menggunakannya. Demikian juga jika Pengguna sudah ada minat yang kuat maka direalisasikan menjadi bentuk perilaku penggunaan.

Pengujian terhadap H6 menyatakan bahwa hipotesis tersebut tidak berpengaruh. Hasil ini menunjukan bahwa variabel sikap tidak dipengaruhi oleh kewajiban menggunakan SIMDA keuangan. Hasil ini sama dengan penelitian Suhendro (2009) yang dapat diartikan bahwa sikap Pengujian terhadap H6 menyatakan bahwa hipotesis tersebut tidak berpengaruh. Hasil ini menunjukan bahwa variabel sikap tidak dipengaruhi oleh kewajiban menggunakan SIMDA keuangan. Hasil ini sama dengan penelitian Suhendro (2009) yang dapat diartikan bahwa sikap

Pengujian H7 menyatakan bahwa hipotesis tersebut berpengaruh, yang berarti bahwa variabel minat (BI) mempengaruhi penggunaan (AU) SIMDA keuangan secara signifikan. Hasil ini sejalan dengan penelitian Suhendro (2009) yang menunjukan bahwa minat perilaku berhubungan dan prediktor yang baik dari penggunaan teknologi oleh Pengguna sistem informasi.