Post on 30-Oct-2020
ANALISIS PENERIMAAN PENGGUNA TERHADAP APLIKASI MOBILE JKN BADAN
PENYELENGGARA JAMINAN SOSIAL KESEHATAN DENGAN MENGGUNAKAN
MODEL UNIFIED THEORY OF ACCEPTANCE AND USE OF TECHNOLOGY
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sistem Informasi
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh:
PRATIWI HANJANI PUTRI
11150930000025
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
2019 M / 1441 H
i
ANALISIS PENERIMAAN PENGGUNA TERHADAP APLIKASI MOBILE JKN BADAN
PENYELENGGARA JAMINAN SOSIAL KESEHATAN DENGAN MENGGUNAKAN
MODEL UNIFIED THEORY OF ACCEPTANCE AND USE OF TECHNOLOGY
SKRIPSI
HALAMAN JUDUL
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sistem Informasi
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh:
PRATIWI HANJANI PUTRI
11150930000025
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
2019 / 1441 H
ii
ANALISIS PENERIMAAN PENGGUNA TERHADAP APLIKASI MOBILE JKN BADAN
PENYELENGGARA JAMINAN SOSIAL KESEHATAN DENGAN MENGGUNAKAN
MODEL UNIFIED THEORY OF ACCEPTANCE AND USE OF TECHNOLOGY
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sistem Informasi
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh:
PRATIWI HANJANI PUTRI
11150930000025
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
2019 M / 1441 H
iii
LEMBAR PERSETUJUAN
ANALISIS PENERIMAAN PENGGUNA TERHADAP APLIKASI MOBILE JKN BADAN
PENYELENGGARA JAMINAN SOSIAL KESEHATAN DENGAN MENGGUNAKAN
MODEL UNIFIED THEORY OF ACCEPTANCE AND USE OF TECHNOLOGY
Disusun Oleh :
PRATIWI HANJANI PUTRI
NIM : 11150930000025
Menyetujui,
Dosen Pembimbing I Dosen Pembimbing II
A’ang Subiyakto, Ph.D Eva Khudzaeva, M.Si
NIP. 19760219 200710 1 002 NIDN. 0306108301
Mengetahui,
Ketua Program Studi Sistem Informasi Fakultas Sains dan Teknologi
UIN Syarif Hidayatullah Jakarta
A’ang Subiyakto, Ph.D
NIP. 19760219 200710 1 002
iv
LEMBAR PENGESAHAN
Skripsi yang berjudul Analisis Penerimaan Pengguna Terhadap Aplikasi
Mobile JKN Badan Penyelenggara Jaminan Sosial Kesehatan Dengan
Menggunakan Model Unified Theory of Acceptance And Use of Technology
telah diuji dan dinyatakan lulus dalam sidang munaqosyah Fakultas Sains dan
Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada hari Senin
tanggal 26 Agustus 2019. Skripsi telah diterima sebagai salah satu syarat untuk
memperoleh gelar Sarjana Strata Satu (S1) Program Studi Sistem Informasi.
Menyetujui,
Penguji I Penguji II
Nurbojatmiko, M.Kom Sarip Hidayatullah, MMSI
NIDN. 0428116703 NIP. 19750811 200912 1 001
Pembimbing I Pembimbing II
A’ang Subiyakto, Ph.D Eva Khudzaeva, M.Si
NIP. 19760219 200710 1 002 NIDN. 0306108301
Mengetahui,
Dekan Fakultas Sains dan Teknologi Ketua Prodi Sistem Informasi
Prof. Dr. Lily Surayya Eka Putri, A’ang Subiyakto, Ph.D
M.Env.Stud NIP. 19760219 200710 1 002
NIP. 19690404 200501 2 005
v
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR -
BENAR HASIL KARYA SENDIRI DAN BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN
TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Agustus 2019
Pratiwi Hanjani Putri
11150930000025
vi
ABSTRAK
Pratiwi Hanjani Putri – 11150930000025. Analisis Penerimaan Pengguna
Terhadap Aplikasi Mobile JKN Badan Penyelenggara Jaminan Sosial Kesehatan
Dengan Menggunakan Model Unified Theory of Acceptance And Use Of
Technology dibawah bimbingan A’ANG SUBIYAKTO, Ph.D dan EVA
KHUDZAEVA, M.Si.
Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) sebagai
penyelenggara jaminan kesehatan nasional bagi seluruh rakyat Indonesia terutama
untuk Pegawai Negeri Sipil, TNI/POLRI, Veteran, dan rakyat biasa berupaya untuk
meningkatkan layanan kepada seluruh peserta BPJS Kesehatan. BPJS Kesehatan
memberikan inovasi pengembangan aplikasi Mobile JKN yang berguna untuk
mempermudah pelayanan peserta BPJS Kesehatan. Tujuan dari penelitian ini
adalah mengetahui status penerimaan pengguna terhadap aplikasi Mobile JKN dan
faktor-faktor apa saja yang mempengaruhi penerimaan pengguna terhadap aplikasi
Mobile JKN dengan menggunakan model Unified Theory of Acceptance and Use
of Technology atau UTAUT yang terdiri dari enam konstruk dengan menambahkan
dua konstruk yaitu Trust dan Satisfaction. Populasi penelitian ini adalah pengguna
aplikasi Mobile JKN yang berdomisili di Jakarta, Bogor, Depok, Tangerang, Bekasi
(JABODETABEK). Penyebaran kuesioner dilakukan secara online dan offline serta
teknik pengumpulan sampel menggunakan teknik multi-stage purposive sampling.
Penelitian ini menggunakan metode kuantitatif dan teknik analisa menggunakan
CB-SEM. Proses analisis data menggunakan AMOS versi 24. Hasilnya adalah
ditolaknya tujuh hipotesis dari dua belas hipotesis yang diuji. Hasil dari penelitian
ini diharapkan dapat memberikan rekomendasi untuk pengembangan aplikasi
Mobile JKN bagi pihak BPJS Kesehatan.
Kata Kunci : Mobile JKN, UTAUT, AMOS versi 24, BPJS Kesehatan, CB-SEM,
Penerimaan
BAB I-V + 168 Halaman + xvi Halaman + 28 Gambar + 57 Tabel + Daftar Pustaka
+ Lampiran
Pustaka Acuan (95, 1981-2019)
vii
KATA PENGANTAR
Assalamualaikum Wr. Wb.
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala nikmat
dan karunia-Nya, terutama nikmat sehat sehingga penulis selalu dalam keadaan
baik dalam menyusun laporan skripsi ini. Tidak lupa, shalawat serta salam semoga
senantiasa tercurahkan kepada baginda Nabi Muhammad SAW beserta keluarga,
sahabat, dan para pengikutnya dari awal hingga akhir zaman.
Peneliti menyadari bahwa skripsi ini masih banyak memiliki kekurangan.
Namun demikian peneliti berharap bahwa skripsi ini dapat memenuhi persyaratan
guna memperoleh gelar sarjana (S-1) dalam bidang Sistem Informasi dari Fakultas
Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.
Penyusunan skripsi ini berjudul “Analisis Penerimaan Pengguna
Terhadap Aplikasi Mobile JKN Badan Penyelenggara Jaminan Sosial
Kesehatan Dengan Menggunakan Model Unified Theory of Acceptance and
Use of Technology”, akhirnya dapat diselesaikan sesuai yang diharapkan. Selama
penyusunan laporan skripsi ini tentunya terdapat hambatan dan kesulitan yang
dihadapi, baik dalam pengumpulan data dan lain sebagainya. Namun berkat
bantuan yang didapat dari berbagai pihak, kesulitan tersebut dapat diatasi.
Kebahagiaan yang tak ternilai secara pribadi dapat dipersembahkan kepada kedua
orang tua, seluruh keluarga, dan pihak-pihak yang telah ikut dalam penyelesaian
skripsi ini.
viii
Dalam kesempatan kali ini, peneliti ingin menyampaikan rasa terima kasih
yang sebesar-besarnya atas dukungan dan semua bantuan yang telah diberikan
dalam menyelesaikan skripsi ini. Secara khusus rasa terima kasih tersebut peneliti
sampaikan kepada :
1. Ibu Pro. Dr. Lily Surraya Eka Putri, M.Env.Stud selaku Dekan Fakultas Sains
dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
2. Bapak A’ang Subiyakto, Ph.D selaku Ketua Program Studi Sistem Informasi,
Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hiyataullah
Jakarta
3. Bapak A’ang Subiyakto, Ph.D sebagai Dosen Pembimbing I dan Ibu Eva
Khudzaeva, M.Si sebagai Dosen Pembimbing II yang tidak pernah lelah dan
bosan untuk membimbing, memotivasi, dan mengingatkan peneliti untuk
segera menyelesaikan skripsi. Peneliti mengucapkan banyak terima kasih
untuk waktu, tenaga, dukungan, arahan, saran, dan kritik yang membangun
agar skripsi ini dapat diselesaikan dengan baik
4. Dosen-dosen Program Studi Sistem Informsi yang telah memberikan ilmu
selama perkuliahan
5. Ibu Ni Made Ayu Sri Ratna Sudewi selaku Deputi Direksi Wilayah DKI
Jakarta, Bogor, Depok, Tangerang dan Bekasi BPJS Kesehatan yang telah
memberikan penulis kesempatan untuk melakukan penelitian diwilayah
JABODETABEK.
ix
6. Ibu Upik Handayani selaku Deputi Bidang Pengendali Mutu Pelayanan BPJS
Kesehatan yang telah memberikan penulis kesempatan untuk melakukan
penelitian Mobile JKN dan mewawancarai tentang Mobile JKN.
7. Bapak Siswanto selaku staff komunikasi publik BPJS Kesehatan, Bapak Aldo
selaku staff BPJS Kesehatan, Ibu Clara Devina Putri selaku Sekertaris dari
Ibu Upik Handayani, dan Seluruh karyawan serta staff di BPJS Kesehatan
dalam membantu, menerima, dan mengizinkan penulis untuk melakukan
penelitian di BPJS Kesehatan.
8. Bapak Anjari Umarjianto, S.Kom, SH, MARS selaku ketua umum
Perhimpunan Hubungan Masyarakat Rumah Sakit Indonesia yang telah
membantu peneliti untuk menyebarkan kuesioner penelitian ini.
9. Bapak Pahrifin dan Ibu Wenti Sri Susianti selaku orang tua penulis yang telah
mendidik, menyayangi, merawat, memberi dukungan, semangat dan doa
yang tiada henti sehingga peneliti dapat menyelesaikan skripsi ini.
10. Patriwa Rahmat Syahputra selaku adik peneliti yang selalu memberikan
semangat, dukungan, dan doa kepada peneliti.
11. Keluarga Besar Thamrin dan Keluarga besar Hj. Mahani yang telah
memberikan peneliti dukungan, semangat, motivasi, arahan, dan nasihat
dalam perkuliahan dan penulisan skripsi ini.
12. Sahabat-sahabat yaitu Ranti, Anka, Rina, Abdur, Gerry, Shofi, Nisa, Gio,
Finka, Gizel, Novia, Senior-senior Sistem Informasi, Keluarga Besar SI-A
2015, Teman-teman Program Studi Sistem Informasi 2015, dan Keluarga
KKN HAKS 163 yang tidak bisa penulis sebutkan satu persatu yang telah
x
memberikan semangat, motivasi, dukungan, bantuan ilmu dan doa kepada
peneliti dalam perkuliahan dan dalam penyusunan skripsi ini.
13. Teman-teman dan responden yang telah membantu penulis untuk
menyebarkan kuesioner dan mengisi kuesioner pada penelitian ini. Serta
seluruh pihak-pihak yang terkait dan telah berjasa membantu dalam proses
penyelesaian skripsi ini yang tidak dapat disebutkan satu persatu namun tidak
mengurangi sedikitpun rasa terimakasih dari peneliti. Semoga Allah
membalas kebaikan kalian semua.Aamiin.
Atas bantuan semua pihak, peneliti sangat berterima kasih dan berdoa
kepada Allah SWT semoga apa yang telah diberikan dijadikan amal kebaikan dan
bermanfaat, serta mendapatkan balasan yang setimpal di akhirat kelak.
Peneliti menyadari bahwa skripsi ini masih jauh dari kata sempurna, serta
masih banyak kekurangan baik dalam susunan penyajiannya dan susunan
bahasanya, maka dari itu penulis mengharapkan kritik dan saran yang bisa
disampaikan melalui email ke pratiwi.hanjani15@mhs.uinjkt.ac.id.
Terakhir dari penulis berharap semoga laporan skripsi ini dapat
memberikan hal yang bermanfaat bagi pembaca maupun penulis sendiri. Akhir
Wassalamu’alaikum Wr.Wb.
Jakarta, Agustus 2019
Pratiwi Hanjani Putri
11150930000025
xi
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
LEMBAR PERSETUJUAN................................................................................... iii
LEMBAR PENGESAHAN ................................................................................... iv
PERNYATAAN ...................................................................................................... v
ABSTRAK ............................................................................................................. vi
KATA PENGANTAR .......................................................................................... vii
DAFTAR ISI .......................................................................................................... xi
DAFTAR GAMBAR ........................................................................................... xiv
DAFTAR TABEL ................................................................................................ xvi
DAFTAR LAMPIRAN ...................................................................................... xviii
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang.......................................................................................... 1
1.2 Identifikasi Masalah ................................................................................. 7
1.3 Perumusan Masalah .................................................................................. 8
1.4 Tujuan dan Sasaran................................................................................... 8
1.5 Model Penelitian ....................................................................................... 9
1.6 Pertanyaan Penelitian ............................................................................. 10
1.7 Ruang Lingkup dan Batasan ................................................................... 12
1.8 Metodologi Penelitian ............................................................................ 13
1.9 Manfaat Penelitian .................................................................................. 14
1.10 Sistematika Penulisan ............................................................................. 15
BAB II LANDASAN TEORI ............................................................................... 17
2.1 Definisi Analisis ..................................................................................... 17
xii
2.2 Definisi Penerimaan Pengguna............................................................... 17
2.3 Definisi Sistem Informasi ....................................................................... 18
2.4 Definisi Aplikasi Mobile ........................................................................ 20
2.5 Mobile JKN ............................................................................................ 22
2.6 UTAUT (Unified Theory of Acceptance and Use of Technology) ......... 26
2.7 Metode Kuantitatif.................................................................................. 30
2.8 Skala Likert ............................................................................................ 34
2.9 Metode Pengumpulan Data .................................................................... 35
2.10 Populasi dan Sampel............................................................................... 36
2.11 Teknik Sampling .................................................................................... 38
2.12 Pretest ..................................................................................................... 46
2.13 SEM (Structural Equation Modelling) ................................................... 48
2.14 Bootstrapping ......................................................................................... 55
2.15 AMOS..................................................................................................... 56
2.16 Pengembangan Model dan Hipotesis Penelitian .................................... 56
2.17 Penelitian Sejenis.................................................................................... 70
BAB III METODOLOGI PENELITIAN.............................................................. 73
3.1 Pendekatan Penelitian ............................................................................. 73
3.2 Prosedur Penelitian ................................................................................. 73
3.3 Populasi dan Sampel Penelitian.............................................................. 74
3.4 Instrumen Penelitian ............................................................................... 76
3.5 Pengumpulan dan Pemrosesan Data ....................................................... 80
3.6 Analisa Data dan Interpretasi Hasilnya .................................................. 81
BAB IV HASIL ANALISIS DAN INTERPRETASI ........................................... 83
4.1 Hasil Analisis.......................................................................................... 83
xiii
4.1.1 Analisis Hasil Data Wawancara ...................................................... 83
4.1.2 Analisis Data Tes Awal (Pretest) .................................................... 85
4.1.3 Analisis Demografis ........................................................................ 91
4.1.4 Analisis Pengukuran Model ............................................................ 98
4.1.5 Asumsi SEM ................................................................................. 123
4.1.6 Proses Bootstrapping ..................................................................... 131
4.1.7 Analisis Full Structural Equation Model ...................................... 136
4.1.8 Pengujian Reliabilitas dan Variance Extract ................................. 140
4.1.9 Pengujian Hipotesis ....................................................................... 144
4.2 Interpretasi dan Diskusi Hasil Analisis ................................................ 150
BAB V PENUTUP .............................................................................................. 163
5.1 Kesimpulan ........................................................................................... 163
5.2 Saran ..................................................................................................... 165
DAFTAR PUSTAKA ......................................................................................... 169
xiv
DAFTAR GAMBAR
Gambar 1. 1 Jumlah Pengguna Aplikasi Mobile JKN BPJS Kesehatan wilayah
JABODETABEK ............................................................................................. 5
Gambar 1. 2 Model Penelitian ............................................................................. 10
Gambar 2. 1 Aplikasi PhilHealth ACR…………………………………… ……21
Gambar 2. 2 Logo Mobile JKN ........................................................................... 23
Gambar 2. 3 Fitur Mobile JKN ............................................................................ 26
Gambar 2. 4 UTAUT ........................................................................................... 27
Gambar 2. 5 Model UTAUT yang dikembangkan .............................................. 60
Gambar 3. 1 Prosedur Penelitian (Subiyakto et al 2015)………………..... ……74
Gambar 4. 1 Diagram Lingkaran Jenis Kelamin Responden……………... ..…..92
Gambar 4. 2 Diagram Lingkaran Domisili BPJS Responden ............................. 93
Gambar 4. 3 Diagram Lingkaran Usia Responden .............................................. 94
Gambar 4. 4 Diagram Lingkaran Pendidikan Terakhir Responden ................... 95
Gambar 4. 5 Diagram Lingkaran Pekerjaan Responden ..................................... 96
Gambar 4. 6 Diagram Lingkaran Peran Sistem ................................................... 97
Gambar 4. 7 Diagram Lingkaran Status Penerimaan Pengguna ......................... 98
Gambar 4. 8 Confirmatory Factor Analysis Konstruk Performance Expectancy 99
Gambar 4. 9 Confirmatory Factor Analysis Konstruk Effort Expectancy ........ 101
Gambar 4. 10 Confirmatory Factor Analysis Konstruk Social Influence ......... 103
Gambar 4. 11 Confirmatory Factor Analysis Konstruk Facilitating Condition 105
Gambar 4. 12 Modifikasi Confirmatory Factor Analysis Konstruk Facilitating
Condition ..................................................................................................... 107
Gambar 4. 13 Confirmatory Factor Analysis Konstruk Trust ........................... 109
Gambar 4. 14 Confirmatory Factor Analysis Konstruk Satisfaction ................ 111
Gambar 4. 15 Confirmatory Factor Analysis Konstruk Behavioral Intention .. 113
Gambar 4. 16 Confirmatory Factor Analysis Konstruk Use Behavior ............. 115
Gambar 4. 17 Confirmatory Factor Analysis Variabel Eksogen ....................... 118
Gambar 4. 18 Confirmatory Factor Analysis Variabel Endogen ...................... 121
Gambar 4. 19 Confirmatory Factor Analysis Full Structural Equation Model 137
xv
Gambar 4. 20 Uji Hipotesis Model .................................................................... 150
xvi
DAFTAR TABEL
Tabel 2. 1 Delapan Teori unsur UTAUT.............................................................. 28
Tabel 2. 2 Kriteria Fit Index ................................................................................. 52
Tabel 2. 3 Daftar Hipotesis ................................................................................... 66
Tabel 2. 4 Daftar Variabel dan Indikator Penelitian............................................. 67
Tabel 2. 5 Penelitian Sejenis ................................................................................ 70
Tabel 3. 1 Daftar Indikator dan Pertanyaan pengujian……………………..……76
Tabel 3. 2 Data Kuesioner yang terkumpul .......................................................... 81
Tabel 4. 1 Hasil Analisis Demografis Pretest……………………………... ...….85
Tabel 4. 2 Hasil Uji Validitas Pretest ................................................................... 86
Tabel 4. 3 Hasil Uji Reliabilitas Pretest ............................................................... 88
Tabel 4. 4 Hasil Uji Reliabilitas Variabel Social Iinfluence Pretest .................... 89
Tabel 4. 5 Indikator Variabel Social Influence Pretest ........................................ 90
Tabel 4. 6 Indikator Variabel Social Influence Penelitian .................................... 91
Tabel 4. 7 Goodness-of-Fit Index Konstruk Performance Expectancy ............. 100
Tabel 4. 8 Uji Validitas Konstruk Performance Expectancy ............................. 100
Tabel 4. 9 Loading Factor Konstruk Perfromance Expectancy ......................... 101
Tabel 4. 10 Goodness-of-Fit Index Konstruk Effort Expetancy ........................ 102
Tabel 4. 11 Uji Validitas Konstruk Effort Expectancy ....................................... 102
Tabel 4. 12 Loading Factor Konstruk Effort Expectancy ................................... 103
Tabel 4. 13 Goodness-of-Fit Index Konstruk Social Influence ......................... 104
Tabel 4. 14 Uji Validitas Konstruk Social Influence .......................................... 104
Tabel 4. 15 Loading Factor Konstruk Social Influence ...................................... 105
Tabel 4. 16 Goodness-of-Fit Index Konstruk Facilitating Condition ............... 106
Tabel 4. 17 Uji Validitas Konstruk Facilitating Condition ................................ 106
Tabel 4. 18 Loading Factor Konstruk Facilitating Condition ............................ 107
Tabel 4. 19 Modifikasi Goodness-of-Fit Index Konstruk Facilitating Condition
..................................................................................................................... 108
Tabel 4. 20 Uji Validitas Modifikasi Konstruk Facilitating Condition ............. 108
xvii
Tabel 4. 21 Loading Factor Modifikasi Konstruk Facilitating Condition ......... 109
Tabel 4. 22 Goodness-of-Fit Index Konstruk Trust .......................................... 110
Tabel 4. 23 Uji Validitas Konstruk Trust ........................................................... 110
Tabel 4. 24 Loading Factor Konstruk Trust ....................................................... 111
Tabel 4. 25 Goodness-of-Fit Index Konstruk Satisfaction ................................ 112
Tabel 4. 26 Uji ValiditasKonstruk Satisfaction .................................................. 112
Tabel 4. 27 Loading Factor Konstruk Satisfaction ............................................. 113
Tabel 4. 28 Goodness-of-Fit Index Konstruk Behavioral Intention .................. 114
Tabel 4. 29 Uji Validitas Konstruk Behavioral Intention .................................. 114
Tabel 4. 30 Loading Factor Konstruk Behavioral Intention .............................. 115
Tabel 4. 31 Goodness-of-Fit Index Konstruk Use Behavior ............................. 116
Tabel 4. 32 Uji Validitas Konstruk Use Behavior .............................................. 116
Tabel 4. 33 Loading Factor Konstruk Use Behavior .......................................... 117
Tabel 4. 34 Goodness-of-Fit Index Variabel Eksogen....................................... 118
Tabel 4. 35 Uji Validitas Variabel Eksogen ....................................................... 119
Tabel 4. 36 Loading Factor Variabel Eksogen ................................................... 120
Tabel 4. 37 Goodness-of-Fit Index Variabel Endogen ...................................... 121
Tabel 4. 38 Uji Validitas Variabel Endogen ...................................................... 122
Tabel 4. 39 Loading Factor Variabel Endogen .................................................. 123
Tabel 4. 40 Normalitas ....................................................................................... 124
Tabel 4. 41 Outlier .............................................................................................. 127
Tabel 4. 42 Data tidak Outlier ............................................................................ 128
Tabel 4. 43 Hasil Estimasi Parameter dan Standard Error ................................ 132
Tabel 4. 44 Bootstrap Standard Error ............................................................... 135
Tabel 4. 45 Hasil Bootstrapping Goodness-of-Fit Index Full Structural Equation
Model ........................................................................................................... 138
Tabel 4. 46 Hasil Bootstrapping Full Model Struktural .................................... 138
Tabel 4. 47 Perhitungan Composite (Construct) Reliability .............................. 140
Tabel 4. 48 Perhitungan Variance Extracted ..................................................... 142
Tabel 4. 49 Standarisasi Regression Weight Full Model ................................... 144
Tabel 4. 50 Uji Hipotesis .................................................................................... 149
xviii
DAFTAR LAMPIRAN
LAMPIRAN 1 Kuesioner Penelitian
LAMPIRAN 2 Transkrip Wawancara
LAMPIRAN 3 Data Pengguna Mobile JKN
LAMPIRAN 4 Data 318 Responden
LAMPIRAN 5 Surat-Surat Pendukung Penelitian
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi saat ini mengalami pertumbuhan yang sangat
pesat dalam segala aspek kehidupan. Dengan adanya teknologi yang semakin
berkembang lebih mempermudah pengguna untuk menggunakan sistem
informasi. Perkembangan teknologi yang telah terjadi menunjukkan bahwa
teknologi informasi saat ini bukan menjadi tuntutan lagi bagi perusahaan atau
organisasi, melainkan sudah menjadi kebutuhan untuk menunjukan entitas kerja
perusahaan atau organisasi (Antasari & Yaniartha, 2015). Pemanfaatan
teknologi informasi semakin meluas dan dapat membantu pekerjaan individu
dan organisasi (Widiani & Abdullah, 2018). Teknologi informasi dapat
meningkatkan efektivitas dan efisiensi kerja suatu organisasi. Suatu organisasi
maupun perusahaan tidak lepas dari pengaruh teknologi informasi yang
berfungsi dapat meningkatkan kualitas pelayanan (Kusumawardani et al., 2018).
Dalam sebuah perusahaan atau organisasi keberadaan sistem informasi
sangatlah diperlukan. Pemanfaatan sistem informasi dalam menyajikan
kebutuhan akan informasi yang cepat, andal dan akurat sangat diperlukan
(Suzanto & Sidharta, 2015). Organisasi dapat memanfaatkan sistem informasi
dengan menerapkan sistem yang terkomputerisasi maupun aplikasi yang sudah
dapat digunakan di smartphone. Saat ini teknologi yang sering digunakan yaitu
smartphone, sehingga banyak perusahaan atau organisasi memberikan
2
pelayanan melewati sistem informasi berbasis aplikasi mobile (Moon & Chang,
2014). Sistem informasi yang telah diterapkan pada organisasi dapat menunjang
kelancaran organisasi untuk membantu masyarakat dalam mendapatkan
pelayanan yang baik.
Untuk meningkatkan produktivitas dan kinerja, teknologi harus diterima
dan digunakan oleh masyarakat sebagai pengguna (Venkatesh et al., 2016).
Faktor yang saat ini memegang peranan penting dalam keberhasilan penerapan
dan penggunaan teknologi informasi adalah faktor pengguna. Tingkat kesiapan
pengguna untuk menerima teknologi informasi memiliki pengaruh besar dalam
menentukan sukses dan tidaknya teknologi tersebut (Saputra, 2014). Salah satu
kunci awal bagi keberhasilan implementasi teknologi informasi adalah kemauan
untuk menerima teknologi tersebut dikalangan pengguna. Beberapa penelitian
menunjukkan bahwa kegagalan penerapan teknologi informasi saat ini lebih
aspek perilaku pengguna (Sarja, 2015). Faktor pengguna dapat menjadi suatu
tolak ukur untuk menilai penerimaan sebuah teknologi informasi oleh pengguna
(Rachmadi et al., 2016).
Penerimaan pengguna merupakan suatu faktor penting yang
mempengaruhi keberhasilan implementasi dari suatu teknologi (Nasir, 2013).
Sehingga untuk mengetahui keberhasilan implementasi dari suatu teknologi
perlu adanya analisis penerimaan pengguna terhadap sistem baru seperti sistem
yang sudah ada di BPJS Kesehatan yaitu aplikasi Mobile JKN. Terdapat banyak
model analisis penerimaan pengguna, salah satunya yaitu Unified Theory of
Acceptance and Use of Technology (UTAUT).
3
UTAUT adalah sebuah model yang digunakan untuk menjelaskan perilaku
pengguna terhadap suatu teknologi informasi (Venkatesh et al., 2003). UTAUT
dikembangkan melalui ulasan dan integritasi delapan teori dan model dominan
yaitu Theory of Reasoned Action (TRA), Technology Acceptance Model (TAM),
Motivational Model, Theory of Planned Behavior (TPB), Gabungan TPB/TAM,
Model of PC Utilization, Innovation Diffusion Theory (IDT), dan Social
Cognitive Theory (SCT). Model UTAUT mempunyai konstruk utama yang
berpengaruh kepada Behavioral Intention dan Use Behavior yaitu Performance
Expectancy, Effort Exepectancy, Social Influence, dan Facilitating Condition.
Keempat konstruk utama ini dimoderatori oleh gender, age, experience, dan
voluntariness. Terdapat penelitian-penelitian yang dilakukan dengan
mengadopsi UTAUT dan mendapatkan temuan yang beragam.
UTAUT merupakan model penerimaan terkini paling komprehensif dalam
mengkaji penerimaan individu terhadap teknologi karena model ini telah
dibangunkan melalui perkembangan dan perbaikan berdasarkan model-model
penerimaan terdahulu, teori-teori berkaitan motivasi serta sikap terhadap
teknologi (Yoep & Noh, 2016). Model UTAUT adalah model baru yang
instrumennya menggabungkan delapan model penerimaan teknologi yang ada
(Ling et al., 2011). UTAUT memberikan dasar untuk menjelaskan mengapa
pengguna menerima atau menolak suatu teknologi dalam perspektif tertentu dan
memiliki potensi dalam meningkatkan pemahaman tentang penerimaan
teknologi (Samaradiwakara & Chandra, 2014).
4
Asuransi kesehatan perlu dimiliki oleh orang-orang yang ingin menjamin
secara khusus biaya kesehatan atau perawatan jika sakit atau mengalami
kecelakaan. Terdapat banyak perusahaan asuransi kesehatan bersaing untuk
menarik pelanggan dalam menawarkan jaminan yang menarik dan pelayanan
yang baik (Loewenstein et al., 2013). Perusahaan kesehatan memberikan
pelayanan kepada pelanggan dengan memanfaatkan teknologi saat ini untuk
memudahkan pengguna dalam pelayanan kesehatan atau pembiayaan asuransi.
Sesuai dengan Undang-Undang No.40 Tahun 2004 tentang Sistem
Jaminan Sosial Nasional dan Undang-Undang No.24 Tahun 2011 tentang Badan
Penyelenggara Jaminan Sosial, pemerintah memberikan jaminan dasar bagi
seluruh masyarakat Indonesia yaitu jaminan kesehatan, jaminan kecelakaan
kerja, kematian, jaminan pensiun, dan tunjangan hari tua. Jaminan yang
dimaksud akan dibiaya oleh perseorangan, pemberi kerja, dan/atau pemerintah
(RI, 2013). Badan Penyelenggara Jaminan Sosial Kesehatan badan yang
memiliki tugas untuk menyelenggarakan jaminan kesehatan nasional di
Indonesia. Badan Penyelenggara Jaminan Sosial Kesehatan disebut juga dengan
BPJS Kesehatan memberikan jaminan kesehatan berupa perlindungan kesehatan
agar peserta memperoleh manfaat pemeliharaan kesehatan dan perlindungan
dalam memenuhi kebutuhan dasar kesehatan yang diberikan kepada setiap orang
yang telah membayar iuran atau iurannya dibayar oleh pemerintah (RI, 2013).
BPJS Kesehatan terus berupaya untuk meningkatkan layanan kepada
seluruh peserta BPJS Kesehatan. Pada perkembangan teknologi informasi saat
ini yang mengarah ke pengguna mobile application, BPJS Kesehatan
5
memberikan inovasi pengembangan aplikasi Mobile JKN yang berguna untuk
mempermudah pelayanan JKN-KIS (Jaminan Kesehatan Nasional-Kartu
Indonesia Sehat). Aplikasi ini memanfaatkan teknologi informasi yang dapat
diunduh melalui aplikasi Mobile JKN di Google Playstore atau Apps Strore.
Tujuan adanya Mobile JKN yaitu masyarakat dapat menikmati layanan dengan
cepat. Aplikasi ini dapat digunakan dimana saja kapanpun tanpa batasan waktu
(self service).
Berdasarkan informasi yang peneliti dapatkan dari pihak BPJS yaitu
bagian komunikasi publik, wilayah yang terbanyak menggunakan aplikasi
Mobile JKN adalah Jakarta, Bogor, Depok, Tangerang, dan Bekasi
(JABODETABEK) dengan jumlah 1.027.233 pengguna (per 2 Januari 2019).
Pengguna0
100000
200000
300000
400000
500000
Jakarta Bogor Depok Tangerang Bekasi
PENGGUNA APLIKASI MOBILE JKN JABODETABEK
Pengguna
Gambar 1. 1 Jumlah Pengguna Aplikasi Mobile JKN BPJS Kesehatan wilayah
JABODETABEK
6
Aplikasi ini dapat dioperasikan melalui smartphone. Aplikasi Mobile JKN
berisi banyak fitur yang berguna untuk peserta JKN-KIS. Salah satu fitur yang
disediakan oleh Mobile JKN yaitu peserta dapat mendapatkan informasi seperti
Info JKN, lokasi faskes, skrining riwayat kesehatan, ubah data peserta, maupun
pengaduan keluhan. Kemudian dalam Mobile JKN ini, peserta BPJS Kesehatan
mudah mengetahui informasi tagihan. Mobile JKN terdapat pula e-ID kartu
pesertaan sehingga peserta lebih efisien dengan menggunakan kartu e-ID
dibandingkan dengan kartu kepesertaan seperti biasa.
Namun masih banyak juga kelemahan dari aplikasi Mobile JKN,
diantaranya masih belum banyak yang mengetahui aplikasi Mobile JKN, para
user atau pengguna Mobile JKN ketika melakukan awal registrasi pada aplikasi
terjadi kesalahan dalam kesesuaian data yang diinput peserta dalam aplikasi
dengan data yang sudah ada di BPJS Kesehatan. Sehingga peserta harus
melakukan konfirmasi kembali tentang informasi kepesertaan di kantor BPJS
Kesehatan cabang terdekat. Kemudian aplikasi Mobile JKN mengalami down.
Pengguna aplikasi Mobile JKN mengalami keluhan tidak bisa log in pada
aplikasi Mobile JKN, sehingga jika user ingin mengetahui informasi kepesertaan
atau tagihan harus mengubungi care center via telepon yang sistemnya antrian
sehingga harus dicoba secara berkala. Gejala-gejala permasalahan ini
menimbulkan kekhawatiran terhadap kelanjutan penerapan aplikasi Mobile JKN
pada masa mendatang terutama terhadap penerimaan pengguna.
Penerimaan pengguna merupakan hal penting untuk menentukan
keberhasilan sistem. Berdasarkan latar belakang tersebut, peneliti tertarik untuk
7
melakukan penelitian mengenai penerimaan pengguna terhadap Aplikasi Mobile
JKN BPJS Kesehatan dengan judul “Analisis Penerimaan Pengguna
Terhadap Aplikasi Mobile JKN Badan Penyelenggara Jaminan Sosial
Kesehatan Dengan Menggunakan Model Unified Theory of Acceptance and
Use Of Technology”.
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah dipaparkan, peneliti dapat
mengiidentifikasi beberapa permasalahan sebagai berikut:
1. Masih terdapat permasalahan pada aplikasi Mobile JKN seperti ketidak
sesuaian data pengguna dan aplikasi Mobile JKN mengalami down
berdasarkan hasil observasi kepada pengguna aplikasi Mobile JKN yang
akan berdampak pada penerimaan pengguna,.
2. Aplikasi Mobile JKN perlu dilakukan pengambangan sehingga perlu
dilakukannya evaluasi dari segi tingkat penerimaan dengan tujuan
aplikasi Mobile JKN dapat meningkatkan kepuasan, menyederhanakan
proses, kemudahan dan kecepatan dalam mendapatkan pelayanan
pengguna berdasarkan wawancara dengan Ibu Upik Handayani selaku
Deputi Bidang Pengendalian Mutu Pelayanan BPJS Kesehatan.
3. Belum diketahui faktor-faktor yang mempengaruhi penerimaan
pengguna terhadap aplikasi Mobile JKN dengan menggunakan model
Unified Theory of Acceptance and Use of Technology
8
1.3 Perumusan Masalah
Berdasarkan identifikasi masalah yang telah disebutkan sebelumnya,
perumusan masalah dalam penelitian ini adalah :
1. Bagaimana menganalisis penerimaan pengguna terhadap aplikasi
Mobile JKN dengan menggunakan model UTAUT?
2. Bagaimana mengetahui faktor-faktor yang mempengaruhi
penerimaan pengguna terhadap aplikasi Mobile JKN berdasarkan
persepsi pengguna aplikasi Mobile JKN menggunakan model
UTAUT?
1.4 Tujuan dan Sasaran
1.4.1. Tujuan
Berdasarkan latar belakang dan perumusan masalah yang sudah
dipaparkan sebelumnya, penelitian ini dilakukan dengan tujuan sebagai
berikut :
a. Mengetahui status penerimaan pengguna terhadap aplikasi
Mobile JKN berdasarkan persepsi peserta BPJS Kesehatan yang
menggunakan aplikasi Mobile JKN
b. Menguji faktor-faktor yang mempengaruhi penerimaan pengguna
terhadap aplikasi Mobile JKN dengan menggunakan model
UTAUT.
9
1.4.2. Sasaran
Berdasarkan pada tujuan penelitian di atas, maka sasaran
pelaksanaan penelitian ini adalah untuk :
a. Diketahui status penerimaan pengguna terhadap aplikasi mobile
JKN berdasarkan persepsi peserta BPJS Kesehatan
b. Diketahui faktor-faktor yang mempengaruhi penerimaan
pengguna terhadap aplikasi mobile JKN dengan menggunakan
metode Unified Theory of Acceptance and Use of Technology.
1.5 Model Penelitian
Penelitian ini menggunakan model yang diadopsi dan dimodifikasi dari
model yang dikembangkan oleh Venkatesh et al. (2003). Model digunakan
untuk mengukur penerimaan pengguna terhadap sistem. Model ini terdiri dari
6 variabel yaitu :
1. Performance Expectancy (PE)
2. Effort Expectancy (EE)
3. Social Influence (SI)
4. Facilitating Conditions (FC)
5. Behavioral Intention (BI)
6. Use Behevior (UB)
Tetapi pada penelitian ini peneliti memodifikasi model dengan
menambahkan dua variabel yaitu Trust (TRU) (Mayer et al. (1995); Sharma et
10
al., 2018; Zhou (2012)) sebagai variabel independen dan Satisfaction (SAT)
(Chan et al. (2010); Oliver (1981); Saleem dan Rashid (2011)) sebagai variabel
dependen. Peneliti juga menghilangkan 4 variabel yaitu gender, age,
experience, voluntariness of use.
1.6 Pertanyaan Penelitian
Berdasarkan tujuan dan sasaran pada penelitian ini, maka pertanyaan
penelitian dalam hal ini adalah :
Berdasarkan faktor-faktor yang ada dalam model penerimaan pengguna
yang telah dipaparkan. Berikut merupakaan pertanyaan penelitian yang
mempengaruhi pengguna dalam penerimaan Aplikasi Mobile JKN.
Gambar 1. 2 Model Penelitian
11
H1 : Apakah Performance Expectancy (PE) berpengaruh secara
signifikan terhadap Behavioral Intention (BI)?
H2 : Apakah Performance Expectancy (PE) berpengaruh secara
signifikan terhadap Satisfaction (SAT)?
H3 : Apakah Effort Expectancy (EE) berpengaruh secara signifikan
terhadap Behavioral Intention (BI)?
H4 : Apakah Effort Expectancy (EE) berpengaruh secara signifikan
terhadap Satisfaction (SAT)?
H5 : Apakah Social Influence (SI) berpengaruh secara signifikan
terhadap Behavioral Intention (BI)?
H6 : Apakah Social Influence (SI) berpengaruh secara signifikan
terhadap Satisfaction (SAT)?
H7 : Apakah Facilitating Condition (FC) berpengaruh secara signifikan
terhadap Use Behavior (UB)?
H8 : Apakah Facilitating Condition (FC) berpengaruh secara signifikan
terhadap Satisfaction (SAT)?
H9 : Apakah Trust (TRU) berpengaruh berpengaruh secara signifikan
terhadap Behavioral Intention (BI)?
H10 : Apakah Trust (TRU) berpengaruh secara signifikan terhadap
Satisfaction (SAT)?
H11 : Apakah Satisfaction (SAT) berpengaruh secata signifikan terhadap
Behavioral Intention (BI)?
H12 : Apakah Behavioral Intention (BI) berpengaruh secara signifikan
12
terhadap Use Behavior (UB)?
1.7 Ruang Lingkup dan Batasan
Ruang lingkup dan batasan yang ada dalam penelitian ini adalah :
1. Penelitian ini dilakukan untuk mengetahui tingkat penerimaan pengguna
terhadap Aplikasi Mobile JKN pada Badan Penyelenggara Jaminan Sosial
Kesehatan. Sampel yang digunakan adalah peserta BPJS Kesehatan di
JABODETABEK yang menggunakan Aplikasi Mobile JKN.
2. Secara Teori, penelitian ini menggunakan 6 Variabel dari model Unified
Theory of Acceptance and Use of Technology (UTAUT) yang
dikembangan oleh Venkatesh et al. (2003) dan dilengkapi dengan variabel
Trust (Mayer et al. (1995); Sharma et al., 2018; Zhou (2012)) dan
Satisfaction (Chan et al. (2010); Oliver (1981); Saleem dan Rashid (2011))
untuk mengukur penerimaan pengguna.
3. Secara Metodologi, penelitian ini menggunakan metode kuantitatif dengan
teknik pengambilan sampel yaitu Multi-stage purposive sampling yang
terdiri dari tahap pertama purposive sampling (Effendi & Tukiran, 2012;
Supriyadi, 2014) dan tahap kedua menggunakan accidental sampling
(Effendi & Tukiran, 2012). Analisis data menggunakan pendekatan SEM
dengan AMOS 24.
13
1.8 Metodologi Penelitian
Penelitian ini menggunakan model Unified Theory of Acceptance and
Use of Technologi (UTAUT) yang dikembangkan oleh Venkatesh et al. (2003)
untuk mengukur penerimaan pengguna yang berfokus pada mengukur seberapa
jauh pengguna menerima aplikasi Mobile JKN. UTAUT mengukur penerimaan
pengguna dengan menilai pada dimensi harapan kinerja, harapan usaha,
pengaruh sosial, kondisi memfasilitasi, niat perilaku, dan perilaku pengguna
dalam menerima sistem. Pada penelitian ini, peneliti menambahkan penilaian
pada dimensi kepercayaan dan kepuasan pengguna dalam menerima sistem.
Penelitian ini menggunakan metode kuantitatif. Peneliti telah
mengembangkan model penelitian sebagai sumber rumusan sejumlah 12
hipotesis penelitian. Hipotesis-hipotesis ini akan diuji menggunakan data yang
akan dikumpulkan dari kuesioner. Kuesioner ini dirancang berupa sebuah
pertanyaan yang sesuai dengan penelitian yang selanjutnya disebarkan kepada
reponden yang menjadi target pada penelitian ini.
Selanjutnya, dilakukan pengujian awal yang sudah dilakukan untuk
mengukur dan mengetahui validitas kuesioner yang telah dirancang sehingga
mengetahui bagaimana calon responden mengerti isi pertanyaan yang telah
dirancang untuk penelitian. Reponden pada penelitian ini adalah peserta Badan
Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) domisili di
Jakarta, Bogor, Depok, Tangerang, Bekasi (JABODETABEK) yang
menggunakan aplikasi mobile JKN. Teknik pengambilan sampling yang
dilakukan dengan teknik multi-stage purposive sampling yang terdiri dari tahap
14
pertama purposive sampling (Effendi & Tukiran, 2012; Supriyadi, 2014) dan
tahap kedua dengan accidental sampling (Effendi & Tukiran, 2012).
Dilakukan penyebaran kuesioner secara langsung dan tidak langsung
kepada responden. Penyebaran secara langsung dilakukan oleh peneliti dengan
mencari responden yang tepat melalui tatap muka. Sedangkan, penyebaran
secara tidak langsung dilakukan peneliti dengan menyebarkan kuesioner
melalui link di media sosial dengan menggunakan fitur google forms untuk
mengisi kuesioner. Kuesioner yang terkumpul akan ditampung di Ms.Excel
2013. Penelitian ini menggunakan teknik analisis data SEM dengan tools
AMOS 24.
1.9 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut :
a. Secara Teoritis, penelitian ini dapat memberikan usulan model penerimaan
pengguna dengan penambahan variabel Trust dan Satisfaction pada model
sebelumnya. Penelitian ini juga dapat menjadi alternatif baru bagi peneliti
selanjutnya dalam memahami penerimaan pengguna.
b. Secara Metodologi, penelitian ini dapat memberikan dukungan serta
menjadi referensi dalam pemanfaatan metode kuantitatif pada penelitian
bidang sistem informasi UIN Syarif Hidayatullah Jakarta.
c. Secara Praktis, penelitian ini dapat menjadi bahan pertimbangan bagi
pihak BPJS dalam mengambil kebijakan terkait pengembangan aplikasi
Mobile JKN.
15
1.10 Sistematika Penulisan
Dalam penulisan laporan penelitian ini terbagi dalam lima bab yang
terdiri dari pendahuluan, kajian pustaka, metodologi penelitian, hasil
analisis, dan penutup. Berikut penjelasan singkat terkait lima bab tersebut.
BAB I PENDAHULUAN
Bab ini terdiri dari latar belakang, rumusan masalah, tujuan
dan sasaran, model penelitian, pertanyaan penelitian, ruang
lingkup dan batasan, metodologi penelitian, manfaat
penelitian, dan sistematika penulisan laporan hasil
penelitian.
BAB II LANDASAN TEORI
Bab ini membahas mengenai dasar-dasar teori yang
mendukung tentang analisis penerimaan pengguna terhadap
aplikasi mobile JKN.
BAB III METODOLOGI PENELITIAN
Bab ini menjelaskan mengenai metode proses pelaksanaan
penelitian, mencakup penjelasan-penjelasan mengenai
16
pendekatan, prosedur, populasi dan sampel, instrumen,
pengumpulan dan pemrosesan data, dan analisis data.
BAB IV HASIL ANALISIS DAN INTERPRETASI
Bab ini akan memaparkan analisis data dan hasilnya,
interpretasi hasil penelitian. Analisis data utama dilakukan
menggunakan metode analisis SEM dengan perangkat lunak
AMOS 24.
BAB V PENUTUP
Bab ini akan membahas mengenai kesimpulan dan saran
terhadap hasil pelaksanaan penelitian serta kelanjutan untuk
kajian selanjutnya.
17
BAB II
LANDASAN TEORI
2.1 Definisi Analisis
Menurut Kamus Besar Bahasa Indonesia (KBBI) kata analisis mempunyai
beberapa pengertian, diantaranya sebagai berikut (Suharsono & Retnonigsih,
2012) :
Analisis adalah penyelidikan dan mengetahui terhadap suatu peristiwa
untuk mengetahui keadaan yang sebenarnya
Analisis adalah suatu pokok atas berbagai bagiannya dan penelaahan bagian
itu sendiri serta hubungan antar bagian untuk memperoleh pengertian yang
tepat dan pemahaman arti keseluruhan
Proses pemecahan persoalaan yang dimulai dengan dugaan akan
kebenarannya.
2.2 Definisi Penerimaan Pengguna
Penerimaan merupakan status dimana seseorang individu berniat untuk
menggunakan suatu sistem dan jika tersedia maka individu tersebut dapat
menggunakan sistem dan menjalankannya (Adell, 2009). Menurut Dillon dan G.
Morris (1996) Penerimaan pengguna didefinisikan sebagai kesedian yang dapat
diverifikasi dalam suatu kelompok pengguna untuk menggunakan alat-alat TI
untuk mendukung tugas-tugas yang dirancang.
18
Penerimaan pengguna dapat didefinisikan sebagai sejauh mana suatu sistem
digunakan oleh penggunanya secara sukarela dan dapat mengambil keputusan
untuk menggunakannya atau tidak. Penerimaan pengguna dapat menilai tentang
bagaimana sistem baru akan diterima oleh masyarakat umum serta membantu
untuk mendapatkan wawasan teknologi baru (Bankosegger, 2010).
Penerimaan pengguna dikaitkan dengan persepsi individu dari kegunannya
dan evaluasi perasaan mereka dalam menanggapi pengalaman penggunaan (D.
Y. Lee & Lehto, 2013). Penerimaan pengguna dapat sebagai sikap multidimensi
yang dipengaruhi oleh berbagai faktor teknis dan sosial (Al-Busaidi & Alshihi,
2010).
Dalam jurnal Alwahaishi dan Snasel (2013) beberapa peneiliti Swanson
(1988), Davis (1989), Davis (1993), dan Igbaria (1993) menyatakan bahwa
penerimaan pengguna merupakan faktor penting dan fokus utama penelitian
implementasi sistem informasi dalam menentukan keberhasilan atau kegagalan
suatu produk teknologi informasi.
Dari definisi diatas dapat disimpulkan bahwa penerimaan pengguna adalah
mengukur sistem yang digunakan oleh penggunanya sehingga dapat menanggapi
pengalaman menggunakan sistem dan mengambil keputusan untuk
menggunakan sistem secara berlanjut.
2.3 Definisi Sistem Informasi
Sistem Informasi terdiri dari dua suku kata yaitu sistem dan informasi.
Menurut Anggraeni dan Irvani (2017) Sistem adalah kumpulan orang yang
19
saling bekerja sama dengan ketentuan-ketentuan aturan yang sistematis dan
terstruktur untuk membentuk satu kesatuan yang melaksanakan suatu fungsi
untuk mencapai tujuan. Sedangakan Informasi adalah data yang diolah menjadi
lebih berguna dan berarti, serta untuk mengurangi ketidakpastian dalam proses
pengambilan keputusan mengenai suatu keadaan.
Sistem informasi adalah suatu gabuangan atau kombinasi teratur dari orang-
orang, hardware, software, jaringan komunikasi dan sumber daya data yang
mengumpulkan, mengubah, dan menyebarkan informasi dalam sebuah
organisasi (Anggraeni & Irvani, 2017).
Menurut Hutahaean (2014) Sistem informasi adalah alur yang ada pada
suatu organisasi yang menggabungkan kebutuhan pengelolaan kegiatan harian,
mendukung operasional, bersifat mengatur segala sesuatu yang direncanakan,
dan kegiatan strategi dari suatu organisasi dan menyediakan laporan-laporan
yang dibutuhkan untuk pihak luar.
Sistem informasi dapat didefinisikan secara teknis sebagai seperangkat
komponen yang saling terkait yang mengumpulkan atau mengambil,
memproses, menyimpan, dan mendistribusikan informasi untuk mendukung
pengambilan keputusan dan kontrol dalam sebuah organisasi (Laudon &
Laudon, 2014).
Dari definisi diatas dapat disimpulkan bahwa sistem informasi adalah suatu
penggabungan komponen yang saling terikat dari orang-orang, perangkat keras,
perangkat lunak, dan jaringan komunikasi yang dapat mengumpulkan,
memproses, menyimpan, dan menyebarkan informasi dalam sebuah organisasi.
20
2.4 Definisi Aplikasi Mobile
Aplikasi merupakan suatu perangkat lunak yang dibuat untuk melayani
kebutuhan akan beberapa aktivitas seperti, perniagaan, pelayanan masyarakat,
periklanan, atau semua proses yang dilakukan manusia (Pramana, 2005).
Aplikasi Mobile adalah aplikasi yang bisa digunakan secara berpindah-
pindah tempat (mobile) sehingga pengguna bisa menikmati aplikasi-aplikasi
kapan pun dan dimana pun pada smartphone pengguna serta menjalankan
aktifitas rutin pengguna (Komputer, 2014).
Sehingga dapat disimpulkan bahwa aplikasi mobile adalah suatu perangkat
lunak yang dapat digunakan dimana saja dan kapan saja untuk memenuhi
kebutuhan pengguna.
Aplikasi Mobile sudah banyak digunakan di perusahaan atau organisasi
(Moon & Chang, 2014). Pada perusahaan atau organisasi pada bidang asuransi
atau jaminan kesehatan telah banyak yang meluncurkan sistem pelayanan untuk
pengguna jaminan kesehatan dengan menggunakan sistem yang sudah berbentuk
aplikasi mobile. Perusahaan atau organisasi pada bidang asuransi atau jaminan
kesehatan yang dikelola pemerintah yang sudah menerapkan aplikasi mobile
yaitu di negara Philippine dengan aplikasi PhilHealth ACR Search dan di
Indonesia dengan aplikasi Mobile JKN.
Aplikasi PhilHealth ACR merupakan aplikasi sistem pelayanan jaminan
kesehatan di Philippine yang diluncurkan oleh Philippine Health Insurance
Corporation (PhilHealth) untuk memberikan akses informasi kepada peserta
21
jaminan kesehatan dimana saja dan kapan saja. PhilHealth dapat digunakan oleh
peserta jaminan kesehatan PhilHealth di Philippine yang dapat diunduh melalui
Google Playstore bagi pengguna platform Android (Hilario et al., 2018).
Menurut Hilario et al. (2018) aplikasi PhilHealth belum diimplementasikan
seluruhnya ke rumah sakit di Philippine.
Aplikasi Mobie JKN merupakan aplikasi sitem pelayanan jaminan
kesehatan di Indonesia yang diluncurkan oleh Badan Penyelenggara Jaminan
Sosial Kesehatan (BPJS Kesehatan) untuk memberikan pelayanan kepada
peserta BPJS Kesehatan dimana saja dan kapan saja. Mobile JKN dapat diunduh
Gambar 2. 1 Aplikasi PhilHealth ACR
22
melalui Google Playstore bagi pengguna Android dan Appstore bagi pengguna
iOS.
Perbedaan aplikasi PhilHealth ACR dan Mobile JKN yaitu untuk PhilHealth
digunakan oleh peserta jaminan kesehatan di Philippine sedangkan untuk Mobile
JKN digunakan oleh peserta BPJS Kesehatan di Indonesia. Kemudian kelebihan
pada Mobile JKN dibandingankan dengan PhilHealth ACR yaitu untuk Mobile
JKN dapat digunakan oleh pengguna Android dan iOS. Sedangkan untuk
PhilHealth ACR hanya dapat digunakan oleh pengguna Android, sehingga untuk
pengguna non-Android dapat menggunakan layanan melalui website.
2.5 Mobile JKN
Perkembangan teknologi yang menunjukkan bahwa penggunaan sistem
yang sudah berbentuk aplikasi dan dapat digunakan di smartphone, maka Badan
Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) meluncurkan
sebuah sistem yang berbentuk aplikasi yaitu Mobile JKN yang bertujuan untuk
meningkatkan pelayanan pelayanan kepada peserta BPJS Kesehatan.
Aplikasi Mobile JKN diluncurkan pada 15 November 2012. Aplikasi
Mobile JKN adalah pergantian sistem pelayanan yang berubah kedigital dari
BPJS Kesehatan yang awalnya berupa kegiatan administrasi yang dilakukan di
kantor cabang atau fasilitas kesehatan. Mobile JKN dapat digunakan oleh peserta
BPJS Kesehatan di mana saja, kapan saja, tanpa batasan waktu. Aplikasi ini
merupakan inovasi untuk kemudahan peserta BPJS Kesehatan dengan
23
memanfaatkan teknologi informasi yang dapat diunduh melalui aplikasi Mobile
JKN di Google Playstore atau Apps Store. Setelah aplikasi Mobile JKN
terunduh, pengguna dapat melakukan registrasi pada menu yang tersedia di
aplikasi Mobile JKN. Setelah berhasil, pengguna dapat memanfaatkan semua
fitur yang tersedia pada aplikasi Mobile JKN.
Adaya aplikasi Mobile JKN memberikan lima kemudahan kepada peserta BPJS
Kesehatan yang menggunakan aplikasi Mobile JKN, yaitu sebagai berikut :
a. Kemudahan mendaftar dan mengubah data kepesertaan
b. Kemudahan mengetahui informasi data peserta dan keluarga
c. Kemudahan mengetahui informasi tagihan dan pembayaran iuran
d. Kemudahan mendapatkan pelayanan di Faskes (Fasilitas Kesehatan)
e. Kemudahan menyampaikan pengaduan dan permintaan informasi
seputar JKN-KIS
BPJS Kesehatan telah menerapkan penggunaan Kartu Indonesia Sehat
(KIS) Digital yang dapat digunakan oleh peserta BPJS Kesehatan sehingga tidak
Gambar 2. 2 Logo Mobile JKN
24
perlu lagi membawa kartu secara fisik untuk berobat, cukup membawa
smartphone, dan menunjukkan kartu digital yang ada pada aplikasi Mobile JKN.
Dengan adanya aplikasi Mobile JKN yang memberikan berbagai fitur yang
disediakan, para pengguna tidak perlu lagi mengantri atau datang ke kantor BPJS
Kesehatan untuk administrasi.
Aplikasi Mobile JKN terdapat fitur utama yaitu fitur peserta, fitur tagihan,
fitur pelayanan, dan fitur umum. 14 Fitur dalam aplikasi Mobile JKN sebagai
berikut :
1) Fitur Peserta :
a. Menampilkan informasi kepesertaan peserta dan anggota
keluarganya
b. Merubah data peserta yang dapat mempermudah pengguna
melakukan aktivitas termasuk mengubah nomor handphone, alamat
email, alamat surat, pindah faskes dan pindah kelas
c. Menampilkan kartu JKN-KIS dalam bentuk digital. Pengguna juga
dapat mengirimkan kartu tersebut ke alamat email yang terdaftar.
d. Calon peserta dapat melakukan pendaftaran peserta dengan
memasukkan nomor KTP serta email atau SMS berisi nomor Virtual
Account
2) Fitur tagihan :
a Menampilkan tagihan iuran peserta PBPU
b Menampilkan panduan pembayaran sesuai channel pembayaran
yang dipilih
25
c Menampilkan riwayat pembayaran iuran dan denda peserta selama
tiga bulan
d Menampilkan nomor Virtual Account peserta
3) Fitur Pelayanan :
a Menampilkan histori pelayanan peserta lengkap dengan
diagnosanya. Pengguna dapat memberikan rating dan komentar
terhadap catatan pelayanan yang pernah diterima
b Dapat melakukan pendaftaran pelayanan kesehatan di Fasilitas
Kesehatan Tingkat pertama (FTKP) jika sudah menggunakan sistem
antrean JKN
c Menampilkan pertanyaan-pertanyaan skrining, setelah peserta
menjawab pertanyaan-pertanyaan tersebut akan keluar hasil
skrining. Skriningnya hanya dapat dilakukan 1 tahun sekali.
4) Fitur Umum :
a Informasi seputar program JKN-KIS terkait manfaat program JKN-
KIS persyaratan pendaftaran peserta, hak dan kewajiban serta
sanksi-sanksi yang diberlakukan
b Mendeteksi posisi pengguna dan menampilkan informasi kantor
BPJS Kesehatan, FTKP serta Faskes Tingkat Lanjutan.
c Menyampaikan pengaduan tertulis atau dengan menghubungi BPJS
Kesehatan Care Center 1500 400.
26
2.6 UTAUT (Unified Theory of Acceptance and Use of Technology)
UTAUT atau Unified Theory of Acceptance and Use of Technology
merupakan salah satu model penerimaan teknologi yang dikembangkan oleh
Venkatesh et al. (2003). UTAUT menggabungkan fitru-fitur yang berhasil dari
depalan teori penerimaan teknologi terkemuka menjadi satu teori. Kedelapan
teori terkemuka disatuan di dalam UTAUT seperti Theory of Reasoned Action
(TRA), Technology Acceptance Model (TAM), Innovation Diffusion Theory
(IDT), Motivational Model (MM), Theory of Planned Behavior (TPB),
Gambar 2. 3 Fitur Mobile JKN
27
penggabungan TAM dan TPB, Model of PC Utilization (MPTU), dan Social
Cognitive Theory (SCT).
UTAUT mempunyai 70% varian pengguna dibandingkan dengan kedelapan
teori diatas (Venkatesh et al., 2003). UTAUT memiliki tujuh konstruk yang
terdiri dari Performance Expectancy, Effort Expectancy, Social Influence,
Facilitating Conditions, Behavioral Intention, dan Use Behavior. Selain itu
UTAUT memiliki variabel moderator seperti Gender, Age, Experience, dan
Voluntariness of Use.
Gambar 2. 4 UTAUT
28
Tabel 2. 1 Delapan Teori unsur UTAUT
No. Model Penjelasan
1. TRA (Theory of
Reasoned Action)
Model TRA (Theory of Reasoned Action) pertama kali
dikembangkan pada tahun 1975 oleh Fishbein and Azjen.
Dalam model ini, setiap perilaku manusia diperkirakan dan
dijelaskan melalui tiga komponen kognitif utama termasuk
sikap atau attitude (ketidaksenangan atau kesukaan perasaan
seseorang terhadap suatu perilaku), subjective norm (pengaruh
sosial), dan Behavioral Intention (keputusan individu
melakukan atau tidak melakukan behavior). Behavior manusia
harus kehendak, sistematis, dan rasional (Taherdoost, 2018).
Proposisi TRA adalah bahwa ketika behavior sadar dan
sukarela, maka behavior intention akan dipengaruhi oleh
attitude dan subjective norm (Ling et al., 2011).
2. TAM (Technology
Acceptance Model)
TAM (Technology Acceptance Model). Menjelaskan
motivasi pengguna oleh tiga faktor yaitu perceived usefulness,
perceived ease of use, dan attitude toward use. Di dalam model
ini, tidak hanya Behavioral Intention yang terkandung dalam
TAM tetapi juga seperti perceived usefulness dan ease of use
memiliki dampak yang besar terhadap sikap pengguna. TAM
merupakan salah satu model yang paling banyak dikutip di
bidang penerimaan teknologi (Taherdoost, 2018).
3. MM (Motivational
Model)
Pada dasarnya, penggunaan sistem ditentukan oleh dua
motivasi intrinsik dan motivasi ekstrinsik. Motivasi ekstrinsik
adalah persepsi bahwa seorang pengguna ingin untuk
melakukan suatu kegiatan karena dianggap berperan dalam
mencapai hasil dan dihasil tersebut dihargai, seperti prestasi
kerja meningkat. Motivasi instrinsik didefinisikan sebagai
persepsi bahwa seseorang pengguna ingin untuk melakukan
suatu kegiatan tanpa penguatan yang jelas salin proses
melakukan aktivitas (Taherdoost, 2018).
4. TPB (Theory of
Planned Behavior)
Dalam model ini, variabel baru yaitu perceived
behavior control sebagai variabel baru ditambahkan untuk
memperluas model TRA. Meskipun kedua TPB dan TRA
diasumsikan Behavioral Intention mempengaruhi perilaku
individu. TPB adalah menggunakan perceived behavior
control atas tindakan individu yang berada di bawah kendali
kedendak. Dalam model TPB, terdapat tiga faktor utama yang
mempengaruhi Behavioral Intention yaitu perceived
29
behavioral control, subjective norm, dan behavioral attitude
(Taherdoost, 2018).
5. C-TAM-TPB
(Combined TAM
dan TPB)
TAM merupakan model yang variabel intention
dipengaruhi oleh dua variabel utama yaitu perceived usefulness
dan perceived ease of use. Tetapi, TAM tidak akan memberikan
pengaruh dari faktor sosial dan faktor kontrol pada perilaku.
TPB merupakan model faktor sosial atau pengaruh sosial
disebut subjective norm yang telah terbukti mempengaruhi niat.
Faktor kontrol di TPB adalah perceived behavior control yang
dimodelkan mempengaruhi baik ke intention atau langsung ke
behavior. Gabungan TAM dan TPB merupakan sebuah teori
yang memasukkan kedua faktor TPB ke dalam model TAM
sehinga kelemahan pada model TAM yang tidak dapat
mengontrol perilaku pengguna sistm informasi dapat diatas.
Combined TAM dan TPB dapat digunakan secara bersama-
sama untuk menganalisis faktor-faktor yang mempengaruhi
sikap dan perilaku penerimaan penggunaan suatu sistem
informasi (Widyapraba et al., 2016).
6. MPCU (Model of
PC Utilization)
MPCU khusus mengevaluasi influence of affect,
Facilitating Condition, long-term consequences of use,
perceived concequences, Social Influences, complexity dan job
fit pada behavior (Taherdoost, 2018).
7. IDT (Innovation
Diffusion Theory)
IDT mencakup lima karakteristik inovasi yang
signifikan yatu relative advantage (manfaat), compatibility
(kesamaan dengan apa yang digunakan), complexity (tingkat
kesulitan), trialability (waktu untuk menguji), dan obsevability
(kemampuan untuk melihat ketika seseorang
menggunakannya) (Rogers, 1983).
Relative adventage didefinisikan sebagai sejauh mana
inovasi diangap sebagai menjadi lebih baik daripada ide yang
digantikannya. Compatibility mengacu pada sejauh mana
inovasi dianggap konsisten dengan potensi nilai-nilai pengguna
akhir, pengalaman sebelumnya, dan kebutuhan. Complexity
adalah tingkat kesulitan yang dirasakan pengguna akhir
memahami inovasi dan kemudahan penggunaannya.
Trialability mengacu pada sejauh mana inovasi dapat diuji
secara terbatas. Sedangkan Observability adalah sejauh mana
hasil inovasi dapat terlihat oleh orang lain. Karakteristik ini
30
digunakan untuk menjelaskan adopsi inovasi pengguna akhir
dan proses pengambilan keputusan (Y.-H. Lee et al., 2011).
8. SCT (Social
Cognitive Theory)
SCT (Social Cognitive Theory) didasarkan dari tiga
faktor utama : behavior, personal dan environment yang
berinteraksi dua arah untuk memprediksi kedua kelompok dan
perilaku individu. Dalam model SCT, faktor perilaku terutama
difokuskan pada pengguna, kinerja, dan adopsi masalah. Faktor
pribadi adalah setiap orang, apek kognitif dan demografi
karakteristik seseorang. Di sisi lain, faktor lingkungan meliputi
faktor fisik dan sosial yang baik secara fisik eksternal individu,
SCT adalah struktur yang tidak terpisahkan sehingga ketiga
faktor terus mempengaruhi satu sama lain, saling menentukan
satu sama lain (Taherdoost, 2018).
2.7 Metode Kuantitatif
Penelitian Kuantitatif merupakan penelitian yang menggunakan sebuah
analisis data yang berbentuk angka. Tujuan penelitian adalah untuk
mengembangkan dan menggunakan model matematis, teori dan hipotesis yang
berkaitan dengan fenomena yang diselidiki oleh peneliti (Suryani & Hendryadi,
2016).
Menurut Supriyadi (2014) metode penelitian kuantitatif disebut sebagai
metode positivistik dikarenakan berasaskan pada filsafat positivisme. Selain itu
metode ini juga dikenal dengan scientific atau metode ilmiah dikarenakan sudah
memenuhi kaidah ilmiah seperti empiris, terukur, objektif, sistematis, dan
rasional. Metode kuantitatif dikatakan kuantitatif karena datanya berupa angka
dan analisis menggunakan statistik.
31
Metode penelitian kuantitatif memiliki ciri khas berhubungan data numerik
dan bersifat obyektif. Penelitian kuantitatif memiliki beberapa ciri diantaranya
(Supriyadi, 2014) :
Tujuan penelitian
Pendekatan dengan teori dan hipotesis
Peran peneliti
Kuantitatif lebih berfokus pada frekuensi tinggi
Kebenaran dari hasil analisis penelitian kuantitatif bersifat nomothetik
dan dapat digenerealisasikan
Penelitian kuantitatif menggunakan paradigma positivistik-ilmiah,
paradigma ilmiah-positivisme menghasilkan berbagai bentuk
percobaan, perlakuan, pengukuran, dan uji-uji statistik
Penelitian kuantitatif sering bertolak dari teori. Sehingga bersifat
reduksionis dan verifikatif, yakni hanya membukktikan teori
(menerima atau menolak teori)
Penelitian kuantitatif khususnya eksperimen, dapat menggambarkan
sebab-akibat
Memastikan waktu pengumpulan dan analisis data
Jenis-jenis metode penelitian kuantitatif menurut para ahli diantaranya
adalah (Supriyadi, 2014) :
32
Metode Deskriptif
Metode deskriptif adalah pencarian fakta dengan pandangan yang
tepat. Penilitian deskriptif adalah metode penelitian yang berusaha
menggambarkan objek atau subjek yang diteliti sesuai dengan yang
ada.
Metode Kompratif
Metode kompratif adalah metode yang digunakan dalam penelitian
yang diarahkan untuk mengetahui apakah antara dua variabel ada
perbedaan dalam suatu aspek yang diteliti.
Metode Korelasi
Metode korelasi adalah suatu penelitian yang dilakukan untuk
menggambarkan dua atau lebih fakta-fakta dan sifat-sifat objek yang
diteliti. Metode korelasi digunakan untuk membandingkan persamaan
dan perbedaan dua atau lebih fakta berdasarkan kerangka pemikiran
tertentu.
Metode Survei
Metode penelitian survei adalah salah satu bentuk teknik penelitian
dimana informasi dikumpukan dari sejumlah sampel berupa orang
melalui pertanyaan-pertanyaan.
Metode Ex Post Facto
Metode ex post facto adalah metode yang digunakan dalam
penelitian yang meneliti hubungan sebab akibat yang tidak
dimanipulasi oleh peneliti. Adanya hubungan sebab akibat didasarkan
33
atas kajian teoritis, bahwa suatu variabel tertentu mengkaitkan
variabel tertentu.
Metode True Experiment
Dikatakan true experiment atau eksperimen yang sebenarnya/betul-
betul karena dalam desain ini peneliti dapat mengontrol semua
variabel luar yang mempengaruhi jalannya eksperimen.
Metode Quasi Experiment
Bentuk metode yang eksperimen ini merupakan pembaruan dari true
experimental design, yang sulit dilaksanakan. Design ini mempunyai
kelompok kontrol, tetapi tidak dapat berfungsi sepenuhnya untuk
mengontrol variabel-variabel luar yang mempengaruhi pelaksanaan
eksperimen.
Metode Subjek Tunggal
Metodi subjek tunggal adalah metodeyang dilakukan terhadap
subjek tunggal.
Menurut (Sarwono, 2013) proses riset dengan menggunakan pendekatan
kuantitatif yang meliputi kegiatan berikut :
Mengidentifikasi dan merumuskan masalah yang akan diteliti
Membuat hipotesis yang akan diuji
Melakukan kajian yang relevan
Mengidentifikasi dan memberi nama variabel
Membuat definisi operasional
34
Menyusun desain riset
Mengidentifikasi dan menyusun alat observasi dan pengukuran
Membuat kuesioner
Melakukan analisis statistik
Menulis laporan hasil riset
2.8 Skala Likert
Skala likert adalah skala yang dapat digunakan untuk mengukur perilaku,
pendapat, dan persepsi seseorang atau sekelompok orang tentang suatu objek
atau fenomena tertentu (Siregar, 2013). Skala likert pertama kali dikembangakn
oleh Rrensist Likert di tahun 1932, merupakan seorang sosiolog dari University
of Michigan melalui artikel “A Technique for Measurement of Attitudes” yang
dipublikasikan oleh the Archives of Psychology.
Bentuk pertama skala likert yaitu lima pilihan jawaban dari sangat tidak
setuju sampai dengan sangat setuju yang merupakan sikap atau persepsi
seseorang atas suatu kejadian atau pernyataan yang diberikan dalam bentuk
kuesioner. Dalam perkembangan terkini, skala likert telah banyak dimodifikasi
seperti skala 4 titik (dengan menghilangkan pilihan jawaban netral), atau
menggunakan skala 7 sampai 9 titik (Suryani & Hendryadi, 2016) . Skala likert
dapat disusun dalam bentuk pertanyaan atau pernyataan, dan bentuk pilihan
ganda atau tabel ceklis.
Menurut Suryani dan Hendryadi (2016), skala likert 5 titik (versi asli dari
Dr. Rensist Likert) :
35
1 : Strongly Disagree
2 : Disagree
3 : Neither agree or disagree
4 : Agree
5 : Strongly Agree
2.9 Metode Pengumpulan Data
Pengumpulan data dilakukan dengan berbagai metode yaitu :
Observasi
Observasi merupakan suatu cara yang sangat bermanfaat,
sistematik dan selektif dalam mengamati dan mendengarkan interaksi atau
fenomena yang terjadi (Widi, 2010). Observasi atau pengamatan secara
langsung merupakan suatu kegiatan pencarian dan pengumpulan data
terhadap kondisi lingkungan objek penelitian yang mendukung kegiatan
penelitian (Siregar, 2013)
Wawancara
Wawancara (Interview) adalah suatu kejadian atau suatu proses
interaksi antara pewawancara (Interviewer) dan sumber informasi atau
orang yang diwawancara (Interviewee) melalui komunikasi langsung.
Dapat pula dikatakan bahwa wawancara merupakan tatap muka (face to
face) antara pewawancara dengan sumber informasi, dimana pewawancara
bertanya langsung tentang suatu objek yang diteliti dan telah dirancang
sebelumnya (Yusuf, 2014).
36
Wawancara adalah proses memperoleh keterangan atau data untuk
tujuan penelitian dengan cara tanya jawab sambil bertatap muka antara
pewawancara dengan responden dengan menggunakan alat yang
dinamakan panduan wawancara (Siregar, 2013).
Kuesioner
Kuesioner berasal dari bahasa Latin : Questionnaire, yang berarti
suatu rangkaian pertanyaan yang berhubungan dengan topik tertentu
diberikan kepada sekelompok individu dengan maksud untuk memperoleh
data (Yusuf, 2014).
Kuesioner adalah suatu kegiatan pencarian dan mengumpulkan
informasi yang dapat dianalis agar dapat mempelajari tindakan,
kepercayaan, perilaku dan karakteristik responden di dalam organisasi atau
perusahaan yang bisa berdampak untuk sistem yang dapat diberikan
rekomendasi untuk sistem (Siregar, 2013).
2.10 Populasi dan Sampel
2.10.1. Populasi
Populasi adalah sekelompok subjek atau data dengan karakteristik tertentu
(Firdaus & Zamzam, 2018). Populasi juga dapat disebut universe yang artinya
jumlah keseluruhan dari unit analisis yang ciri-cirinya akan diduga (Effendi
& Tukiran, 2012). Populasi bisa berupa orang, benda, objek, peristiwa atau
apa pun yang menjadi objek dari survei. Populasi ditentukan oleh topik atau
tujuan survei. Populasi juga harus relevan dengan tujuan atau topik survei.
37
Populasi merupakan semua bagian atau anggota dari objek yang akan diamati
(Eriyanto, 2007).
Menurut Supriyadi (2014) populasi adalah wilayah generalisasi berupa
subjek atau objek yang diteliti untuk dipelajari dan dapat diambil
kesimpulannya. Populasi dapat dibedakan menjadi dua kategori, yaitu
populasi target (target population) dan populasi terjangkau (accessible
population, source population). Populasi target ditentukan oleh karakteristik
klinis dari demografis. Sedangkan populasi terjangkau adalah populasi target
yang dibatasi oleh tempat dan waktu (Firdaus & Zamzam, 2018).
Dari definisi diatas dapat disimpulkan bahwa populasi adalah semua
bagian dari subjek atau objek yang akan diamati sehingga mendapatkan
kesimpulan dari penelitian tersebut.
2.10.2. Sampel
Sampel merupakan sebagian atau tindakan sebagai perwakilan dari
populasi sehingga hasil penelitian yang berhasil diperoleh dari sampel dapat
digeneralisasikan pada populasi (Supriyadi, 2014). Sampel yang baik
merupakan sampel yang akurat dan tepat. Sampel yang tidak akurat dan tidak
tepat akan memberikan kesimpulan yang tidak diharapkan atau dapat
menghasilkan kesimpulan riset yang tidak diharapkan atau dapat
menghasilkan kesimpulan yang menyesatkan (Jogiyanto, 2008).
Menurut Jogiyanto (2008), sampel yang adalah akurat tidak bias.
Sedangkan sampel yang tepat adalah sampel yang mempunyai persisi
38
(precision) yang tinggi yang mempunyai kesalahan pengambilan sampel
(sampling error) yang rendah. Jogiyanto (2008) menjelaskan bahwa
kesalahan pengambilan sampel (sampling error) adalah seberapa jauh sampel
berbeda dari yang dijelaskan oleh populasinya. Sedangkan persisi adalah
tingkat ketepatan yang ditentukan oleh perbedaan hasil yang diperoleh dari
sampel dibandingkan dengan hasil yang diperoleh dari catatan.
Menurut Firdaus dan Zamzam (2018), secara umum tujuan perkiraan
sampel minimal adalah :
Agar kesimpulan penelitian mempunyai tingkat kepercayaan yang
dikehendaki
Apabila menggunakan uji hipotesis, agar kemaknaan statistik juga berarti
kemaknaan secara klinis
Untuk menggambarkan refresentasi objek penelitian
Memudahkan untuk membuat generalisasi hasil penelitian.
2.11 Teknik Sampling
Menurut Jogiyanto (2008) sampel yang adalah akurat tidak bias. Supaya
sampel yang diambil akurat dan tidak terjadi bias di dalam proses pengambilan
sampelnya, diperlukan metode pengambilan sampel yang sesuai. Ada dua
metode pengambilan sampel, yaitu pengambilan sampel berbasis pada
probabilitas (pemilihan secara random) atau pengambilan sampel secara non
probabilitas (pemilihan nonrandom).
39
1) Sampel Probabilitas (Probability Sampling)
Sampel probabilitas merupakan unsur dari populasi mempunyai
kesempatan yang sama untuk dipilih sebagai sampel. Menuru Supriyadi
(2014) probability sampling adalah teknik pengambilan sampel yang
memberikan peluang yang sama kepada setiap anggota populasi untuk
menjadi sampel. Berdasarkan suatu sampel probabilitas, maka penelitian
dalam batas-batas tertentu dapat menarik kesimpulan yang belaku bagi
seluruh populasi. Dengan demikian, pengambilan sampel probabilitas
lebih ditujukan untuk memperkecil kesalahan generalisasi dari sampel ke
populasi (Effendi & Tukiran, 2012).
Secara probabilitas, metode-metode yang dapat digunakan adalah :
a Random Sederhana (Simple Random)
Pengambilan sampel secara random sederhana (simple random)
dilakukan dengan mengambil secara langsung dari populasinya
secara random. Secara random dipilih dapat didapatkan pada angka
random (Jogiyanto, 2008).
Menurut Supriyadi (2014) Simple random sampling adalah
teknik yang paling sederhana (simple). Pada populasi, sampel
diambil secara acak tanpa melihat tingkatan. Setiap unit sampling
sebagai unsur populasi yang terkecil dan memperoleh peluang yang
sama untuk menjadi sampel atau mewakili populasi. Simple random
sampling merupakan sebuah sampel yang diambil sedemikian rupa
sehingga tiap unit penelitian atau satuan elementer dari populasi
40
mempunyai kesempatan yang sama untuk dipilih sebagai sampel
(Effendi & Tukiran, 2012).
Menurut Payadnya dan Jayantika (2018) Cara pengambilan
sampel dengan simple random sampling dapat dilakukan dengan
metode undian, ordinal, maupun tabel bilangan random. Untuk
penentuan sampel dengan cara ini cukup sederhana, tetapi dalam
praktiknya akan menyita waktu. Apalagi jika jumlahnya besar,
sampelnya besar.
b Random Komplek (Complex Random)
Selain random sampling, terdapat random komplek yang
menawarkan cara yang lebih menantang dan kadang-kadang lebih
efisien dari sampling acak sederhana. Berikut beberapa metode
Complex Random Sampling yaitu:
Systematic Random Sampling
Systematic Random Sampling adalah teknik pengambilan
sampel ketika sampel unsur pertama yang dipilih secara acak,
sedangkan unsur selanjutnya dipilih secara sistematis sesuai
dengan pola yang ditntukan (Effendi & Tukiran, 2012).
Menurut Supriyadi (2014) Systematic Random Sampling
adalah teknik sampling yang mengunakan nomor urutan dari
populasi baik yang berdasarkan nomor yang ditetapkan sendiri
oleh peneliti maupun nomor identitas tertentu, ruang dengan
urutan yang seragam atau pertimbangan sistematic lainnya.
41
Pengambilan secara random sistematik (systematic random
sampling) dilakukan dengan membagi populasi sebanyak n
bagian dan mengambil sebuah sampel pada masing-masing
bagian dimulai dari bagian pertama secara random (Jogiyanto,
2008). Caranya dengan menentukan interval sampel yang didapat
dari jumlah populasi dibagi jumlah sampel. Selanjutnya
dilakukan pengocokan untuk memilih sampel pertama dari daftar
sampel, sampel berikutnya sesuai dengan interval yang didapat.
Cluster Sampling
Cluster Sampling atau sampling area digunakan jika sumber
data atau populasi sangat luas misalnya penduduk suatu provinsi,
kabupaten, atau karyawan perusahaan yang tersebar di seluruh
provinsi (Supriyadi, 2014).
Menurut Jogiyanto (2008) pengambilan sampel secara kluster
(cluster sampling) dilakukan dengan membagi populasi menjadi
beberapa grup bagian. Grup bagian ini disebut dengan kluster.
Dipilih beberapa kluster secara acak dari semua kluster yang ada.
Item-item data yang berbeda di dalam kluster yang terpilih
marupakan sampelnya. Pengambilan kluster baik untuk sampel
homogen antara kluster-klusternya dan heterogen antara item-
item di dalam klusternya.
Dalam buku Jaya (2019) menurut Masri singarimbun
keuntungan dalam menggunakan teknik sampling ini yaitu:
42
(1) Semua ciri-ciri populasi yang heterogen dapat terwakili,
(2) Kemungkinan bagi peneliti untuk hubungan antara satu lapisan
dan lapisan yang lain, begitu juga membandingkannya.
Stratified Sampling
Metode sampel acak bertingkat ini memisahkan tingkatan
dari data, yang diikuti dengan mengambil elemen tiap tingkatan
secara acak. Menggunakan sampel acak bertingkat (stratified
random sampling) dapat dikumpulkan dengan tujuan untuk
mendapatkan tingkat pelatihan yang dibutuhkan oleh tiap tingkat
managerial (Supriyadi, 2014).
Pengambilan sampel secara strataan dilakukan dengan
membagi populasi menjadi subpopulasi atau strata dan kemudian
pengambilan sampel random sederhana dapat dilakukan di dalam
masing-masing strata. Strata dapat berupa karakteristik tertentu
(Jogiyanto, 2008).
Menurut Arifin (2017) teknik stratified random sampling
terdiri dari :
a. Propotional stratified random sampling, jumlah sampel diperoleh
berdasarkan besar sampel dibagi proporsisi stratifikasi yang ada
b. Simple stratified random sampling, stratifikasi berdasarkan
variabel studi. Pemilihan sampel didasarkan pada besar sampel
dibagi berdasarkan stratifikasi yang ada dengan bantuan tabel
acak.
43
Double Sampling
Double sampling atau sequential sampling atau multhiphase
sampling merupakan metode sampling yang mengumpulkan
sampel dengan dasar sampel yang ada dan dari informasi yang
diperoleh digunakan untuk mengambil sampel berikutnya
(Jogiyanto, 2008).
Double sampling atau sampel kembar adalah jumlah sampel
yang memang sengaja diambil sebanyak dua kali lipat dari sampel
yang seharusnya. Double sample bertujuan untuk memenuhi data
yang mungkin tidak masuk dari sampel pertama dan menawarkan
informasi yang lebih detail (Wibisono, 2013).
Multistage Random Sampling
Multistage random sampling atau teknik penarikan acak
bertingkat adalah pengembangan dari acak klaster. Teknik ini
dipakai pada populasi yang luas dan heterogen (Eriyanto, 2007).
Multistage random sampling merupakan metode pengambilan
sampel yang dilakukan berdasarkan wilayah secara bertahap jika
populasi terdiri dari bermacam-macam tingkat wilayah.
Sequential Sampling
Sequential sampling adalah cara pengambilan sampelnya
dimulai dengan pengambilan sampel yang kecil, kemudian
dianalisis. Jika hasilnya masih diragukan, maka dapat dimbil
sampel yang lebih besar lagi (Effendi & Tukiran, 2012).
44
2) Sampel Nonprobabilitas (Nonprobability Sampling)
Sampel nonprobabilitas mempunyai maksud setiap unsur dari
populasi tidak memiliki kesempatan yang sama untuk dipilih sebagai
sampel. Metode nonprobabilitas ini dapat digunakan apabila tidak
bertujuan untuk melakukan generalisasi atas dasar satu sampel. Peneliti
semata-mata hanya ingin mendapatkan kesan mengenai hal-hal tertentu
(Effendi & Tukiran, 2012).
Pengambilan sampel secara non-probabilitas dapat dilakukan metoda-
metoda sebagai berikut ini :
a. Convenience Sampling
Convenience sampling atau sampling sewaktu-waktu merupakan
metode yang mendapatkan informasi dari anggota populasi yang
sewaktu-waktu tersedia untuk memberikan informasi yang
dibutuhkan (Wibisono, 2013). Menurut Effendi dan Tukiran (2012)
Sampel sembarang (convenience sampling) adalah teknik penarikan
sampel yang dilakukan tanpa mekanisme tertentu. Siapa pun bisa
diwawancarai, kapan dan dimana saja. Pengambilan sampel secara
convenience sampling dilakukan dengan memilih sampel bebas .
b. Puposive Sampling
Purposive sampling adalah metode pengambilan sampel dengan
pertimbangan tertentu yang dianggap relevan atau dapat mewakili
45
objek yang akan diteliti (Effendi & Tukiran, 2012). Purposive
sampling merupakan teknik penentuan sampel dengan pertimbangan
khusus sehingga layak dijadikan sampel (Supriyadi, 2014).
Purposive Sampling atau Pengambilan sampel bertujuan
dilakukan dengan mengambil sampel dari populasi berdasarkan suatu
kriteria tertentu. Kriteria yang digunakan dapat berdasarkan
pertimbangan (judgement) tertentu atau jatah (quota) tertentu
(Jogiyanto, 2008).
Purposive sampling terdiri dari :
Judgement Sampling
Judgement Sampling adalah purposive sampling dengan kriteria
berupa suatu pertimbangan tertentu (Jogiyanto, 2008).
Quota Sampling
Quota Sampling adalah purposive sampling yang mengambil
persentasi sampelnya sesuai dengan persentase jumlah di
populasinya. Quota sampling merupakan teknik sampling yang
menentukan jumlah sampel dari populasi yang memiliki ciri tertentu
samapi jumlah kuota (jatah) yang diinginkan (Jogiyanto, 2008).
c. Accidental Sampling
Accidental Sampling atau Sampel aksidental adalah metode
penentuan sampel yang didasarkan secara kebetulan, tanpa ada
pertimbangan apa pun. Yang dimaksud dengan unsur kebetulan
adalah siapa saja yang secara kebetulan dapat ditemui. Aspek
46
kebetulan disini adalah yang bersangkutan memenuhi persyaratan
atau sesuai sebagai sumer data yang diperlukan dalam penelitian
(Effendi & Tukiran, 2012).
d. Snowball Sampling
Sampel bola salju merupakan metode penentuan sampel
yang pada awalnya sangat kecil jumlahnya karena keterbatasan
informasi (Effendi & Tukiran, 2012). Snowball sampling adalah
teknik penentuan jumlah sampel yang semula kecil kemudian terus
membesar ibarat bola salju (Supriyadi, 2014).
Pengambilan sampel secara bola salju (snowball sampling)
dilakukan dengan mengumpulkan sampel dari responden yang
berasal dari referensi suatu jaringan, misalnya lewat newsgroup di
internet (Jogiyanto, 2008).
2.12 Pretest
Pretest secara umum didefinisikan sebagai pengujian terhadap
serangkaian pertanyaan atau kuesioner survei. Menurut Reynolds et al.
(1993) Pretesting adalah tahap pengembangan kuesioner yang menentukan
potensi efektivitas kuesioner. Pretest dilakukan sebelum distribusi akhir
kuesioner kapada populasi target. Pretesting digunakan untuk memperbaiki
desin kuesioner dan mengidentifikasi kesalahan dalam kuesioner yang
mungkin hanya jelas bagi populasi terkait.
47
Pretesting kuesioner memungkinkan kita untuk mengidetifikasi istilah
yang tidak pantas dalam kata-kata pertanyaan, urutan tidak tepat, kesalahan
dalam kuesioner terkait dengan tata letak dan instruksi, serta masalah yang
disbabkan oleh ketidakmampuan atau penolakan responden untuk menjawab
pertanyaan-pertanyaan tertentu (Babonea & Voicu, 2011). Pretesting adalah
satu-satunya teknik untuk mengevaluasi terlebih dahulu apakah kuesioner
menimbulkan masalah untuk pewawancara atau responden (M. Ikart, 2019).
Setelah melakukan penyebaran kuesioner untuk pretest, maka perlu
dilakukan pengujian pada kuesioner tersebut. Menurut Debbie (2003) pretest
harus diuji untuk memastikan pretest sudah memenuhi tujuan dengan
memastikan hasil yang valid dan reliabiel. Maka diperlukan analisis uji
validitas dan reliabilitas pada kuesioner untuk pretest. Untuk pengujian
validitas dan reliabilitas dapat menggunakan tools yang diperlukan.
Melakukan uji validitas untuk mengukur data sesuai dengan
pengukuran yang ada. Sedangkan uji reliabilitas mengukur data yang
didapatkan untuk mengukur data variabel yang dapat diandalkan (reliabel)
atau tidak (M. Ikart, 2019).
Menurut V Perneger et al. (2014) penentuan sample pada pretest yang
ideal adalah sebanyak 30 sample karena ukuran sample 30 akan mencapai
daya tinggi yang baik untuk mendeteksi masalah pada kuesioner. Sample
sebanyak 30 untuk melakukan pretest dapat mewakilkan penentuan pretest
untuk menguji validitas dan reliabilitas (Debbie, 2003; M. Ikart, 2019).
48
2.13 SEM (Structural Equation Modelling)
SEM mempunyai karakteristik untuk lebih menegaskan (confirm)
daripada untuk menerangkan. Maksudnya, seorang peneliti lebih cenderung
menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau
tidak daripada menggunakannya untuk menemukan apakah suatu model
tertentu cocok atau tidak, meskipun analisis SEM juga sering mencakup
elemen-elemen yang digunakan untuk menerangkan (Sarwono, 2013).
Dalam buku Willy (2018) SEM adalah suatu teknik statistik untuk
menguji dan mengestimasi hubungan kausal dengan mengintegrasi analisis
faktor dan analisis jalur.
Dalam buku Haryono dan Wardoyo (2012), Ghozali menjelaskan
Model persamaan struktural (Structural Equation Modeling) adalah teknik
analisis multivariat agar peneliti dapat menguji hubungan antar variabel yang
komplek baik untuk memperoleh gambaran yang lengkapmengenai
keseluruhan model.
SEM adalah suatu teknik modeling statistik yang bersifat segat cross-
sectional, linear dan umum, termasuk di dalamnya factor analysis, path
analysis dan regression digunakan untuk menguji model statistik dalam
bentuk model sebab akibat (Bahri & Zamzam, 2015)
Menurut Widarjono (2015) Analisis multivariat merupakan salah satu
analisis statistika yang berkaitan dengan banyak variabel.
49
Menurut Hair et al. (2010), SEM ditandai dengan tiga karakteristik
utama yaitu:
Estimasi hubungan dependensi jamak dan saling terkait
Kemampuan untuk menghadirkan konsep-konsep yang tidak terobservasi
dalam hubungan serta untuk mempertimbangkan kesalahan pengukuran
dalam proses estimasi
Mendefinisikan suatu model untuk menerangkan seluruh perangkat
hubungan.
Menurut Sarwono (2013) SEM mempunyai persyaratan umum yaitu :
Variabel : menggunakan variabel metrik (kuantitatif/numerik). Terdapat
variabel yang diobservasi/manifest/indikator/referensi dan variabel yang
tidak terobservasi secara langsung/variabel laten/konstruk/faktor/gejala
abstrak.
Hubungan antara variabel : terdapat variabel yang memengaruhi (variabel
eksogenus) dan variabel yang dipengaruhi (variabel endogenus).
Ukuran sampel : sampel harus besar karena SEM bergantung pada
pengujian-pengujian yang sensitif terhadap ukuran sampel dan kekuatan
perbedaan-perbedaan matriks kovarians.
Pada saat ini, terdapat banyak program aplikasi yang dapat digunakan
untuk menganalisis SEM seperti AMOS, LISREL, SMARTPLS, dan lain-
lain. SEM yang menggunakan program aplikasi AMOS, LISREL, dll
merupakan analisis datanya yang disebut dengan istilah covariance based
50
SEM karena menggunakan input berupa matriks kovarian. Covariance Based
SEM atau CB-SEM digunakan untuk menguji sebuah teori, bukan untuk
membuat teori baru. CB-SEM dikembangkan oleh Joreskog pada tahun 1978.
Pada pengujian model dengan pendekatan SEM, dilakukan dua tahapan
pengujian berikut :
a. Measurement Model
Measurement Model adalah menggambarkan hubungan antara variabel
laten (variabel penelitian/konstruk) dengan indikator-indikatornya (alat
ukur/vaiabel manifes). Measurement model bertujuan untuk mengukur
seberapa tepat indikator-indikator yang digunakan dalam mengukur
variabel laten yang diukurnya.
b. Structural Model
Structural model adalah menggambarkan hubungan antara variabel-
variabel yang ada pada model tersebut. Structural model bertujuan untuk
mengetahui apakah yang ada pada variabel-variabel yang membangun
model.
Untuk menganalisa data dengan menggunakan teknik SEM terdapat
beberapa langkah yang harus dilakukan menurut Hair et al. (2010), antara
lain:
1. Membuat sebuah model SEM
Membuat sebuah model berdasarkan teori yang dijelaskan
2. Menentukan variabel
51
a. Variabel Eksogen
Variabel eksogen adalah variabel independen yang
memengaruhi variabel dependen. Variabel eksogen dianggap
sebagai variabel laten yang mempengaruhi terhadap variabel yang
lain (Santoso, 2018).
b. Variabel Endogen
Variabel endogen adalah variabel dependen yang dipengaruhi
oleh variabel indipenden. Variabel endogen dianggap sebagai
variabel laten yang dipengaruhi oleh satu atau beberapa variabel
lainnya (Santoso, 2018).
c. Indikator
Indikator adalah alat ukur pada setiap variabel eksogen atau
variabel endogen.
3. Membuat Path Diagram
Pada tahap ini, model SEM yang dibuat kemudian ditampilkan
dalam bentuk path diagram. Path diagram akan mempermudah dalam
melihat hubungan variabel-variabel yang ada pada model.
4. Mengevaluasi validitas model pengukuran / Measurement model
Validitas model pengukuran dengan melakukan uji validitas
konstruk dan menilai fit model atau goodness of fit. Syarat model fit
dalam analisis SEM dalam tabel berikut (Ferdinand, 2002):
52
Tabel 2. 2 Kriteria Fit Index
Jenis Fit Index Nilai yang Diterima Kriteria
Diuji
Keterangan
Chi-Square (X2) Nilai yang kecil
p > 0,05
Good Fit Chi-Square digunakan
untuk menguji seberapa
dekat kecocokan antara
matrik kovarian sampel
dengan matrik kovarian
model
RMSEA
(Root Mean Square
Error of
Approximation)
RMSEA ≤ 0,08 Good Fit RMSEA ditujukkan untuk
memperbaiki indeks fit
statistic chi-square yang
cenderung menolak model
yang mempunyai indikator
yang banyak dan ukuran
sampel yang besar (Hair et
al., 2014)
0,08 ≤ RMSEA ≤ 0,01 Marginal Fit
RMSEA ≥ 0,01 Poor Fit
GFI (Goodness-of-Fit
Index )
GFI ≥ 0,90 Good Fit GFI ditujukkan untuk
menguji kesesuaian yang
dipergunakan untuk
meghitung proporsi
tertimbang dari suatu
varian pada matrik
kovarian sampel.
0,80 ≤ GFI ≤ 0,90 Marginal Fit
GFI ≤ 0,80 Poor Fit
AGFI (Adjusted
Goodness-of-Fit Index
)
AGFI ≥ 0,90 Good Fit AGFI merupakan
pengembangan dari GFI
yang dapat disesuaikan
dengan degress of freedom
yang tersedia untuk
menguji diterima tidaknya
model
0,80 ≤ GFI ≤ 0,90 Marginal Fit
GFI ≤ 0,80 Poor Fit
TLI (Tucker-Lewis
Index)
AGFI ≥ 0,90 Good Fit TLI digunakan untuk
secara matematis
membandingkan model
hipotesis yang diajukan
dengan model nol
0,80 ≤ GFI ≤ 0,90 Marginal Fit
GFI ≤ 0,80 Poor Fit
CFI (Comperative Fit
Index)
AGFI ≥ 0,90 Good Fit CFI mempunyai
keunggulan yaitu besarnya
indeks tidak dipengaruhi
0,80 ≤ GFI ≤ 0,90 Marginal Fit
GFI ≤ 0,80 Poor Fit
53
oleh ukuran sampel karena
sangat baik untuk
mengukur tingkat
penerimaan sebuah model.
Kemudian, pada measurement model melakukan uji validitas
konstruk dengan melihat Regression Weight pada setiap konstruk.
Dikatakan signifikan jika indikator pada setiap konstruk memiliki nilai
P signifikan 0,05 dan ditunjukkan dengan tanda (***) dan nilai CR
diatas 1,96. Diartikan bahwa jika semua indikator memenuhi nilai yang
ditentukan maka setiap indikator pada setiap konstruk atau variabel
laten menunjukkan hasil yang baik dan memenuhi validitas konstruk
(Hair et al., 2014).
Selanjutnya pada nilai Loading Factor, setiap indikator pada
masing-masing konstruk menunjukkan hasil yang baik jika nilai
Loading Factor masing-masing indikator memiliki nilai lebih besar dari
0,5. Dapat diartikan bahwa indikator-indikator pada masing-masing
konstruk sudah menunjukkan hasil yang baik dan dapat mendukung
konstruk (Hair et al., 2014).
5. Mengevaluasi Estimasi Model
Mengevaluasi estimasi model dengan asumsi-asumsi sebagai berikut :
a. Asumsi Sampel
54
Jumlah sampel minimal yang diajurkan dalam menggunakan
teknik SEM dengan prosedur estimasi Maximum Likelihood
Estimation adalah 100-200 sampel.
b. Asumsi Normalitas
Untuk menguji kenormalan distribusi data dapat melihat critical
ratio (c.r) dimana normalitas univariat ditunjukkan dengan nilan c.r
skew dan c.r kurtosis ≤ 1,96 untuk α = 5% atau ≤ 2,58 untuk α = 1%.
Untuk normalitas multivariat dapat dilihat dari nilai c.r kurtosis
multivariat ≤ 1,96 untuk α = 5% atau ≤ 2,58 untuk α = 1%. Menurut
Blunch (2008) jika pada asumsi normalitas ini tidak memenuhi data
terdistribusi normal maka dapat melakukan uji Bootstrapping.
c. Uji Outlier
Outlier adalah kondisi observasi dari suatu daya yang memiliki
karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi lainnya, serta muncul dalam bentuk nilai yang ekstrim
(Ghozali, 2008). Nilai Mahalanobis distance digunakan untuk
mengetahui data manakah yang termasuk outliner. Uji outlier
multivariat dilakukan dengan kriteria jarak mahalanobis pada tingkat
p< 0,001 atau p<0,005.
6. Menetapkan model struktural
Pada tahap ini, membuat relasi atau hubungan dari suatu konstruk
ke konstruk lain berdasarkan model teoritis yang sudah dikembangkan.
55
Hubungan atau relasi ini merupakan hipotesis penelitian yang akan diuji
menggunakan data sampel.
7. Mengevaluasi validitas model strukturan
Pada tahap ini, mengevaluasi model struktural menggunakan indeks
fit atau goodness of fit.
8. Interpretasi hasil analisis dan mengambil kesimpulan
Pada tahap ini, menguji hipotesis mengenai relasi struktural antar
konstruk. Uji hipotesis ini dilakukan dengan menguji signifikansi
estimasi parameter model structural. Setelah uji hipotesis dilanjutkan
dengan interpretasi hasil analisisnya untuk mendapatkan kesimpulan
yang baik.
2.14 Bootstrapping
Bootstrapping adalah pendekatan untuk memvalidasi model
multivariat dengan pengambilan sampel ulang (subsample) dari sampel asli
dalam jumlah banyak dan mengestimasi model dari setiap subsample
tersebut (Hair et al., 2010). Kelebihan dari bootstrapping adalah
memungkinkan para peneliti untuk mengevaluasi stabilitas dari parameter-
parameter yang diestimasi dan akhirnya melaporkan hasil estimasinya
dengan tingkat akurasi yang lebih baik.
56
2.15 AMOS
Kemajuan teknologi informasi, khususnya dalam pengembangan
pembuatan software, telah mendorong munculnya software khusus untuk
perhitungan alat statstik dasar dari SEM, yakni analisis faktor dan analisis
regrasi berganda. Saat ini banyak software yaang khusus digunakan untuk
analisis model SEM seperti LISREL, AMOS, EQS, dan Mplus.
Namun sejak diakusisi (dibeli) oleh SPSS, Softare statistik paling populer
di dunia yaitu AMOS yang mulai populer digunakan, baik oleh kalangan
peneliti, akademisi, maupun para praktisi. Kelebihan software AMOS
terutama ada pada sifat software yang user friendly, sehingga dapat
digunakan bagi para pemula di bidang SEM sekalipun.
Terkait dengan akusisi software AMOS oleh SPSS, maka sejak saat itu
versi AMOS secara otomatis mengikuti versi dari SPSS. Dengan rilisnya
versi terbaru SPSS, maka AMOS juga merilis versi terbaru. AMOS
(Analysis of Moment Structure) merupakan program berbasis covariances
dikembangkan oleh L. James Arbucke 1994 (Bahri & Zamzam, 2015)
2.16 Pengembangan Model dan Hipotesis Penelitian
2.15.1. Pengembangan Model Penelitian
Penelitian ini menggunakan variabel yang ada pada model UTAUT
yang dikembangkan oleh Venkatesh et al. (2003) yaitu Performance
Expectancy, Effort Expectancy, Social Influence, Facilitating Condition,
Behavioral Intention, dan Use Behavior. Selain itu, peneliti
57
menambahkan variabel yaitu Trust dan Satisfaction. Berikut merupakan
definisi dari setiap variabel yang peneliti gunakan :
1. Performance Expectancy
Performance Expectancy berguna untuk mengukur sejauh mana
seseorang berfikir bahwa menggunakan suatu sistem akan
membantunya dalam kinerja pekerjaannya (Ting & Yanhong, 2012).
Performance Expectancy mencerminkan keuntungan pengguna dalam
menggunakan sebuah aplikasi berbasis mobile (Zhou, 2012).
Menyesuaikan Performance Expectancy dengan mobile dengan
menggunakan internet menyiratkan bahwa pengguna mobile akan
menganggap aplikasi mobile bermanfaat karena memungkinkan
pengguna untuk menyelesaikan pekerjaan sehari-hari mereka lebih
cepat dan dengan lebih banyak fleksibelitas atau bahkan membantu
meningkatkan produktivitas kerja pengguna (Wang & Wang, 2010)
2. Effort Expectancy
Effort Expectancy berguna untuk mengukur tingkat kemudahan
yang terkait dengan aplikasi yang dirasakan pengguna itu akan
memicu pengguna untuk bersedia menggunakan aplikasi (Ting &
Yanhong, 2012). Sebaliknya, jika proses operasi sulit dimengerti atau
rumit untuk dioperasikan, itu akan menyebabkan pengguna untuk
tidak menggunakan aplikasi penerimaan pengguna terhadap aplikasi
diperkirakan dapat tergantung dengan aksesbilitas sistem yang mudah
dan tanpa usaha (Wang & Wang, 2010).
58
3. Social Influence
Social Influence merupakan pengaruh sosial yang mencerminkan
pengaruh pendapat orang-orang penting pada pengguna sistem
(Venkatesh et al., 2003). Ketika orang-orang yang penting bagi
pengguna merekomendasikan pengguna aplikasi. Maka mereka dapat
menerima pendapat orang-orang tersebut dan menggunakan aplikasi
(Zhou, 2012). Menurut Venkatesh et al. (2003) Social Influence
merupakan faktor yang penting dalam membentuk niat pribadi untuk
menggunakan teknologi baru.
Social Influence juga dapat dipengaruhi oleh faktor eksternal
seperti sosial media dan media massa yang dapat mempengaruhi
keputusan penerimaan (Rao & Troshani, 2007). Orang-orang yang
penting atau internal pengguna seperti keluarga, teman, maupun
rekomendasi dari orang sekitar.
4. Facilitating Condition
Facilitating Condition mencerminkan bahwa pengguna memiliki
kemampuan dan sumber daya yang diperlukan untuk menggunakan
aplikasi (Zhou, 2012). Pengguna harus dilengkapi dengan
pengetahuan internet seluler untuk menggunakan aplikasi. Selain itu,
pengguna juga perlu membayar biaya layanan internet dan
mempunyai atau mendapatkan layanan internet wifi. Yang dan Farn
(2009) menyatakan bahwa Facilitating Condition mencerminkan
kemampuan pengguna untuk belajar dan menggunakan layanan
59
aplikasi. Ketika pengguna yakin dengan kemampuan mereka untuk
menggunakan teknologi, mereka akan lebih cenderung menggunakan
teknologi itu.
5. Trust
Trust mencerminkan kesediaan untuk pengguna berada dalam
kerentanan berdasarkan pada ekspektansi positif terhadap perilaku
pengguna di masa depan (Mayer et al., 1995; Zhou, 2012). Trust atau
kepercayaan sering mencakup tiga keyakinan yaitu kemampuan,
integritas, dan kebijakan (Kim et al., 2008). Trust dapat secara
langsung memfasilitasi niat pengguna karena memastikan bahwa
pengguna memperoleh hasil positif dimasa depan. Zhou (2012)
menyatakan ketika pengguna mengembangkan kepercayaan pada
penyedia layanan aplikasi mobile, maka pengguna percaya bahwa
penyedia layanan memiliki kemampuan dari masalah potensial.
6. Satisfaction
Satisfaction biasanya dipandang sebagai sikap yag dimiliki
seseorang yang akan mempengaruhi niat untuk menggunakan sistem
(Cheng et al., 2009). Mengukur kepuasan pengguna dalam
menggunakan teknologi dengan melihat kemudahan, keuntungan, dan
sosial (Chan et al., 2010). Kepuasan mengacu pada persetujuan atau
ketidak setujuan pengguna sistem secara kesuluruhan.
Satisfaction mencerminkan sejauh mana pegguna mendapat
perasaan positif dari penggunaan suatu produk atau layanan (Oliver,
60
1981). Sartisfaction mengukur seberapa baik suatu produk atau
layanan yang disediakan oleh penyedia memenuhi harapan pelanggan
(Saleem & Rashid, 2011).
7. Behavioral Intention
Behavioral Intention mengacu pada niat untuk menggunakan
sistem, ini merupakan penentu utama perilaku aktual (Nisha et al.,
2016). Kekuatan pada Behavioral Intention sangat berpengaruh pada
perilaku pengguna (Venkatesh & Zhang, 2010).
8. Use Behavior
Use Behavior melihat perilaku pengguna dengan menggunakan
suatu sistem (Venkatesh et al., 2003)
Gambar 2. 5 Model UTAUT yang dikembangkan
61
Dalam penelitian ini, peneliti tidak menggunakan variabel moderator seperti
age, gender, experience, dan voluntarines of use, karena menurut Salim (2012) dan
Hormati (2012) pada penelitiannya untuk variabel moderator tidak mempengaruhi
secara signifikan teknologi yang diteliti. Cotohnya pengaruh variabel moderator
pada jenis kelamin (gender) antara pria dan wanita tidak mempengaruhi sebagai
faktor penting dalam penggunaan atau pemanfaatan teknologi. Kemudian pengaruh
usia tidak ada perbedaan anatara usia yang lebih muda atau lebih tua. Untuk variabel
pengalaman tidak mempengaruhi niat untuk menggunakan teknologi. Sedangkan
kesukarelaan tidak mempengaruhi perilaku penggunaan teknologi.
2.15.2. Pengembangan Hipotesis Penelitian
Hipotesis perlu dikembangkan dengan menggunakan teori yang
benar atau dengan penjelasan-penjelasan jelas dan hasil-hasil penelitian
sebelumnya. Hipotesis dikembangkan dengan menggunakan teori karena
akan memverifikasi teori tersebut di fenomena yang ada. Hipotesis perlu
dikembangkan dengan penjelasan yang jelas agar tidak ada teori yang
dapat digunakan atau tujuan dari riset untuk menemukan teori yang baru,
hipotesisi digunakan dari hasil-hasil penelitian-penelitian sebelumnya
karena dari hasil penelitian dapat digunakan untuk menentukan tujuan
dari hipotesisnya. Hipotesis dikembangan untuk mengembangkan
penelitian dengan tujuan untuk menerima hipotesis dari riset dan
mencapai tujuan yang ditentukan (Jogiyanto, 2008).
62
Berdasarkan penelitian yang dilakukan (Abrahão et al., 2016;
Cheng et al., 2009; Sharma et al., 2018; Ting & Yanhong, 2012;
Venkatesh et al., 2003) telah membuktikan bahwa variabel Performance
Expectancy memberikan pengaruh signifikan terhadap niat pengguna.
(Cheng et al., 2009) membuktikan juga bahwa variabel Performance
Expectancy memberikan pengaruh signifikan terhadap kepuasan atau
Satisfaction, ini juga didukung oleh (Chan et al., 2010; C. Y. Lee et al.,
2015; Revels et al., 2010). Oleh karena itu, peneliti mengadopsi indikator
Performance Expectancy dari penelitian Venkatesh et al. (2003); Sharma
et al. (2018); Cheng et al. (2009); Chan et al. (2010) yaitu Efisien (PE1),
Kemudahan (PE2), Manfaat (PE3), dan Produktivitas (PE4) sehingga
menghipotesis bahwa:
H1 : Performance Expectancy berpengaruh secara signifikan terhadap
Behavioral Intention
H2 : Performance Expectancy berpengaruh secara signifikan terhadap
Satisfaction
Beberapa penelitian telah membuktikan bahwa variabel Effort
Expectancy memberikan pengaruh secara signifikan terhadap niat
pengguna (Abrahão et al., 2016; Ifinedo, 2012; Sharma et al., 2018; Ting
& Yanhong, 2012; Venkatesh et al., 2003) dan kepuasan (Chan et al.,
2010; C.-Y. Lee et al., 2015; Revels et al., 2010). Peneliti mengadopsi
indikator Effort Expectancy dalam penelitian Venkatesh et al. (2003);
63
Sharma et al. (2018); Cheng et al. (2009); Chan et al. (2010) yaitu mudah
dipahami (EE1), Terampil (EE2), Mudah digunakan (EE3), dan Mudah
dipelajari (EE4). Berikut hipotesis yang digunakan :
H3 : Effort Expectancy berpengaruh secara signifikan terhadap
Behavioral Intention
H4 : Effort Expectancy berpengaruh secara signifikan terhadap
Satisfaction
Berdasarkan penelitian yang dilakukan (Abrahão et al., 2016;
Cheng et al., 2009; Ifinedo, 2012; Venkatesh et al., 2003) telah
membuktikan bahwa Social Influence memberikan pengaruh yang
signifikan terhadap niat pengguna. Pada penelitian Kaewkitipong et al.
(2016) bahwa pengaruh sosial juga memberikan pengaruh signifikan
terhadap kepuasan. Sehingga peneliti mengadopsi indikator Social
Influence dari penelitian Venkatesh et al. (2003); Sharma et al. (2018);
Cheng et al. (2009); dan Chan et al. (2010) yaitu pengaruh dari penyedia
(SI1), Dukungan dari penyedia (SI2), dan pengaruh dari sosial media
(SI4) sehingga menghipotesis bahwa:
H5 : Social Influence berpengaruh secara signifikan terhadap
Behavioral Intention
H6 : Social Influence berpengaruh secara signifikan terhadap
Satisfaction
64
Pada penelitian yang dilakukan (Ifinedo, 2012; Suki & Suki, 2017)
telah membuktikan bahwa Facilitating Condition memberikan pengaruh
yang signifikan terhadap perilaku pengguna atau Behavioral Intention.
Pada penelitian Chan et al. (2010) membuktikan juga bahwa Facilitating
Condition mempunyai pengaruh signifikan dengan kepuasan. Oleh
karena itu, peneliti mengadopsi indikator dari penelitian Venkatesh et al.
(2003); Sharma et al. (2018); Cheng et al. (2009); dan Chan et al. (2010)
yaitu ketersediaan sumber daya (FC1), Memiliki Pengetahuan (FC2),
Ketersediaan petunjuk teknis (FC3), dan Ketersediaan bantuan (FC4).
Berikut merupakan hipotesis yang digunakan :
H7 : Facilitating Condition berpengaruh secara signifikan terhadap Use
Behavior Intention
H8 : Facilitating Condition berpengaruh secara signifikan terhadap
Satisfaction
Berdasarkan penelitian yang dilakukan Sharma et al. (2018) telah
membuktikan bahwa variabel Trust memberikan pengaruh yang
signifikan terhadap niat pengguna. Pada penelitian Suping dan Yizheng
(2010) dan Kaewkitipong et al. (2016) membuktikan bahwa Trust juga
mempunyai pengaruh signifikan dengan kepuasan. Sehingga peneliti
mengadopsi indikator Trust penelitian Sharma et al. (2018) dan Zhou
(2012) yaitu kepercayaan (TRU1), Menyediakan Layanan (TRU2),
65
Keaslian Layanan (TRU3), dan Keamanan Pengguna (TRU4) sehingga
menghipotesis bahwa :
H9 : Trust berpengaruh berpengaruh secara signifikan terhadap
Behavioral Intention
H10 : Trust berpengaruh secara signifikan terhadap Satisfaction
Penelitian yang dilakukan Cheng et al. (2009) telah membuktikan
bahwa variabel Satisfaction berpangaruh signifikan tehadap niat
pengguna. Oleh karena itu, peneliti mengadopsi indikator Satisfaction
pada penelitian Cheng et al. (2009) dan (C. Y. Lee et al., 2015) yaitu
memenuhi kebutuhan (SAT1), kepuasan dalam pemakaian (SAT2),
Kepuasan kepada penyedia (SAT3), Harapan (SAT4), dan Kepuasan
Sistem (SAT5). Sehingga menghipotesis bahwa :
H11 : Satisfaction berpengaruh secata signifikan terhadap Behavioral
Intention
Berdasarkan penelitian (Ifinedo, 2012; Im et al., 2011; Suki &
Suki, 2017; Ting & Yanhong, 2012) membuktikan bahwa Behavioral
Intention memiliki pengaruh signifikan dengan Use Behavior. Peneliti
mengadopsi indikator Behavioral Intention pada penelitian Venkatesh et
al. (2003) dan Sharma et al. (2018) yaitu berniat menggunakan (BI1),
Berusaha menggunakan (BI2), berencana menggunakan (BI3),
rekomendasi pengguna (BI4). Sehingga menghipotesis bahwa :
66
H12 : Behavioral Intention berpengaruh secara signifikan terhadap Use
Behavior
Untuk indikator Use Behavior, peneliti mengadopsi indikator dalam
penelitian Venkatesh et al. (2003) yaitu Penggunaan (UB1), Perilau
(UB2), dan Pengaruh (UB3).
Tabel 2. 3 Daftar Hipotesis
No. Hipotesis
H1 Performance Expectancy berpengaruh secara signifikan terhadap Behavioral Intention
H2 Performance Expectancy berpengaruh secara signifikan terhadap Satisfaction
H3 Effort Expectancy berpengaruh secara signifikan terhadap Behavioral Intention
H4 Effort Expectancy berpengaruh secara signifikan terhadap Satisfaction
H5 Social Influence berpengaruh secara signifikan terhadap Behavioral Intention
H6 Social Influence berpengaruh secara signifikan terhadap Satisfaction
H7 Facilitating Condition berpengaruh secara signifikan terhadap Use Behavior Intention
H8 Facilitating Condition berpengaruh secara signifikan terhadap Satisfaction
H9 Trust berpengaruh berpengaruh secara signifikan terhadap Behavioral Intention
H10 Trust berpengaruh secara signifikan terhadap Satisfaction
H11 Satisfaction berpengaruh secata signifikan terhadap Behavioral Intention
H12 Behavioral Intention berpengaruh secara signifikan terhadap Use Behavior
67
Tabel 2. 4 Daftar Variabel dan Indikator Penelitian
Variabel Definisi Variabel Indikator Definisi Indikator Pertanyaan Sumber
Kode Nama Indikator
Performance
Expectancy
(Harapan
Kinerja)
Performance
Expectancy
didefinisikan sebagai
tingkat dimana
pengguna yakin akan
mendapatkan
keuntungan dan dapat
terbantu dalam
pekerjaannya apabila
menggunakan aplikasi
Mobile JKN
PE1 Efisien Tingkat keefisienan
dalam menggunakan
sistem
Aplikasi menghemat waktu dan usaha
saya dalam mendapatkan layanan
JKN
(Venkatesh et al.,
2003); (Sharma et al.,
2018); (Cheng et al.,
2009); (Chan et al.,
2010)
PE2 Kemudahan Kemudahan dalam
menggunakan sistem
Aplikasi memungkinkan saya untuk
mendapatkan layanan yang lebih
cepat
PE3 Manfaat Manfaat dalam
menggunakan sistem
Aplikasi bermanfaat dalam
mengakses layanan JKN
PE4 Produktivitas Tingkat
Produktivitas dalam
menggunakan sistem
Aplikasi meningkatkan produktivitas
layanan JKN
Effort
Expectancy
(Harapan
Usaha)
Effort Expectancy
didefinisikan sebagai
tingkat kemudahan
pengguna dengan
mempelajari dan
menggunakan aplikasi
Mobile JKN
EE1 Mudah dipahami Tingkat pemahaman
dalam menggunakan
sistem
Aplikasi mudah dimengerti dalam
pengguaannya
(Venkatesh et al.,
2003); (Sharma et al.,
2018); (Cheng et al.,
2009); (Chan et al.,
2010) EE2 Terampil Menjadi terampil
atau bisa
menggunakan sistem
Aplikasi tidak membutuhkan
keterampilan khusus dalam
penggunaannya
EE3 Mudah
Digunakan
Tingkat kemudahan
dalam menggunakan
sistem
Aplikasi mudah digunakan
EE4 Mudah
Dipelajari
Tingkat kemudahan
dalam mempelajari
sistem
Aplikasi mudah dipelajari
68
Social Influence
Social Influence didefinisikan sebagai
sejauh mana seseorang
individual
mempersepsikan
kepentingan yang
dipercaya oleh orang-
orang lain yang akan
mempengaruhinya
menggunakan sistem
baru
SI1 Pengaruh dari penyedia
Tingkat pengaruh dari penyedia sistem
untuk menggunakan
sistem
Saya menggunakan aplikasi karena pengaruh pihak BPJS
(Venkatesh et al., 2003); (Sharma et al.,
2018); (Cheng et al.,
2009); (Chan et al.,
2010)
SI2 Dukungan dari
penyedia
Tingkat penyedia
dalam mendukung
penggunaan sistem
Saya menggunakan aplikasi dengan
dukungan dari penyedia (BPJS)
SI3 Pengaruh dari
Social Media
Tingkat sosial media
dalam
mempengaruhi
menggunakan sistem
Saya menggunakan aplikasi karena
pengaruh sosial media atau media
massa
Facilitating
Condition
Facilitating Condition
didefinisikan sebagai
sejauh mana pengguna
percaya pada
infratruktur
organisasional dan
teknikan yang teredia
untuk mendukung
aplikasi Mobile JKN
FC1 Ketersediaan
Sumber Daya
Pengguna
mempunyai sumber
daya (jaringan dan
kemampuan) untuk
menggunakan sistem
Saya memiliki sumber daya yang
diperlukan untuk menggunakan
aplikasi
(Venkatesh et al.,
2003); (Sharma et al.,
2018); (Cheng et al.,
2009); (Chan et al.,
2010)
FC2 Memiliki
Pengetahuan
Tingkat pengetahuan
pengguna dalam
menggunakan sistem
Saya memiliki pengetahuan yang
diperlukan untuk menggunakan
aplikasi
FC3 Ketersediaan
Petunjuk Teknis
Adanya petunjuk
teknis dalam
menggunakan sistem
Saya menggunakan aplikasi sesuai
dengan petunjuk teknis yang
disediakan
FC4 Ketersediaan
Bantuan
Adanya bantuan dari
orang lain atau pihak
penyedia dalam
menggunakan sistem
Saya menggunakan aplikasi dengan
bantuan pihak BPJS dan orang lain
Trust Trust didefinisikan
sebagai harapan
pengguna bahwa
TRU1 Kepercayaan Tingkat kepercayaan
pengguna terhadap
sistem
Saya percaya layanan pada aplikasi (Sharma et al., 2018);
(Zhou, 2012)
69
penyedia jasa dapat dipercaya atau dapat
diandalkan dalam
memenuhi janjinya
TRU2 Menyediakan Layanan
Tingkat baik atau tidaknya layanan
pada sistem
Saya percaya aplikasi memberikan layanan yang baik
TRU3 Keaslian
Layanan
Tingkat asli atau
tidaknya layanan
pada sistem
Saya percaya aplikasi memberikan
layanan yang asli
TRU4 Kemanan
pengguna
Tingkat keamanan
pengguna dalam
sistem
Saya percaya aplikasi melindungi
privasi pengguna dengan baik
Satisfaction Satisfaction
didefinisikan sebagai
harapan dan pengalam
pengguna
menggunakan aplikasi
Mobile JKN
SAT1 Memenuhi
Kebutuhan
Tingkat sudah atau
belumnya pengguna
untuk memenuhi
kebutuhan pada
layanan di sistem
Saya dapat memenuhi kebutuhan
dengan menggunakan aplikasi
(Cheng et al., 2009);
(C.-Y. Lee et al.,
2015)
SAT2 Kepuasan dalam
Pemakaian
Tingkat kepuasan
pengguna setelah
menggunakan sistem
Saya merasa puas setelah
menggunakan aplikasi
SAT3 Kepuasan
kepada Penyedia
Tingkat kepuasan
pengguna kepada
penyedia sistem
Saya merasa puas dengan Pihak BPJS
untuk menyediakan aplikasi
SAT4 Harapan Sesuainya harapan
pengguna pada
sistem
Saya mendapatkan layanan sesuai
dengan harapan
SAT5 Kepuasan dalam
Sistem
Kepuasan pengguna
terhadap
keseluruhan sistem
Saya merasa puas dengan layanan
aplikasi
Behavioral
Intention
Behavioral Intention
didefinisikan sebagai
ukuran kekuatan niat
pengguna untuk
BI1 Berniat
Menggunakan
Adanya niat
pengguna
menggunakan sistem
Saya berniat untuk terus
menggunakan aplikasi kedepannya
(Venkatesh et al.,
2003); (Sharma et al.,
2018)
BI2 Berusaha
Menggunakan
Adanya usaha untuk
menggunakan sistem
Saya akan selalu mencoba untuk
menggunakan aplikasi
70
melakukan perilaku tertentu
BI3 Berencana Menggunakan
Adanya rencana pengguna untuk
menggunakan sistem
Saya berencana untuk menggunakan aplikasi dibulan depan
BI4 Rekomendasi
Penggunaan
Adanya rekomendasi
penggunaan sistem
kepada orang lain
Saya merekomendasikan penggunaan
aplikasi kepada orang lain
Use
Behavior
Use Behavior
didefinisikan sebagai
mengukur pengalaman
dalam menggunakan
aplikasi Mobile JKN
UB1 Penggunaan Pengguna
menggunakan sistem
Saya sering menggunakan aplikasi (Venkatesh et al.,
2003)
UB2 Perilaku Adanya rasa senang
menggunakan sistem
Saya senang menggunakan aplikasi
UB3 Pengaruh Adanya pengaruh
menggunakan sistem
Saya selalu menggunakan aplikasi
2.17 Penelitian Sejenis
Tabel 2. 5 Penelitian Sejenis
No. Peneliti Judul Model Tools Hasil
1. Sujeet Kumar Sharma, Ali
Al-Badi, Nripendra P.
Rana, dan Laila Al-Azizi
(2018)
Mobile Applications in
Government Services
(mG-App) from User’s
Perspective: A Predictive
Modelling Approach
UTAUT AMOS Dalam Penelitian ini, menghasilkan bahwa faktor-faktor seperti
harapan kinerja, harapan usaha, kondisi fasilitasi, kepercayaan,
dan kualitas informasi telah secara positif mempengaruhi niat
perilaku. Faktor-faktor ini sangat mempengaruhi keputusan untuk
menggunakan mG-App. Tetapi pada penelitian ini menunjukkan
bahwa Social Influence tidak mempengaruhi niat perilaku.
2. Norbayah Mohd Suki,
Norazah Mohd Suki
(2017)
Determining students
behavioural intention to
use animation and
storytelling applying the
UTAUT SmartPLS
Dalam penelitian ini, menghasilkan Performance Expectancy dan
Facilitating Condition berpengaruh signifikan terhadap niat
perilaku. Sedangkan Effort Expectancy dan Social Influence tidak
berpengaruh terhadap niat perilaku.
71
UTAUT model: the moderating roles of
gender and experience
level
3. Fran K.Y. Chan, James
Y.L Thong, Viswanath
Venkatesh, Susan A.
Brown, Paul Jen-Hwa Hu,
Kar Yan Tam (2010)
Modeling Citizen
Satisfaction with
Mandatory Adoption of
an E-Government
Technology
UTAUT SmartPLS Penelitian ini menghasilkan bahwa performance exectancy, Effort
Expectancy, dan Facilitating Condition mempunyai efek langsung
kepada kepuasan pengguna dalam menggunakan kartu pintar
teknologi e-government. Namun, untuk Social Influence tidak
memiliki efek langsung terhadap kepuasan pengguna.
4. Ricardo de Sma Abrahao,
Stella Naomi Moriguchi,
Darly Fernando Anrade
(2016)
Intention of Adoption of
Mobile Payment: An
Analysis in the light of
the Unified Theory of
Acceptance and Use of
Technology (UTAUT)
UTAUT SmartPLS Penelitian ini menghasilkan bahwa Performance Expectancy,
Effort Expectancy, Social Influence memiliki hubungan yang
positif terhadap Behavioral Intention mobile payment. Tetapi
perceived cost tidak memiliki hubungan positif terhadap
Behavioral Intention.
5. Laddawan Kaewkitipong,
Charlie C. Chen, Peter
Ractham (2016)
Using Social Media to
Enrich Information
Systems Field Trip
Experiences: Studemts’
Satisfaction and
Continuance Intentions
UTAUT SmartPLS Pada penelitian ini menghasilkan bahwa Trust memiliki pengaruh
yang positif kepada Satisfaction, begitu pula dengan Effort
Expectancy yang mempunyai pengaruh rendah terhadap kepada
Satisfaction. Untuk Social Influence mempunyai pengaruh yang
positif terhadap Satisfaction.
6. Janaeya Revels, Dewi
Tojib, Yelena Tsarenko
(2010)
Understanding Consumer
Intention to Use Mobile
Services
TAM AMOS Dalam penelitian ini menghasilkan bahwa perceived usefuless,
perceived ease of use, perceived enjoyment, perceived cost
mempunyai pengaruh signifikan terhadap Satisfaction sedangkan
perceived image tidak memiliki pengaruh signifikan terhadap
Satisfaction. Kemudian Satisfaction berpengaruh signifikan
terhadap usage intention.
7. Chen-Ying Lee, Chih-
Hsuan Tsao, Wan-Chuan
Chang (2015)
The relationship between
attitude toward using and
customer Satisfaction
with mobile application
services
TAM SPSS Dalam penelitian ini menghasilkan bahwa perceived usefulness,
perceived ease of use, perceived playfulness, compatibility
positively mempunyai pengaruh positif terhadap attitude toward
using. Untuk perceived usefulness, perceived ease of use, dan
72
attitude toward using mempunyai pengaruh yang positif terhadap astisfaction.
8. Dong Cheng, Gang Liu,
Cheng Qian, Yuan-Fang
Song (2009)
User Acceptance of
Internet Banking: an
Extension of the UTAUT
Model With Trut and
Quality Constructs
UTAUT LISREL Dalam penelitian ini menghasilkan bahwa Performance
Expectancy, Satisfaction, dan Social Influence mempunyai
pengaruh terhadap Behavioral Intention untuk menggunakan
internet banking. Namun pada penelitian ini, Effort Expectancy
tidak mempunyai pengaruh signifikan terhadap Behavioral
Intention.
9. Ting Gao dan Yanhong
Deng (2012)
A Study on User’s
Acceptance Behavior to
Mobile E-books
Application Based on
UTAUT Model
UTAUT AMOS Pada penelitian ini menghasilkan bahwa Performance Expectancy
dan Effort Expectancy mempunyai pengaruh signifikan positif
terhadap Behavioral Intention. Namun pada Social Influence,
perceived cost, dan Facilitating Condition tidak mempunyai
pengaruh terhadap Use Behavior. Untuk Behavioral Intention
memiliki pengaruh signifikan terhadap Use Behavior.
10. Princely Ifinedo (2012) Technology Acceptance
by Health Professionals
in Canada: An Analysis
with a Modified UTAUT
Model
UTAUT SmartPLS Pada penelitian ini menghasilkan bahwa Effort Expectancy dan
Social Influence mempunyai pengaruh terhadap Behavioral
Intention. namun untuk Performance Expectancy tidak
mempunyai pengaruh positif terhadap Behavioral Intention. untuk
Facilitating Condition mempunyai pengaruh terhadap Use
Behavior. Kemudian Behavioral Intention memiliki pengaruh
terhadap Use Behavioral.
73
BAB III
METODOLOGI PENELITIAN
3.1 Pendekatan Penelitian
Penelitian ini secara umum dilakukan dengan pendekatan kuantitatif
sesuai tujuannya yaitu mengetahui status penerimaan pengguna terhadap
aplikasi Mobile JKN berdasarkan persepsi peserta BPJS yang menggunakan
aplikasi Mobile JKN dan mengetahui faktor-faktor yang mempengaruhi
penerimaan pengguna terhadap aplikasi Mobile JKN.
Berdasarkan pendekatan yang telah ditentukan, tahapan-tahapan yang
dilakukan pada penelitian ini menerapkan metode, teknik, dan alat secara
kuantitatif seperti ditunjukan oleh prosedur penelitian. Sebagai contoh teknik
pengumpulan data dilakukan dengan cara survei dengan instrumen kuesioner,
kemudian menganalisis data yang dilakukan secara statistik dengan perangkat
lunak yaitu AMOS 24.
3.2 Prosedur Penelitian
Prosedur pada penelitian ini dilakukan secara berurutan seperti gambar 3.1
yang meliputi : pengajuan masalah, kajian pustaka, pengembangan model,
perancangan penelitian, pembuatan instrumen, pengumpulan data, analisis
data, interpretasi data, dan pembuatan laporan. Prosedur penelitian ini
mengadopsi oleh penelitian Subiyakto et al. (2015).
74
3.3 Populasi dan Sampel Penelitian
Populasi dalam penelitian ini adalah Peserta BPJS yang sudah
menggunakan Mobile JKN yang berdomisili di JABODETABEK (Jakarta,
Gambar 3. 1 Prosedur Penelitian (Subiyakto et al 2015)
75
Bogor, Depok, Tangerang, dan Bekasi). Berdasarkan data yang diperoleh dari
bagian komunikasi publik dari pada bulan Januari 2019 sebanyak 1.027.233
peserta BPJS yang sudah menggunakan aplikasi Mobile JKN.
Penelitian ini melakukan pengambilan sampel dengan menggunakan
teknik multi-stage purposive sampling yang terdiri dari tahap pertama
purposive sampling dan tahap kedua dengan accidental sampling. Tahap
pertama melakukan purposive sampling yang dilakukan untuk memilih yang
memiliki pengalaman dalam menggunakan sistem. Selanjutnya tahap kedua
yaitu menggunakan teknik accidental sampling dengan memilih anggota
sampel yang respondennya yang kebetulan ada atau tanpa perancanaan saat
bertemu.
Menurut Hair et al. (2010), sampel yang diperlukan dalam SEM
(Structural Equation Model) berkisar antara 100 sampai 200 sampel. Dengan
mempertimbangkan jumlah populasi yang banyak, keterbatasan waktu dan
biaya, sejumlah 318 orang pengguna sistem menjadi sampel dalam penelitian
ini. Sehingga dapat dikatakan 318 orang sampel sudah cukup mewakili
populasi yang ada. Menurut Hair et al. (2010) tergantung pada jumlah
indikator yang digunakan dalam seluruh variabel laten. Jumlah sampel adalah
jumlah indikator dikali 5. Pada penelitian ini menggunakan 31 estimated
parameter (indikator). Jumlah sampel dalam penelitian ini adalah :
Sampel = Jumlah Indikator x 5
= 31 x 5
= 155 sampel
76
Sehingga dapat dikatakan 318 pengguna sistem ini sudah menjadi sampel
yang cukup pada penelitian ini.
3.4 Instrumen Penelitian
Instrumen dalam penelitian ini adalah kuesioner yang terdiri dari dua
bagian. Bagian pertama berupa surat permohanan dari peneliti untuk pengisian
kuesioner. Selanjutnya bagian kedua merupakan pertanyaan yang terdiri dari 7
profil responden, pertanyaan tentang Mobile JKN, dan 31 pertanyaan
pengujian. Pertanyaan pengujian terdiri dari kelompok yang mewakili setiap
variabel terdapat 8 Kelompok terdiri dari 4 pertanyaan Performance
Expectancy, 4 pertanyaan Effort Expectancy, 3 pertanyaan Social Influence, 4
pertanyaan Facilitating Condition, 4 pertanyaan Trust, 5 pertanyaan
Satisfaction, 4 pertanyaan Behavioral Iintention, dan 3 Pertanyaan Use
Behavior.
Berikut daftar indikator dan pertanyaan pengujian
Tabel 3. 1 Daftar Indikator dan Pertanyaan pengujian
Variabel Indikator Pertanyaan Kode
Performance
Expectancy
Efisien Aplikasi menghemat waktu
dan usaha saya dalam
mendapatkan layanan JKN
PE1
Kemudahan Aplikasi memungkinkan
saya untuk mendapatkan
layanan yang lebih cepat
PE2
77
Manfaat Aplikasi bermanfaat dalam
mengakses layanan JKN
PE3
Produktivitas Aplikasi meningkatkan
produktivitas layanan JKN
PE4
Effort
Expectancy
Mudah dipahami Aplikasi mudah dimengerti
dalam pengguaannya
EE1
Terampil Aplikasi tidak
membutuhkan keterampilan
khusus dalam
penggunaannya
EE2
Mudah
Digunakan
Aplikasi mudah digunakan EE3
Mudah
Dipelajari
Aplikasi mudah dipelajari EE4
Social
Influence
Pengaruh dari
penyedia
Saya menggunakan aplikasi
karena pengaruh pihak
BPJS
SI1
Dukungan dari
penyedia
Saya menggunakan aplikasi
dengan dukungan dari
penyedia (BPJS)
SI2
Pengaruh dari
Social Media
Saya menggunakan aplikasi
karena pengaruh sosial
media atau media massa
SI3
Facilitating
Condition
Ketersediaan
Sumber Daya
Saya memiliki sumber daya
yang diperlukan untuk
menggunakan aplikasi
FC1
Memiliki
Pengetahuan
Saya memiliki pengetahuan
yang diperlukan untuk
menggunakan aplikasi
FC2
78
Ketersediaan
Petunjuk Teknis
Saya menggunakan aplikasi
sesuai dengan petunjuk
teknis yang disediakan
FC3
Ketersediaan
Bantuan
Saya menggunakan aplikasi
dengan bantuan pihak BPJS
dan orang lain
FC4
Trust Kepercayaan Saya percaya layanan pada
aplikasi
TRU1
Menyediakan
Layanan
Saya percaya aplikasi
memberikan layanan yang
baik
TRU2
Keaslian
Layanan
Saya percaya aplikasi
memberikan layanan yang
asli
TRU3
Kemanan
pengguna
Saya percaya aplikasi
melindungi privasi
pengguna dengan baik
TRU4
Satisfaction Memenuhi
Kebutuhan
Saya dapat memenuhi
kebutuhan dengan
menggunakan aplikasi
SAT1
Kepuasan dalam
Pemakaian
Saya merasa puas setelah
menggunakan aplikasi
SAT2
Kepuasan
kepada Penyedia
Saya merasa puas dengan
Pihak BPJS untuk
menyediakan aplikasi
SAT3
Harapan Saya mendapatkan layanan
sesuai dengan harapan
SAT4
Kepuasan dalam
Sistem
Saya merasa puas dengan
layanan aplikasi
SAT5
79
Behavioral
Intention
Berniat
Menggunakan
Saya berniat untuk terus
menggunakan aplikasi
kedepannya
BI1
Berusaha
Menggunakan
Saya akan selalu mencoba
untuk menggunakan
aplikasi
BI2
Berencana
Menggunakan
Saya berencana untuk
menggunakan aplikasi
dibulan depan
BI3
Rekomendasi
Penggunaan
Saya merekomendasikan
penggunaan aplikasi kepada
orang lain
BI4
Use
Behavior
Penggunaan Saya sering menggunakan
aplikasi
UB1
Perilaku Saya senang menggunakan
aplikasi
UB2
Pengaruh Saya selalu menggunakan
aplikasi
UB3
Pada penelitian ini, peneliti menggunakan lima poin skala likert (Suryani
& Hendryadi, 2016). Dalam skala likert ini menggunakan lima alternatif
jawaban untuk setiap pertanyaan yaitu :
Poin 1 : Sangat Tidak Setuju
Poin 2 : Tidak Setuju
Poin 3 : Netral
Poin 4 : Setuju
Poin 5 : Sangat Setuju
80
Penelitian ini melakukan pengujian awal yaitu pretest. Tujuan dilakukan
pretest untuk mengidentifikasi dan mengatasi masalah yang mungkin dapat
timbul dalam pengolahan data sehingga kuesioner yang akan digunakan dalam
penelitian merupakan kuesioner yang lebih baik dan bebas error. Proses
evaluasi ini menguji validitas dan reliabilitas pada kuesioner. Hasil dari
evaluasi tersebut yaitu terdapat satu indikator yang dihapus yaitu Pengaruh dari
Orang terdekat karena tidak reliabel. Sehingga instrumen yang akan disebar
sebanya 31 instrumen kuesioner.
3.5 Pengumpulan dan Pemrosesan Data
a Wawancara
Peneliti melakukan wawancara dengan Ibu Upik Handayani Selaku
Deputi Bidang Pengendalian Mutu Pelayanan BPJS Kesehatan. Kegiatan
wawancara dilakukan pada tanggal 27 Februari 2018. Dari wawancara
yang dilakukan dapat mengetahui latar belakang dari aplikasi Mobile JKN.
Untuk melihat hasil wawancara secara keseluruhan, dapat dilihat pada
lampiran.
b Kuesioner
Proses pengumpulan data yang dilakukan pada penelitian ini dengan
menyebarkan kuesioner secara langsung dan tidak langsung kepada
responden. Teknik gabungan ini yang dilakukan dengan memberikan
informasi yang dalam dan luas, tingkat respon dari responden, kualitas
data, dan efisiensi dan efektifitas dalam pengumpulan data (Subiyakto et
81
al., 2016). Peneliti melakukan penyebaran kuesioner secara langsung di
Kantor BPJS Kesehatan Cabang Jakarta Selatan, BPJS Kesehatan Cabang
Depok, dan Rumah Sakit Jantung Harapan Kita. Kemudian untuk
penyebaran tidak langsung dilakukan dengan menyebarkan link kusioner
dengan google form melalui media sosial. Penyebaran kuesioner dilakukan
mulai tanggal 23 Maret 2019 sampai dengan 23 April 2019 untuk
mencapai jumlah sampel yang telah ditargetkan.
Pada pengumpulan data melalui kuesioner ini terlebih dahulu
dilakukan klasifikasi menggunakan perangkat lunak pengloah angka Ms.
Excel 2013. Dari hasil pengumpulan data kuesioner terdapat 318 data
kuesioner yang terkumpul diantaranya 58 responden penyebaran langsung
dan 260 responden penyebaran tidak langsung. Berdasarkan data
kuesioner yang terkumpul dikatakan valid karena tidak terdapat data
kuesioner ganda.
Tabel 3. 2 Data Kuesioner yang terkumpul
Metode Penyebaran Jumlah
Penyebaran Secara Langsung 58
Penyebaran Secara tidak langsung
langsung
260
Total 318
3.6 Analisa Data dan Interpretasi Hasilnya
Pada penelitian ini dilakukan tahapan-tahapan analisis. Pertama, peneliti
melakukan analisis data demografis dengan menggunakan perangkat lunak
pengolah angka Ms. Excel 2013 dan SPSS 24. Data responden dikelompokkan
82
berdasarkan jenis kelamin, Domisili BPJS, Usia, Pendidikan terakhir, Pekerjaan,
peran sistem, dan status penerimaan pengguna.
Kedua, peneliti melakukan analisis statistik menggunakan AMOS versi 24.
Peneliti melakukan analisis dengan tahap-tahap yaitu pengembangan model
teoritis, menentukan variabel, path diagram, analisis pengukuran model,
menetapkan model struktural, analisis model struktural, dan interpretasi dan
diskusi hasil (F. Hair et al., 2014; Hair et al., 2010).
Pada interpretasi hasil, peneliti mendiskusikan hasil analisis demografis
dengan kondisi lapangan yang berjalan dan juga menerjemahkan hasil analisis
model secara statistik kuantitatif dengan membandingkan dan
mempertimbangkan sejumlah literatur terkait sebelumnya. Sebelumnya, hasil
analisis dan interpretasi tersebut secara lengkap akan dijelaskan pada Bab IV.
83
BAB IV
HASIL ANALISIS DAN INTERPRETASI
4.1 Hasil Analisis
4.1.1 Analisis Hasil Data Wawancara
Pada penelitian ini melakukan wawancara untuk mengumpulkan
data dengan mewawancarai pihak BPJS Kesehatan. Peneliti melakukan
wawancara dengan Ibu Upik Handayani Selaku Deputi Bidang
Pengendalian Mutu Pelayanan BPJS Kesehatan pada tanggal 27 Februari
2018.
Aplikasi Mobile JKN dirancang untuk memberikan pelayanan
kepada peserta BPJS Kesehatan melalui smartphone sehingga peserta
BPJS Kesehatan tidak perlu lagi untuk datang ke kantor BPJS cabang
terdekat untuk mendapatkan layanan. Tujuan adanya aplikasi Mobile JKN
yaitu untuk meningkatkan kepuasan, menyederhanakan proses,
kemudahan dan kecepatan dalam mendapatkan pelayanan.
Keuntungan adanya Mobile JKN yairtu mendapatkan kebutuhan
pelayanan seperti pendaftaran, perubahan data, kemudahan dalam
menyampaikan pengaduan, mendapatkan informasi yang dapat diakses
melalui aplikasi Mobile JKN sehingga peserta BPJS Kesehatan tidak perlu
datang ke kantor cabang BPJS Kesehatan.
84
BPJS Kesehatan memberikan layanan melalui smartphone atau
sistem yang sudah berbentuk aplikasi sehinggan tidak perlu datang ke
kantor cabang sehingga dapat membantu peserta dalam mendapatkan
layanan. BPJS Kesehatan memiliki persepsi mengurus data dan
mendapatkan pelayanan lama dan mengantri di kantor cabang sehingga
BPJS Kesehatan memberikan inovasi yaitu aplikasi Mobile JKN.
Keluhan pengguna selama menggunakan aplikasi Mobile JKN yaitu
pada saat resgistrasi, pengguna Mobil JKN mengalami ketidak sesuaian
data yang diinput oleh pengguna Mobile JKN dengan data yang sudah ada
di BPJS Kesehatan. Kemudian perubahan data yan berupa administrasi
tidak semuanya bisa diubah di aplikasi Mobile JKN sehingga peserta perlu
datang ke kantor cabang BPJS Kesehatan terdekat.
Selama pengimplementasian Mobile JKN, aplikasi Mobiel JKN
mengalami kendala-kendala terutama untuk segmentasi sasaran. Jika
akssibilitas jaringan internet yang terbatas, maka peserta BPJS sulit untuk
menggunakan Mobile JKN. kemudian fitur-fitur pada palikasi Mobile JKN
yang masih mengalami kekurangan seperti pada perubahan data dari sisi
administrasi maish banyak yang harus dilakukan di kantor cabang BPJS
Kesehatan terdeka karena kebijakan dan regulasi dari BPJS Kesehatan.
Untuk pengembangan aplikasi Mobile JKN, BPJS Kesehatan belum
pernah mengevaluasi aplikasi Mobile JKN dari segi penerimaan pengguna
aplikasi Mobile JKN.
85
4.1.2 Analisis Data Tes Awal (Pretest)
Pertama dilakukan data tes awal (pretest) yang dilakukan kepada 30
responden. Pengolahan data pretest ini menggunakan SPSS 24.
a Hasil Analisis Demografi Pretest
Pada tahap ini menampilkan informasi demografis mengnai
karakteistik 30 responden pada pretest. Hasil menunjukkan bahwa
responden didominasi oleh responden perempuan (67%). Kemudian
responden yang berdomisili Jakarta (36%) dan didominasi responden
bekerja sebagai karyawan swasta (30%). Selain itu, hasil ini juga
menunjukkan bahwa sebanyak 50% responden menerima adanya
aplikasi Mobile JKN.
Tabel 4. 1 Hasil Analisis Demografis Pretest
Kategori Item %
Jenis Kelamin Perempuan 67
Laki-laki 33
Domisili BPJS Jakarta 36
Bogor 3
Depok 27
Tangerang 17
Bekasi 17
Usia 20-30 Tahun 50
31-40 Tahun 20
41-50 Tahun 23
51-60 Tahun 7
Pendidikan
Terakhir
SLTA 40
Diploma 17
S1 40
S2 3
S3 0
Pekerjaan Pelajar/Mahasiswa 27
PNS/TNI/POLRI 3
Karyawan Swasta 30
Wiraswasta 23
86
Lainnya 17
Peran Sistem Sangat Membantu 37
Membantu 50
Tidak Tahu 13
Tidak Membantu 0
Sangat Tidak Membantu 0
Pengguna Status
Penerimaan
Sangat Menerima 30
Menerima 50
Tidak Tahu 17
Tidak Menerima 0
Sangat Tidak Menerima 0
b Hasil Analisis pengukuran Model Pretest
Analisis pengukuran model dilakukan melalui dua tahap pengujian
yaitu uji validitas dan uji reliabilitas. Pada uji validitas ini, dengan n=30
maka nilai r tabel adalah 0,3610. Adapun nilai r tabel di dapat dari degree
of freedom (df) = n-2, dalam hal ini n adalah jumlah sampel. Pada
penelitian ini jumlah sampe adalah 30 dan besarnya df dapat dihitung :
(df) = n – 2
= 30 – 2
= 28
Selanjutnya dengan df = 28 pada tingkat signifikan 0,05 maka r tabel
adalah 0,3610. Hasilnya dapat dilihat pada tabel 5 sampai dengan tabel.
Tabel 4. 2 Hasil Uji Validitas Pretest
Indikator Pearson
Correlation
rtabel 5%
(df=28)
Sig.(2-tiled) Keterangan
PE1 0,779 0,3610 0,000 Valid
PE2 0,874 0,3610 0,000 Valid
87
PE3 0,731 0,3610 0,000 Valid
PE4 0,905 0,3610 0,000 Valid
EE1 0,849 0,3610 0,000 Valid
EE2 0,893 0,3610 0,000 Valid
EE3 0,924 0,3610 0,000 Valid
EE4 0,946 0,3610 0,000 Valid
SI1 0,582 0,3610 0,000 Valid
SI2 0,692 0,3610 0,000 Valid
SI3 0,672 0,3610 0,000 Valid
SI4 0,704 0,3610 0,000 Valid
FC1 0,807 0,3610 0,000 Valid
FC2 0,690 0,3610 0,000 Valid
FC3 0,844 0,3610 0,000 Valid
FC4 0,690 0,3610 0,000 Valid
TRU1 0,939 0,3610 0,000 Valid
TRU2 0,886 0,3610 0,000 Valid
TRU3 0,936 0,3610 0,000 Valid
TRU4 0,909 0,3610 0,000 Valid
SAT1 0,899 0,3610 0,000 Valid
SAT2 0,933 0,3610 0,000 Valid
SAT3 0,903 0,3610 0,000 Valid
SAT4 0,852 0,3610 0,000 Valid
SAT5 0,925 0,3610 0,000 Valid
BI1 0,873 0,3610 0,000 Valid
BI2 0,905 0,3610 0,000 Valid
BI3 0,834 0,3610 0,000 Valid
BI4 0,835 0,3610 0,000 Valid
88
UB1 0,907 0,3610 0,000 Valid
UB2 0,820 0,3610 0,000 Valid
UB3 0,943 0,3610 0,000 Valid
Tabel diatas menunjukkan bahwa seluruh variabel Performance
Expectancy, Effort Expectancy, Social Influence, Facilitating Condition, Trust,
Satisfaction, Behavior Intention, dan Use Behavior tersebut valid karena nilai r
hitung > r tabel yaitu 0,3610 pada taraf kesalahan 5%. Pada Sig.(2-tiled) memiliki
korelasi yang signifikan < 0,05 = valid.
Pada uji reliabilitas ini dilakukan pengujian instrumen pertanyaan yang
menunjukkan hasil yang konsisten atau stabil dari waktu ke waktu. Dilakukan
pengukuran dengan menghitung Cronbach’s Alpha untuk setiap variabel yang
diukur dari penelitian ini menunjukkan hasil sebagai berikut :
Tabel 4. 3 Hasil Uji Reliabilitas Pretest
Variabel Jumlah Item
Pertanyaan
Cronbach’s
Alpha
Keterangan
Performance Expectance (PE) 4 0,829 Reliabel
Effort Expectancy (EE) 4 0,924 Reliabel
Social Influence (SI) 4 0,529 Tidak Reliabel
Facilitating Condition (FC) 4 0,742 Reliabel
Trust (TRU) 4 0,937 Reliabel
Satisfaction (SAT) 5 0,940 Reliabel
Behavior Intention (BI) 4 0,884 Reliabel
Use Behavior (UB) 3 0,863 Reliabel
Berdasarkan hasil perhitungan analisis SPSS pada tabel VI, terdapat 7
variabel yang memiliki nilai Cronbach’s Alpha lebih besar dari standar yang
89
ditentukan yaitu 0,70 sehingga dapat dikatakan bahwa 7 variabel tersebut
merupakan instrumen yang reliabilitas. Tetapi terdapat 1 variabel yang
memiliki niai cronbach’s Alpha dibawah nilai standar. Sehingga variabel Social
Influence tersebut tidak reliabel. Sebelum itu, dapat dilihat indikator dari Social
Influence di dalam tabel item-Total Statistics.
Tabel 4. 4 Hasil Uji Reliabilitas Variabel Social Iinfluence Pretest
Indikator Corrected Item-Total
Correlation
Cronbach’s Alpha if item
Deleted
SI1 0,232 0,593
SI2 0,383 0,471
SI3 0,423 0,452
SI4 0,391 0,464
Untuk menghilangkan salah satu dari indikator dalam variabel Social
Influence yaitu dengan melihat indikator yang memiliki nilai Cronbach’s Alpha
If Item Deleted yang terbesar. Menurut Field (2013) Cronbach’s Alpha if item
deleted memberi tahu apakah item yang dihapus akan meningkatkan reliabilitas
dengan menghapus item yang memiliki nilai lebih besar dari reliabilitas
keseluruhan. Sehingga untuk indikator SI1 dihilangkan karena memiliki nilai
Cronbach’s Aplha If Item Deleted yang terbesar. Dalam uji validitas semua
variabel dikatakan valid tetapi dalam uji reliabilitas terdapat variabel Social
Influence yang memiliki indikator yang tidak reliabel. Indikator tersebut adalah
indikator SI1 yaitu pengaruh terhadap orang terdekat.
90
Pada penelitian (Chan et al. (2010); Cheng et al. (2009); Sharma et al.
(2018)) menunjukkan bahwa SI1 adalah item yang valid dan reliabel namun
sebaliknya, pada penelitian ini item tersebut tidak reliabel. Dalam pertimbangan
juga pada indikator SI1 dan SI2 terdapat makna sama dan pertanyaan yang
berbeda sehingga responden tidak konsisten dalam menjawab pertanyaan
tersebut. Hal ini dapat mendukung bahwa indikator SI1 untuk dihilangkan
karena memiliki Cronbach’s Alpha If item deleted yang terbesar dan memiliki
pertanyaan yang tidak konsisten. Dengan adanya pretest pada penelitian ini,
maka dihilangkan indikator SI1 yaitu pengaruh dari orang terdekat.
Tabel 4. 5 Indikator Variabel Social Influence Pretest
Setelah dilakukannya pretest yang menghasilkan penghapusan indikator
pada Social Influence yaitu pengaruh dari orang terdekat, maka pada penelitian
ini untuk variabel Social Influence menggunakan tiga indikator.
Kode Nama Indikator Definisi
SI1 Pengaruh dari orang
terdekat
Tingkat pengaruh dari orang terdekat
(teman atau keluarga) untuk
menggunakan sistem
SI2 Pengaruh dari
penyedia
Tingkat pengaruh dari penyedia sistem
untuk menggunakan sistem
SI3 Dukungan dari
penyedia
Tingkat penyedia dalam mendukung
penggunaan sistem
SI4 Pengaruh dari social
media
Tingkat sosial media dalam
mempengaruhi menggunakan sistem
91
Tabel 4. 6 Indikator Variabel Social Influence Penelitian
Kode Nama Indikator Definisi
SI1 Pengaruh dari
penyedia
Tingkat pengaruh dari penyedia sistem
untuk menggunakan sistem
SI2 Dukungan dari
penyedia
Tingkat penyedia dalam mendukung
penggunaan sistem
SI3 Pengaruh dari Social
Media
Tingkat sosial media dalam
mempengaruhi menggunakan sistem
4.1.3 Analisis Demografis
Pada tahapan analisis ini, dilakukan analisis jawaban responden
terhadap pertanyaan yang sudah diberikan khususnya pada bagian profil
responden dan Mobile JKN dalam kuesioner. Tujuannya yaitu
menampilkan data karakteristik responden terdiri dari jenis kelamin,
domisili BPJS, usia, pendidikan terakhir, pekerjaan, serta peran sistem dan
status penerimaan pengguna terhadap aplikasi Mobile JKN. Data responden
yang sudah diperoleh peneliti dalam waktu 31 hari (23 Maret 2018 sampai
23 April 2018) adalah sebanyak 318 responden. Berikut merupakan hasil
analisisnya.
a. Jenis Kelamin
Berdasarkan gambar 4.1 menunjukkan bahwa dari 318 responden yang
didapatkan pada penelitian ini, sebagian besar didominasi oleh
responden yang berjenis kelamin perempuan yaitu sebanyak 193 orang
(61%) dan sisanya laki-laki sebanyak 125 orang (39%).
92
Gambar 4. 1 Diagram Lingkaran Jenis Kelamin Responden
b. Domisili BPJS
Berdasarkan gambar 4.2 menunjukkan bahwa dari 318 reponden pada
penelitian ini, sebagian besar didominasi oleh responden yang
berdomisili di Jakarta yaitu sebanyak 128 orang (40%) sedangkan yang
lainnya yaitu responden berdomisili Bogor sebanyak 19 orang (6%),
responden berdomisili Depok sebanyak 63 orang (20%), responden
berdomisili Tangerang sebanyak 75 orang (24%), dan responden
berdomisili Bekasi sebanyak 33 orang (10%).
39%
61%
JENIS KELAMIN
Laki-laki
Perempuan
93
Gambar 4. 2 Diagram Lingkaran Domisili BPJS Responden
c. Usia
Berdasarkan gambar 4.3 diketahui bahwa responden yang dominan
berusia 20-30 Tahun sebanyak 235 orang (74%) selanjutnya berusia 31-
40 tahun sebanyak 41 orang (13%). Untuk responden yang berusia 41-
50 tahun sebanyak 33 orang (10%). Pada penelitian ini, responden yang
paling sedikit dari usia 51-60 Tahun sebanyak 9 orang (3%).
40%
6%20%
24%
10%
DOMISILI BPJS
Jakarta
Bogor
Depok
Tangerang
Bekasi
94
Gambar 4. 3 Diagram Lingkaran Usia Responden
d. Pendidikan Terakhir
Berdasarkan gambar 4.4 ditunjukkan bahwa dominan responden yang
memiliki pendidikan terakhir S1 sebanyak 142 orang (45%).
Sedangkan untuk responden yang memiliki pendidikan terakhir SLTA
sebanyak 125 orang (39%). Selain itu responden yang memiliki
pendidikan terakhir yaitu Diploma sebanyak 40 orang (13%). Untuk
pendidikan terakhir S2 sebanyak 10 orang (3%). Pada penelitian ini,
responden yang memiliki pendidikan terakhir S3 paling rendah
sebanyak 1 orang.
74%
13%
10% 3%
USIA
20-30 Tahun
31-40 Tahun
41-50 Tahun
51-60 Tahun
95
Gambar 4. 4 Diagram Lingkaran Pendidikan Terakhir
Responden
e. Pekerjaan
Berdasarkan gambar 4.5 menampilkan bahwa dari 318 responden pada
penelitian ini, responden yang mendominasi yaitu responden yang
bekerja sebagai Karyawan sebanyak 120 orang (38%). Untuk
responden pelajar/mahasiswa sebanyak 102 orang (32%). Selanjutnya
responden yang bekerja sebagai wiraswasta sebanyak 33 orang (10%).
Pada penelitian ini, responden yang memiliki pekerja selain optional
yang diberikan peneliti sebanyak 44 orang (14%). Responden yang
memilih lainnya memiliki macam pekerjaan seperti ibu rumah tangga,
freelancer, guru, perawat, dokter, musisi, dan instruktur senam.
Responden yang memiliki terendah pekerjaan sebagai
PNS/TNI/POLRI sebanyak 19 orang (6%).
39%
13%
45%
3%
0,3%
PENDIDIKAN TERAKHIR
SLTA
DIPLOMA
S1
S2
S3
96
Gambar 4. 5 Diagram Lingkaran Pekerjaan Responden
f. Peranan Sistem
Berdasarkan gambar 4.6 menampilkan bahwa responden yang terbantu
dengan adanya Mobile JKN sebanyak 158 orang (50%) dan responden
yang sangat terbantu dengan adanya Mobile JKN ini sebanyak 116
orang (36%). Pada penelitian ini terdapat 14 responden (4%) yang tidak
terbantu dengan adanya Mobile JKN dan terdapat 3 responden (1%)
yang merasa sangat tidak terbantu.
32%
6%
38%
10%
14%
PEKERJAAN
Pelajar/Mahasiswa
PNS/TNI/POLRI
Karyawan
Wiraswasta
Lainnya
97
Gambar 4. 6 Diagram Lingkaran Peran Sistem
g. Status Penerimaan Pengguna
Berdasarkan gambar 4.7 menampilkan bahwa sebagian besar
responden menyatakan menerima adanya aplikasi Mobile JKN sebesar
182 orang (57%) dan bahkan terdapat 96 responden (30%) menyatakan
sangat menerima. Terdapat 12 responden (4%) yang menyatakan tidak
menerima dan 3 responden (1%) menyatakan sangat tidak menerima
dengan adanya aplikasi Mobile JKN.
36%
50%
9%4%
1%
PERANAN SISTEM
Sangat Membantu
Membantu
Tidak Tahu
Tidak Membantu
Sangat Tidak Membantu
98
Gambar 4. 7 Diagram Lingkaran Status Penerimaan Pengguna
4.1.4 Analisis Pengukuran Model
Analisis pengukuran model (Measurement Model) ini bertujuan untuk
menyelidiki unidimensionalitas dari indikator-indikator yang menjelaskan
sebuah faktor atau sebuah vairabel. Lebih sederhananya measurement
model merupakan pengujian hubungan antara indikator dengan variabel
laten.
Measurement model ini menggunakan Confirmatory Factor Anlysis.
Confirmatory Factor Analysis merupakan tahap pengukuran terhadap
dimensi-dimensi yang membentuk variabel laten dalam model penelitian.
Confirmatory Factor Analysis akan dilakukan terhadap setiap variabel laten
maupun untuk konstruk variabel eksogen dan endogen. Hasil perhitungan
Confirmatory Factor Analysis menggunakan program AMOS 24.
30%
57%
8%4%
1%
Status Penerimaan Pengguna
Sangat Menerima
Menerima
Tidak Tahu
Tidak Menerima
Sangat Tidak Menerima
99
Pada analisis ini akan diuraikan pengukuran modelnya untuk setiap
konstruk yaitu Performance Expectancy, Effort Expectancy, Social
Influence, Facilitating Condition, Trust, Satisfaction, Behavioral Intention,
dan Use Behavior. Menilai uji validitas dengan melihat nilai regression
weights. Pada uji validitas untuk nilai P signifikan 0,05 (***) dan Critical
Ratio (CR) lebih besar dari 1,96. Kemudian menilai Loading Factor dengan
Loading Factor lebih besar 0,5 (Hair et al., 2010)
Analisis atas indikator yang digunakan memberi makna atas label yang
diberikan pada variabel laten yang dikonfirmasi. Berikut merupakan analisis
setiap konstruk :
4.1.2.1. Confirmatory Factor Analysis Konstruk Performance Expectancy
Berikut merupakan confirmatory factory untuk konstruk Performance
Expectancy :
Gambar 4. 8 Confirmatory Factor Analysis Konstruk Performance Expectancy
100
Ringkasan pengukuran model yang dibangun dengan persyaratan yang
ditetapkan
Tabel 4. 7 Goodness-of-Fit Index Konstruk Performance Expectancy
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 2,259
Probability ≥ 0,05 0,323 Good fit
RMSEA ≤ 0,08 0,20 Marginal
GFI ≥ 0,90 0,996 Good fit
AGFI ≥ 0,90 0,982 Good fit
TLI ≥ 0,90 0,999 Good fit
CFI ≥ 0,90 1,000 Good fit
Hasil pengolahan data konstruk Performance Expectancy pada tabel 4.7
menunjukkan bahwa model telah fit walaupun pada RMSEA menghasilkan
marginal. Langkah selanjutnya yang dilakukan adalah melihat niali signifikansi
dari estimasi parameter Uji Validitas seperti tabel dibawah ini.
Tabel 4. 8 Uji Validitas Konstruk Performance Expectancy
Estimate S.E. C.R. P
PE1 <--- Performance_Expectancy 1.000
PE2 <--- Performance_Expectancy 1.039 .053 19.511 ***
PE3 <--- Performance_Expectancy .790 .043 18.210 ***
PE4 <--- Performance_Expectancy .939 .050 18.805 ***
Berdasarkan tabel 4.8 menunjukkan bahwa semua indikator konstruk
Performance Expectancy signifikan pada 0,05 dengan ditunjukkan dengan
tanda (***). Kemudian nilai Critical Rasio (CR) pada semua indikator
konstruk lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada
konstruk Performance Expectancy memenuhi syarat validitas konstruk.
101
Berikut merupakan nilai Loading Factor setiap indikator konstruk
Performance Expectancy.
Tabel 4. 9 Loading Factor Konstruk Perfromance Expectancy
Estimate
PE1 <--- Performance_Expectancy .865
PE2 <--- Performance_Expectancy .862
PE3 <--- Performance_Expectancy .825
PE4 <--- Performance_Expectancy .842
Berdasarkan tabel 4.9 tidak ada indikator dari konstruk Performance
Expectancy yang memiliki Loading Factor di bawah 0,5. Maka dapat
disimpulkan bahwa semua indikator pada Performance Expectancy merupakan
indikator yang mampu menjelaskan dan mendefinisikan konstruk Performance
Expectancy.
4.1.2.2. Confirmatory Factor Analysis konstruk Effort Expectancy
Berikut merupakan confirmatory factory untuk konstruk Effort
Expectancy
Gambar 4. 9 Confirmatory Factor Analysis Konstruk Effort Expectancy
102
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan
Tabel 4. 10 Goodness-of-Fit Index Konstruk Effort Expetancy
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 9,389
Probability ≥ 0,05 0,009 Marginal
RMSEA ≤ 0,08 0,108 Marginal
GFI ≥ 0,90 0,986 Good fit
AGFI ≥ 0,90 0,928 Good fit
TLI ≥ 0,90 0,972 Good fit
CFI ≥ 0,90 0,991 Good fit
Hasil pengolahan data konstruk Effort Expectancy pada tabel 4.10
menunjukkan bahwa model telah fit walaupun pada Probability dan RMSEA
menghasilkan marginal. Langkah selanjutnya yang dilakukan adalah melihat
nilai signifikansi dari estimasi parameter Uji Validitas seperti tabel dibawah
ini.
Tabel 4. 11 Uji Validitas Konstruk Effort Expectancy
Estimate S.E. C.R. P
EE1 <--- Effort_Expectancy 1.000
EE2 <--- Effort_Expectancy 1.058 .082 12.905 ***
EE3 <--- Effort_Expectancy 1.219 .075 16.362 ***
EE4 <--- Effort_Expectancy 1.200 .074 16.116 ***
Berdasarkan tabel 4.11 menunjukkan bahwa semua indikator
konstruk Effort Expectancy signifikan pada 0,05 dengan ditunjukkan dengan
tanda (***). Kemudian nilai Critical Rasio (CR) pada semua indikator
konstruk lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada
103
konstruk Effort Expectancy memenuhi syarat validitas konstruk. Berikut
merupakan nilai Loading Factor setiap indikator konstruk Effort Expectancy.
Tabel 4. 12 Loading Factor Konstruk Effort Expectancy
Berdasarkan tabel 4.12 tidak ada indikator dari konstruk Effort
Expectancy yang memiliki Loading Factor di bawah 0,5. Maka dapat
disimpulkan bahwa semua indikator pada Effort Expectancy merupakan
indikator yang mempu menjelaskan dan mendefinisikan konstruk Effort
Expectancy.
4.1.2.3. Confirmatory Factor Analysis konstruk Social Influence
Berikut merupakan confirmatory factory untuk konstruk Social Influence
Estimate
EE1 <--- Effort_Expectancy .742
EE2 <--- Effort_Expectancy .726
EE3 <--- Effort_Expectancy .915
EE4 <--- Effort_Expectancy .896
Gambar 4. 10 Confirmatory Factor Analysis Konstruk Social Influence
104
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan.
Tabel 4. 13 Goodness-of-Fit Index Konstruk Social Influence
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 0,000
Probability ≥ 0,05 \p Good fit
RMSEA ≤ 0,08 \rmsea Good fit
GFI ≥ 0,90 1,000 Good fit
AGFI ≥ 0,90 \agfi Good fit
TLI ≥ 0,90 \tli Good fit
CFI ≥ 0,90 \cfi Good fit
Hasil pengolahan data konstruk Social Influence pada tabel 4.13
menunjukkan bahwa model telah fit. Langkah selanjutnya yang dilakukan
adalah melihat nilai signifikansi dari estimasi parameter Uji Validitas
seperti tabel dibawah ini.
Tabel 4. 14 Uji Validitas Konstruk Social Influence
Estimate S.E. C.R. P
SI1 <--- Social_Influence 1.000
SI2 <--- Social_Influence 2.395 1.584 1.512 .131
SI3 <--- Social_Influence .255 .080 3.172 .002
Berdasarkan tabel 4.14 menunjukkan SI1 indikator konstruk Social
Influence signifikan pada 0,05 kecuali untuk SI2 dan SI3 tidak memiliki
nilai signifikan pada 0,05. Pada SI2 tidak memiliki nilai critical ratio lebih
besar 1,96. Maka pada SI2 dan SI3 perlu dipertimbangkan pada penilaian
105
Loading Factor. Berikut merupakan nilai Loading Factor setiap indikator
konstruk Social Influence.
Tabel 4. 15 Loading Factor Konstruk Social Influence
Estimate
SI1 <--- Social_Influence .509
SI2 <--- Social_Influence 1.381
SI3 <--- Social_Influence .131
Berdasarkan tabel 4.15 diatas menunjukkan bahwa indikator SI3
memiliki nilai Loading Factor di bawah 0,5 dan harus dieliminasi dari
analisis sedangkan untuk SI2 tidak dieleminasi karena nilai Loading Factor
memiliki nilai lebih besar dari 0,5. Sehingga pada Social Influence hanya
terdapat dua indikator dan dapat langsung ke analisis selanjutnya.
4.1.2.4. Confirmatory Factor Analysis konstruk Facilitating Condition
Berikut merupakan confirmatory factory untuk konstruk
Facilitating Condition
Gambar 4. 11 Confirmatory Factor Analysis Konstruk Facilitating Condition
106
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan.
Tabel 4. 16 Goodness-of-Fit Index Konstruk Facilitating Condition
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 10,392
Probability ≥ 0,05 0,006 Marginal
RMSEA ≤ 0,08 0,115 Marginal
GFI ≥ 0,90 0,984 Good fit
AGFI ≥ 0,90 0,921 Good fit
TLI ≥ 0,90 0,933 Good fit
CFI ≥ 0,90 0,933 Good fit
Hasil pengolahan data konstruk Facilitating Condition pada tabel 4.16
menunjukkan bahwa model telah fit. Sedangkan kriteria Probability dan
RMSEA menghasilkan marginal. Menurut pendapat Hair (yang dikutip oleh
(Irianto et al., 2015)), menyatakan bahwa jika terdapat satu atau dua kriteria
goodness-of-fit yang telah memenuhi, model dapat dikatakan baik. Langkah
selanjutnya yang dilakukan adalah melihat nilai signifikansi dari estimasi
parameter Uji Validitas seperti dalam tabel sebagai berikut:
Tabel 4. 17 Uji Validitas Konstruk Facilitating Condition
Estimate S.E. C.R. P
FC1 <--- Facilitating_Condition 1.000
FC2 <--- Facilitating_Condition 1.084 .083 13.052 ***
FC3 <--- Facilitating_Condition .918 .074 12.490 ***
FC4 <--- Facilitating_Condition .190 .116 1.640 .101
Tabel 4.17 menunjukkan bahwa semua indikator konstruk
Faciltating Condition signifikan pada 0,05 yaitu FC1, FC2, FC3 dengan
ditunjukkan dengan tanda (***) sementara FC4 tidak signifikan. Kemudian,
107
pada nilai critical ratio menunjukkan bahwa FC4 tidak memiliki nilai lebih
besar 1,96. Selanjutnya, model fit suatu konstruk yang dianalisis dengan
AMOS dipersyaratkan memenuhi nilai Loading Factor yaitu indikator
dengan faktor loading diatas 0,05.
Tabel 4. 18 Loading Factor Konstruk Facilitating Condition
Estimate
FC1 <--- Facilitating_Condition .784
FC2 <--- Facilitating_Condition .848
FC3 <--- Facilitating_Condition .738
FC4 <--- Facilitating_Condition .100
Tabel 4.18 menunjukkan bahwa indikator FC4 memiliki nilai
Loading Factor di bawah 0,5. Indikator dengan faktor loading dibawah
0,05 dinyatakan tidak valid sebagai konstruk variabel Facilitating
Condition dan harus dieliminasi dari analisis (Ghozali, 2008). Sehingga
untuk indikator FC4 harus dieliminasi dari analisis. Modifikasi model
dapat dilihat pada gambar sebagai berikut:
Gambar 4. 12 Modifikasi Confirmatory Factor Analysis Konstruk
Facilitating Condition
108
Berikut ringkasan pengukuran model yang dibangun dengan
Tabel 4. 19 Modifikasi Goodness-of-Fit Index Konstruk Facilitating
Condition
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 0,000 Good fit
Probability ≥ 0,05 \p Good fit
RMSEA ≤ 0,08 \rmsea Good fit
GFI ≥ 0,90 1,000 Good fit
AGFI ≥ 0,90 \agfi Good fit
TLI ≥ 0,90 \tli Good fit
CFI ≥ 0,90 \cfi Good fit
Berdasarkan tabel 4.19, nilai Chi-Square = 0,000 dengan
probabilitas =\p, GFI=\gfi, AGFI=\agfi, TLI=\tli, dan RMSEA=\rmsea,
menunujukan bahwa model tersebut adalah fit. Langkah selanjutnya melihat
nilai signifikansi dari estimasi parameter Uji Validitas seperti yang ada
dalam tabel sebagai berikut:
Tabel 4. 20 Uji Validitas Modifikasi Konstruk Facilitating Condition
Estimate S.E. C.R. P
FC1 <--- Facilitating_Condition 1.000
FC2 <--- Facilitating_Condition 1.096 .084 12.999 ***
FC3 <--- Facilitating_Condition .916 .074 12.429 ***
Pada tabel 4.20 menunjukkan bahwa semua indikator konstruk
Facilitating Condition signifikan pada 0,05 dengan ditunjukkan dengan
tanda (***). Kemudian nilai Critical Rasio (CR) pada semua indikator
konstruk lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada
konstruk Facilitating Condition memenuhi syarat validitas konstruk.
109
Berikut merupakan nilai Loading Factor setiap indikator konstruk
Facilitating Condition.
Tabel 4. 21 Loading Factor Modifikasi Konstruk Facilitating Condition
Estimate
FC1 <--- Facilitating_Condition .781
FC2 <--- Facilitating_Condition .854
FC3 <--- Facilitating_Condition .734
Berdasarkan tabel 4.21 tidak ada indikator dari konstruk Facilitating
Condition yang memiliki Loading Factor di bawah 0,5. Maka dapat
disimpulkan bahwa semua indikator pada Facilitating Condition merupakan
indikator yang mempu menjelaskan dan mendefinisikan konstruk
Facilitating Condition.
4.1.2.5. Confirmatory Factor Analysis konstruk Trust
Berikut merupakan confirmatory factory analysis untuk konstruk Trust
Gambar 4. 13 Confirmatory Factor Analysis Konstruk Trust
110
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan
Tabel 4. 22 Goodness-of-Fit Index Konstruk Trust
Goodness of FIT
Index
Cut-off Value Hasil
Model
Keterangan
Chi-Square Diharapkan kecil 12,284
Probability ≥ 0,05 0,009 Marginal
RMSEA ≤ 0,08 0,127 Marginal
GFI ≥ 0,90 0,981 Good fit
AGFI ≥ 0,90 0,904 Good fit
TLI ≥ 0,90 0,967 Good fit
CFI ≥ 0,90 0,989 Good fit
Berdasakan tabel 4.22 menunjukkan bahwa model telah Fit walaupun
pada Probability dan RMSEA marginal. Langkah selanjutnya yang
dilakukan adalah melihat nilai signifikansi dari estimasi parameter Uji
Validitasseperti tabel dibawah ini
Tabel 4. 23 Uji Validitas Konstruk Trust
Estimate S.E. C.R. P
TRU1 <--- Trust 1.000
TRU2 <--- Trust 1.011 .045 22.295 ***
TRU3 <--- Trust 1.045 .047 22.192 ***
TRU4 <--- Trust .952 .058 16.484 ***
Tabel 4.23 menunjukkan bahwa semua indikator konstruk Trust
signifikan pada 0,05 dengan ditunjukkan dengan tanda (***). Kemudian
nilai Critical Rasio (CR) pada semua indikator konstruk lebih dari 1,96.
Dapat diartikan bahwa seluruh indikator pada konstruk Trust memenuhi
111
syarat validitas konstruk. Berikut merupakan nilai Loading Factor setiap
indikator konstruk Trust.
Tabel 4. 24 Loading Factor Konstruk Trust
Estimate
TRU1 <--- Trust .886
TRU2 <--- Trust .891
TRU3 <--- Trust .889
TRU4 <--- Trust .753
Berdasarkan tabel 4.24 tidak ada indikator dari konstruk Trust yang
memiliki Loading Factor di bawah 0,5. Maka dapat disimpulkan bahwa
semua indikator pada Trust merupakan indikator yang mempu menjelaskan
dan mendefinisikan konstruk Trust.
4.1.2.6. Confirmatory Factor Analysis konstruk Satisfaction
Berikut merupakan confirmatory factory analysis untuk konstruk
Satisfaction
Gambar 4. 14 Confirmatory Factor Analysis Konstruk Satisfaction
112
Ringkasan pengukuran model yang dibangun dengan persyaratan yang
ditetapkan
Tabel 4. 25 Goodness-of-Fit Index Konstruk Satisfaction
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 15,598
Probability ≥ 0,05 0,008 Good fit
RMSEA ≤ 0,08 0,082 Marginal
GFI ≥ 0,90 0,981 Good fit
AGFI ≥ 0,90 0,943 Good fit
TLI ≥ 0,90 0,981 Good fit
CFI ≥ 0,90 0,991 Good fit
Berdasakan tabel 4.25, menunjukkan bahwa model telah Fit walaupun
pada RMSEA marginal. Langkah selanjutnya yang dilakukan adalah
melihat nilai signifikansi dari estimasi parameter Uji Validitas seperti tabel
dibawah ini
Tabel 4. 26 Uji ValiditasKonstruk Satisfaction
Berdasarkan tabel 4.26 menunjukkan bahwa semua indikator
konstruk Satisfaction signifikan pada 0,05 dengan ditunjukkan dengan
tanda (***). Kemudian nilai Critical Rasio (CR) pada semua indikator
konstruk lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada
Estimate S.E. C.R. P
SAT1 <--- Satisfaction 1.000
SAT2 <--- Satisfaction 1.175 .066 17.866 ***
SAT3 <--- Satisfaction 1.151 .067 17.081 ***
SAT4 <--- Satisfaction 1.107 .069 15.961 ***
SAT5 <--- Satisfaction 1.067 .065 16.308 ***
113
konstruk Satisfaction memenuhi syarat validitas konstruk. Berikut
merupakan nilai Loading Factor setiap indikator konstruk Satisfaction.
Tabel 4. 27 Loading Factor Konstruk Satisfaction
Estimate
SAT1 <--- Satisfaction .784
SAT2 <--- Satisfaction .894
SAT3 <--- Satisfaction .863
SAT4 <--- Satisfaction .818
SAT5 <--- Satisfaction .832
Berdasarkan tabel 4.27 tidak ada indikator dari konstruk Satisfaction
yang memiliki Loading Factor di bawah 0,5. Maka dapat disimpulkan
bahwa semua indikator pada Satiscfaction merupakan indikator yang
mempu menjelaskan dan mendefinisikan konstruk Satisfaction.
4.1.2.7. Confirmatory Factor Analysis Konstruk Behavioral Intention
Berikut merupakan confirmatory factory analysis untuk konstruk
Behavior Intention
Gambar 4. 15 Confirmatory Factor Analysis Konstruk Behavioral Intention
114
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan
Tabel 4. 28 Goodness-of-Fit Index Konstruk Behavioral Intention
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 0,163
Probability ≥ 0,05 0,992 Good fit
RMSEA ≤ 0,08 0,000 Marginal
GFI ≥ 0,90 1,000 Good fit
AGFI ≥ 0,90 0,999 Good fit
TLI ≥ 0,90 1,007 Good fit
CFI ≥ 0,90 1,000 Good fit
Berdasakan tabel 4.28 menunjukkan bahwa model telah Fit
walaupun pada RMSEA marginal. Langkah selanjutnya yang dilakukan
adalah melihat nilai signifikan dari estimasi parameter Uji Validitas seperti
tabel dibawah ini
Tabel 4. 29 Uji Validitas Konstruk Behavioral Intention
Estimate S.E. C.R. P
BI1 <--- Behavioral_Intention 1.000
BI2 <--- Behavioral_Intention 1.016 .044 23.023 ***
BI3 <--- Behavioral_Intention .732 .058 12.518 ***
BI4 <--- Behavioral_Intention .879 .053 16.646 ***
Tabel 4.29 menunjukkan bahwa semua indikator konstruk
Behavioral Intention signifikan pada 0,05 dengan ditunjukkan dengan tanda
(***). Kemudian nilai Critical Rasio (CR) pada semua indikator konstruk
lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada konstruk
Behavioral Intention memenuhi syarat validitas konstruk. Berikut
115
merupakan nilai Loading Factor setiap indikator konstruk Behavioral
Intention.
Tabel 4. 30 Loading Factor Konstruk Behavioral Intention
Estimate
BI1 <--- Behavioral_Intention .890
BI2 <--- Behavioral_Intention .939
BI3 <--- Behavioral_Intention .623
BI4 <--- Behavioral_Intention .754
Berdasarkan tabel 4.30 tidak ada indikator dari konstruk Behavioral
Intention yang memiliki Loading Factor di bawah 0,5. Maka dapat
disimpulkan bahwa semua indikator pada Behavioral Intention merupakan
indikator yang mempu menjelaskan dan mendefinisikan konstruk
Behavioral Intention.
4.1.2.8. Confirmatory Factor Analysis konstruk Use Behavior
Berikut merupakan confirmatory factory untuk konstruk Use Behavior
Gambar 4. 16 Confirmatory Factor Analysis Konstruk Use Behavior
116
Ringkasan pengukuran model yang dibangun dengan persyaratan
yang ditetapkan
Tabel 4. 31 Goodness-of-Fit Index Konstruk Use Behavior
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 0,000 Good fit
Probability ≥ 0,05 \p Good fit
RMSEA ≤ 0,08 \rmsea Good fit
GFI ≥ 0,90 1,000 Good fit
AGFI ≥ 0,90 \agfi Good fit
TLI ≥ 0,95 \tli Good fit
CFI ≥ 0,95 \cfi Good fit
Berdasarkan tabel 4.31 menunjukkan nilai Chi-Square = 0,000
dengan probabilitas =\p, GFI=\gfi, AGFI=\agfi, TLI=\tli, dan
RMSEA=\rmsea, menunujukan bahwa model tersebut adalah fit. Langkah
selanjutnya melihat nilai signifikansi dari estimasi parameter Uji
Validitasseperti yang ada dalam tabel sebagai berikut:
Tabel 4. 32 Uji Validitas Konstruk Use Behavior
Estimate S.E. C.R. P
UB1 <--- Use_Behavior 1.000
UB2 <--- Use_Behavior .915 .057 16.133 ***
UB3 <--- Use_Behavior 1.164 .068 17.041 ***
Berdasarkan tabel 4.32 menunjukkan bahwa semua indikator
konstruk Use Behavior signifikan pada 0,05 dengan ditunjukkan dengan
tanda (***). Kemudian nilai Critical Rasio (CR) pada semua indikator
konstruk lebih dari 1,96. Dapat diartikan bahwa seluruh indikator pada
117
konstruk Use Bbehavior memenuhi syarat validitas konstruk. Berikut
merupakan nilai Loading Factor setiap indikator konstruk Use Behavior.
Tabel 4. 33 Loading Factor Konstruk Use Behavior
Estimate
UB1 <--- Use_Behavior .803
UB2 <--- Use_Behavior .824
UB3 <--- Use_Behavior .916
Berdasarkan tabel 4.33 tidak ada indikator dari konstruk Use
Behavior yang memiliki Loading Factor di bawah 0,5. Maka dapat
disimpulkan bahwa semua indikator pada Use Behavior merupakan
indikator yang mempu menjelaskan dan mendefinisikan konstruk Use
Behavior.
4.1.2.9. Confirmatory Factor Analysis Variabel Eksogen
Variabel-variabel laten yang termasuk konstruk eksogen terdiri dari
5 variabel laten dan terdiri dari 17 dimensi. Hasil pengolahan data untuk
analisis faktor konfirmatori konstruk eksogen adalah sebagai berikut :
118
Untuk dapat mengetahui apakah model yang dibangun secara
statistik dapat didukung dan sesuai dengan model fit yang ditetapkan.
Berikut ini merupakan ringkasan perbandingan model yang dibangun
dengan persyaratan yang ditetapkan, seperti yang nampak dalam tabel
sebagai berikut.
Tabel 4. 34 Goodness-of-Fit Index Variabel Eksogen
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 209,203
Probability ≥ 0,05 0,000 marginal
RMSEA ≤ 0,08 0,054 Good fit
GFI ≥ 0,90 0,930 Good fit
Gambar 4. 17 Confirmatory Factor Analysis Variabel Eksogen
119
AGFI ≥ 0,90 0,902 Good fit
TLI ≥ 0,90 0,967 Good fit
CFI ≥ 0,90 0,974 Good fit
Berdasarkan tabel 4.34 hasil analisis pengolahan data terlihat bahwa
semua konstruk yang digunakan untuk membentuk sebuah model
penelitian, pada proses analisis faktor konfirmatori telah memenuhi kriteria
goodness of fit yang telah ditetapkan. Hasil pengujian terhadap nilai-nilai
untuk uji validitas untuk masing-masing indikator diperoleh sebagai
berikut:
Tabel 4. 35 Uji Validitas Variabel Eksogen
Estimate S.E. C.R. P
PE1 <--- Performance_Expectation 1.000
PE2 <--- Performance_Expectation 1.010 .052 19.567 ***
PE3 <--- Performance_Expectation .787 .042 18.938 ***
PE4 <--- Performance_Expectation .929 .048 19.359 ***
EE1 <--- Effort_Expectation 1.000
EE2 <--- Effort_Expectation 1.025 .078 13.171 ***
EE3 <--- Effort_Expectation 1.176 .069 17.082 ***
EE4 <--- Effort_Expectation 1.177 .069 17.007 ***
SI1 <--- Social_Influence 1.000
SI2 <--- Social_Influence 1.228 .125 9.783 ***
FC1 <--- Facilitating_Condition 1.000
FC2 <--- Facilitating_Condition 1.058 .076 13.896 ***
FC3 <--- Facilitating_Condition 1.009 .074 13.656 ***
TRU1 <--- Trust 1.000
TRU2 <--- Trust 1.012 .045 22.298 ***
TRU3 <--- Trust 1.050 .047 22.384 ***
TRU4 <--- Trust .971 .057 16.924 ***
Dari pengolahan data pada tabel 4.35 dapat juga terlihat, bahwa
setiap indikator atau dimensi pembentuk masing-masing variabel laten
menunjukkan hasil yang baik, yaitu nilai CR diatas 1,96. Semua nilai
120
indikator signifikan 0,05 yang ditandai dengan (***). Dengan hasil ini,
maka dapat dikatakan bahwa indikator-indikator pembentuk variabel laten
konstruk telah menunjukkan sebagai indikator yang kuat dalam pengukuran
varibel laten. Selanjutnya berdasarkan analisis faktor konformatori ini,
maka model penelitian ini dapat digunakan untuk analisis selanjutnya tanpa
modifikasi atau penyesuaian-penyesuaian.
Tabel 4. 36 Loading Factor Variabel Eksogen
Estimate
PE1 <--- Performance_Expectation .874
PE2 <--- Performance_Expectation .847
PE3 <--- Performance_Expectation .831
PE4 <--- Performance_Expectation .841
EE1 <--- Effort_Expectation .760
EE2 <--- Effort_Expectation .720
EE3 <--- Effort_Expectation .904
EE4 <--- Effort_Expectation .900
SI1 <--- Social_Influence .711
SI2 <--- Social_Influence .989
FC1 <--- Facilitating_Condition .766
FC2 <--- Facilitating_Condition .809
FC3 <--- Facilitating_Condition .793
TRU1 <--- Trust .882
TRU2 <--- Trust .888
TRU3 <--- Trust .890
TRU4 <--- Trust .764
Berdasarkan tabel 4.36 tidak ada indikator dari semua konstruk yang
memiliki Loading Factor di bawah 0,5. Maka dapat disimpulkan bahwa
semua indikator masing-masing variabel merupakan indikator yang mempu
menjelaskan dan mendefinisikan konstruk variabel itu sendiri.
121
4.1.2.10. Confirmatory Factor Analysis Variabel Endogen
Variabel endogen ini terdiri dari 3 variabel laten dan terdiri dari 12
dimensi. Hasil pengolahan data untuk analisis faktor konfirmatori
konstruk endogen adalah sebagai berikut :
Untuk dapat mengetahui apakah model yang dibangun secara statistik
dapat didukung dan sesuai dengan model fit yang ditetapkan. Berikut ini
merupakan ringkasan perbandingan model yang dibangun dengan persyaratan
yang ditetapkan, seperti yang nampak dalam tabel sebagai berikut
Tabel 4. 37 Goodness-of-Fit Index Variabel Endogen
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 197,687
Probability ≥ 0,05 0,000 Marginal
RMSEA ≤ 0,08 0,094 Marginal
GFI ≥ 0,90 0,901 Good fit
AGFI ≥ 0,90 0,851 Marginal
TLI ≥ 0,90 0,939 Good Fit
Gambar 4. 18 Confirmatory Factor Analysis Variabel Endogen
122
CFI ≥ 0,90 0,952 Good fit
Pada tabel 4.37 hasil analisis pengolahan data terlihat bahwa semua
konstruk yang digunakan untuk membentuk sebuah model penelitian, pada
proses analisis faktor konfirmatori telah memenuhi kriteria goodness of fit
yang telah ditetapkan.
Hasil pengujian terhadap uji validitas untuk masing-masing indikator
diperoleh sebagai berikut
Tabel 4. 38 Uji Validitas Variabel Endogen
Estimate S.E. C.R. P
SAT1 <--- Satisfaction 1.000
SAT2 <--- Satisfaction 1.156 .066 17.530 ***
SAT3 <--- Satisfaction 1.161 .067 17.285 ***
SAT4 <--- Satisfaction 1.098 .069 15.802 ***
SAT5 <--- Satisfaction 1.096 .065 16.883 ***
BI1 <--- Behavioral_Intention 1.000
BI2 <--- Behavioral_Intention .995 .043 23.240 ***
BI3 <--- Behavioral_Intention .749 .059 12.712 ***
BI4 <--- Behavioral_Intention .939 .052 18.218 ***
UB1 <--- Use_Behavior 1.000
UB2 <--- Use_Behavior .974 .057 16.975 ***
UB3 <--- Use_Behavior 1.132 .066 17.269 ***
Dari pengolahan data pada tabel 4.38 dapat juga terlihat, bahwa setiap
indikator atau dimensi pembentuk masing-masing variabel laten
menunjukkan hasil yang baik, yaitu nilai CR diatas 1,96 (Hair et al., 2010).
Semua nilai indikator signifikan 0,05 yang ditandai dengan (***). Dengan
hasil ini, maka dapat dikatakan bahwa indikator-indikator pembentuk
variabel laten konstruk telah menunjukkan sebagai indikator yang kuat dalam
123
pengukuran varibel laten. Selanjutnya berdasarkan analisis faktor
konfirmatori ini, maka model penelitian ini dapat digunakan untuk analisis
selanjutnya tanpa modifikasi atau penyesuaian-penyesuaian
Tabel 4. 39 Loading Factor Variabel Endogen
Estimate
SAT1 <--- Satisfaction .782
SAT2 <--- Satisfaction .878
SAT3 <--- Satisfaction .868
SAT4 <--- Satisfaction .810
SAT5 <--- Satisfaction .853
BI1 <--- Behavioral_Intention .882
BI2 <--- Behavioral_Intention .910
BI3 <--- Behavioral_Intention .631
BI4 <--- Behavioral_Intention .798
UB1 <--- Use_Behavior .794
UB2 <--- Use_Behavior .867
UB3 <--- Use_Behavior .881
Berdasarkan tabel 4.39 tidak ada indikator dari semua konstruk yang
memiliki Loading Factor di bawah 0,5. Maka dapat disimpulkan bahwa semua
indikator masing-masing variabel merupakan indikator yang mempu
menjelaskan dan mendefinisikan konstruk variabel itu sendiri.
4.1.5 Asumsi SEM
Pada analisis asumsi SEM, terdapat tiga tahapan asumsi adalah sebagai
berikut :
4.1.3.1. Asumsi Sampel
Sampel yang harus dipenuhi dalam pemodelan ini berjumlah
minimal 5 dikali jumlah parameter yang akan diestimasi (Hair et al., 2010).
Menurut Hair at al (2010) untuk penggunaan metode estimasi Maximum
124
Likelihood (ML) disarankan ukuran sampel antara 100 hingga 200 sampel.
Berdasarkan penjelasan ini, maka dalam penelitian ini digunakan teknik
Maximum Likelihood Estimation (ML) maka sampel minimumnya adalah
100. Pada penelitian ini menggunakan sampel sebanyak 318 responden,
sehingga asumsi untuk sampel ini telah terpenuhi.
4.1.3.2. Asumsi Normalitas
Terdapat dua macam asumsi normalitas yaitu normalitas univariat
dan normalitas multivariat. Untuk menguji kenormalan distribusi data
digunakan ukuran skewness (kemencengan) dan kurtosis (kelancipan)
distribusi. Menentukan normal atau tidaknya dilihat dari critical ration (c.r)
dimana normalitas univariat ditunjukkan dengan nilan c.r skew dan c.r
kurtosis ≤ 1,96 untuk α = 5% atau ≤ 2,58 untuk α = 1%. Untuk normalitas
multivariat dapat dilihat dari nilai c.r kurtosis multivariat ≤ 1,96 untuk α =
5% atau ≤ 2,58 untuk α = 1%. Perhitungan dilakukan dengan AMOS 24
yang hasilnya ditampilkan pada tabel dibawah ini.
Tabel 4. 40 Normalitas
Variable min max skew c.r. kurtosis c.r.
UB3 1.000 5.000 -.202 -1.470 -.550 -2.004
UB2 1.000 5.000 -.314 -2.286 -.102 -.372
UB1 1.000 5.000 -.109 -.792 -.555 -2.019
BI4 1.000 5.000 -.581 -4.232 -.065 -.236
BI3 1.000 5.000 -.371 -2.699 -.176 -.640
125
Variable min max skew c.r. kurtosis c.r.
BI2 1.000 5.000 -.698 -5.083 .525 1.910
BI1 1.000 5.000 -.504 -3.670 .021 .077
SAT5 1.000 5.000 -.505 -3.674 .115 .417
SAT4 1.000 5.000 -.518 -3.770 -.012 -.044
SAT3 1.000 5.000 -.896 -6.522 .807 2.937
SAT2 1.000 5.000 -.572 -4.165 .169 .614
SAT1 1.000 5.000 -.820 -5.970 .756 2.751
TRU4 1.000 5.000 -.518 -3.768 -.230 -.838
TRU3 1.000 5.000 -.724 -5.271 .608 2.215
TRU2 1.000 5.000 -.472 -3.437 -.006 -.022
TRU1 1.000 5.000 -.503 -3.660 .207 .753
FC3 1.000 5.000 -.611 -4.450 .500 1.820
FC2 1.000 5.000 -.683 -4.969 .669 2.436
FC1 1.000 5.000 -.626 -4.559 .616 2.241
SI2 1.000 5.000 -.313 -2.277 -.622 -2.265
SI1 1.000 5.000 -.209 -1.523 -.942 -3.428
EE4 1.000 5.000 -.738 -5.373 .500 1.821
EE3 1.000 5.000 -.785 -5.714 .628 2.285
EE2 1.000 5.000 -.566 -4.118 -.168 -.612
EE1 1.000 5.000 -.677 -4.930 .262 .954
PE4 1.000 5.000 -.591 -4.304 -.093 -.339
PE3 1.000 5.000 -.736 -5.357 .530 1.929
PE2 1.000 5.000 -.518 -3.770 -.472 -1.719
PE1 1.000 5.000 -.833 -6.064 .343 1.247
Multivariate 255.654 53.758
126
Untuk penelitian ini, peneliti menetapkan nilai α yang digunakan adalah
5%. Berdasarkan output tabel tersebut diketahui bahwa data tidak
memenuhi normalitas univariat karena nilai c.r skew dan c.r kurtosis
keseluruhan indikator tidak lebih kecil dari nilai 1,96. Sedangkan untuk
normalitas multaviriat, dapat dilihat bahwa nilai c.r kurtosis multavariat =
53,758 jauh lebih besar dari 1,96, sehingga dapat dikatakan data tidak
memenuhi asumsi normalitas multivariat. Sehubungan dengan terjadinya
data tidak normal maka perlu dilakukan uji Bootsrapping (Blunch, 2008).
4.1.3.3. Uji Outlier
Outlier adalah kondisi observasi dari suatu daya yang memiliki
karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi
lainnya, serta muncul dalam bentuk nilai yang ekstrim (Hair et al., 2014)
Uji outlier multivariat dilakukan dengan kriteria jarak mahalanobis
pada tingkat p<0,001 (Ghozali, 2013). Jarak mahanolobis (Mahanolobis
Distance) ini dievaluasi dengan menggunakan χ2 pada derajat bebas sebesar
jumlah indikator variabel yang digunakan dalam penelitian. Dalam
penelitian ini, ada 29 variabel indikator. Oleh karena itu, semua kasus yang
mempunyai Mahalanobis Distance lebih besar χ2 (0,001;29) yaitu 58,30
untuk alpha 0,001 sedangkan untuk alpha 0,005 mahalanobis distance χ2
(0,005;29) yaitu 52.336.
127
Tabel 4. 41 Outlier
Observation number Mahalanobis d-squared p1 p2
11 92.595 .000 .000
151 84.556 .000 .000
160 82.861 .000 .000
250 80.270 .000 .000
238 79.221 .000 .000
297 75.545 .000 .000
20 75.132 .000 .000
104 73.745 .000 .000
41 73.096 .000 .000
268 72.076 .000 .000
218 69.766 .000 .000
129 69.764 .000 .000
254 69.110 .000 .000
195 68.681 .000 .000
299 66.668 .000 .000
1 64.133 .000 .000
56 63.116 .000 .000
261 61.228 .000 .000
300 60.529 .001 .000
201 59.680 .001 .000
84 58.562 .001 .000
236 58.356 .001 .000
98 58.351 .001 .000
14 57.883 .001 .000
18 57.504 .001 .000
35 56.396 .002 .000
128
Observation number Mahalanobis d-squared p1 p2
194 55.485 .002 .000
36 55.173 .002 .000
103 54.901 .003 .000
273 54.441 .003 .000
172 54.400 .003 .000
46 53.388 .004 .000
22 52.481 .005 .000
Berdasarkan tabel 4.41 dapat dilihat bahwa terdapat kasus yang
dikategorikan sebagai outlier karena memiliki nilai mahalanobis > 52.336,
namun kasus tersebut tidak perlu dikeluarkan. Menurut Hair et al. (2014)
jika terdapatnya outlier, maka tidak perlu dihapus jika ingin menggunakan
populasi sampel yang didapat tetap original dan jika dihapus maka akan
terus adanya outlier. Hal ini dikarenakan dalam analisis penelitian, apabila
tidak terdapat alasan khusus untuk mengeluarkan kasus yang
mengindikasikan adanya outlier, maka kasus tersebut harus tetap
diikutsertakan dalam analisis selanjutnya (Ferdinand, 2002), dengan
demikian jumlah sampel yang akan digunakan tetap sebanyak 318 sampel.
Tabel 4. 42 Data tidak Outlier
Observation number Mahalanobis d-squared p1 p2
234 51.507 .006 .000
278 50.667 .008 .000
174 50.431 .008 .000
169 50.323 .008 .000
129
21 50.116 .009 .000
142 49.751 .010 .000
79 49.550 .010 .000
249 49.514 .010 .000
208 49.499 .010 .000
117 49.246 .011 .000
65 49.236 .011 .000
263 48.846 .012 .000
204 48.419 .013 .000
159 47.140 .018 .000
274 46.993 .019 .000
185 46.858 .019 .000
38 45.935 .024 .000
189 45.821 .024 .000
60 45.208 .028 .000
306 44.964 .030 .000
270 44.802 .031 .000
37 44.583 .032 .000
108 44.437 .033 .000
51 44.254 .035 .000
252 43.781 .038 .000
157 43.385 .042 .000
182 42.760 .048 .000
233 42.706 .048 .000
187 42.603 .050 .000
64 42.186 .054 .000
317 41.772 .059 .000
285 41.769 .059 .000
130
286 41.614 .061 .000
173 41.070 .068 .000
39 40.769 .072 .000
7 40.481 .076 .000
247 40.029 .083 .000
162 40.008 .084 .000
8 39.768 .088 .000
43 39.678 .089 .000
110 39.162 .099 .000
124 39.140 .099 .000
280 39.072 .100 .000
244 38.295 .116 .000
290 38.098 .120 .000
176 37.986 .123 .000
149 37.720 .129 .000
266 37.706 .129 .000
226 37.436 .135 .000
276 37.303 .139 .000
81 37.135 .143 .000
52 36.937 .148 .000
312 36.829 .151 .000
33 36.600 .157 .000
255 36.026 .173 .000
42 35.912 .176 .000
303 35.497 .189 .000
145 35.479 .189 .000
239 35.352 .193 .000
296 34.989 .205 .000
131
94 34.367 .226 .002
49 34.301 .228 .002
231 34.301 .228 .002
58 34.196 .232 .002
78 33.808 .246 .007
314 33.660 .252 .010
237 33.505 .258 .014
Pada tabel 4.2 merupakan data yang tidak outlier, karena memiliki
nilai mahalanobis > 52.336 dan memenuhi asumsi pada uji outlier.
4.1.6 Proses Bootstrapping
Sebelum melakukan validitas full structural model, perlu melakukan
langkah-langkah bootstrapping yang ada pada program AMOS. Jumlah
sampel bootstrapping harus besar tetapi harus paling sedikit sama
jumlahnya dengan jumlah sampel yang valid dalam data set (Hair et al
2010). Sebelumnya ditetapkan bahwa jumlah data yang resample sebanyak
500 sampel dan tingkat kepercayaan 95%.
Uji Chi Square
Kriteria pada uji chi square yaitu p-value < α
Model NPAR CMIN DF P CMIN/DF
Default model 80 708.205 355 .000 1.995
Saturated model 435 .000 0
Independence
model 29 7796.923 406 .000 19.204
132
Berdasarkan output diatas diperoleh angka Chi-Square sebesar
708,205 dengan derajat kebebasan (df) 355 dengan p-value 0,000.
Dengan mengambil tingkat signifikan (α) 0,05. Sehingga dapat dikatakan
model diterima.
Nilai Estimasi
Hasil estimasi parameter dari ouput AMOS untuk Regression
Weights dan Bootstrap standard Error diperoleh sebagai berikut :
Tabel 4. 43 Hasil Estimasi Parameter dan Standard Error
Parameter Estimasi SE ML SE
Bootstrap
Satisfaction <--- Performance_Expectancy .251 .044 .055
Satisfaction <--- Effort_Expectancy .205 .063 .082
Satisfaction <--- Social_Influence .023 .032 .043
Satisfaction <--- Facilitating_Condition -.053 .069 .082
Satisfaction <--- Trust .535 .058 .076
Behavioral_Intention <--- Trust .200 .105 .124
Behavioral_Intention <--- Performance_Expectancy .007 .068 .095
Behavioral_Intention <--- Effort_Expectancy -.016 .077 .111
Behavioral_Intention <--- Social_Influence -.011 .045 .059
Behavioral_Intention <--- Satisfaction .723 .139 .173
Use_Behavior <--- Facilitating_Condition .124 .071 .105
Use_Behavior <--- Behavioral_Intention .761 .065 .096
Hasil dari nilai standard error di atas harus dibandingkan, jika SE
Bootstrap mengalami kenaikan maka dilanjutkan tahap berikutnya. Untuk
variabel laten sebagai berikut :
a. Performance Expectancy Satisfaction : antara original sample
dengan bootstrap sample ada perbedaan sebesar (0,055-0,044) =
133
0,011 yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari original sample.
b. Effort Expectancy Satisfaction : antara original sample dengan
bootstrap sample ada perbedaan sebesar 0,082-0,063 = 0,019 yang
berarti kenaikan standard error dari bootstrap dibandingkan dengan
standard error dari original sample.
c. Social Influence Satisfaction : antara original sample dengan
bootstrap sample ada perbedaan sebesar 0,043-0,032 = 0,011 yang
berarti terdapat kenaikan Standard error dari bootstrap dibandingkan
dengan standard error dari origanal sample.
d. Facilitating Condition Satisfaction : antara orignial sample
dengan bootstrap sample ada perbedaan sebesar 0,082-0,069= 0,013
yang berarti terdapat kenaikan standard error dari bootstrap
dibandingkan dengan standard error dari original sample.
e. Trust Satisfaction : antara original sample dengan bootstrap
sample ada perbedaan sebesar 0,076-0,058 = 0,018 yang berarti
terdapat kenaikan Standard error dari bootstrap dibandingkan
dengan standard error dari origanal sample
f. Trust Behavioral Intention : antara original sample dengan
bootstrap sample ada perbedaan sebesar 0,124-0,105 = 0,019 yang
berarti terdapat kenaikan Standard error dari bootstrap dibandingkan
dengan standard error dari origanal sample.
134
g. Performance Expectancy Behavioral Intention : antara original
sample dengan bootstrap sample ada perbedaan sebesar 0,095-0,068
= 0,027 yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari origanal sample.
h. Effort Expectancy Behavioral Intention : antara original sample
dengan bootstrap sample ada perbedaan sebesar 0,111-0,077 = 0,034
yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari origanal sample.
i. Social Influence Behavioral Intention : antara original sample
dengan bootstrap sample ada perbedaan sebesar 0,059-0,045 = 0,014
yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari origanal sample.
j. Satisfaction Behavioral Intention : antara original sample dengan
bootstrap sample ada perbedaan sebesar 0,173-0,139 = 0,034 yang
berarti terdapat kenaikan Standard error dari bootstrap dibandingkan
dengan standard error dari origanal sample.
k. Facilitating Condition Use Behavior : antara original sample
dengan bootstrap sample ada perbedaan sebesar 0,096-0,065 = 0,031
yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari origanal sample.
l. Behavioral Intention Use Behavior : antara original sample
dengan bootstrap sample ada perbedaan sebesar 0,043-0,032 = 0,011
135
yang berarti terdapat kenaikan Standard error dari bootstrap
dibandingkan dengan standard error dari origanal sample.
Tabel 4. 44 Bootstrap Standard Error
Keterangan hasil bootstrapping (Arbuckle, 2012):
Kolom pertama yaitu label S.E : merupakan nilai estimasi boostrap dari
standard error. Nilai ini dibandingan dengan nilai SE yang dihasilkan oleh
Maximum Likelihood (ML), hasil perbandingan dapat dilihat dalam tabel
4.37.
Kolom kedua yaitu SE-SE : merupakan perkiraan standar error atau
approximate standard error dari nilai estimasi bootstrap itu sendiri.
Parameter SE SE-SE Mean Bias SE-Bias
Satisfaction <--- Performance_Expectancy .055 .002 .249 -.002 .002
Satisfaction <--- Effort_Expectancy .082 .003 .201 -.004 .004
Satisfaction <--- Social_Influence .043 .001 .025 .002 .002
Satisfaction <--- Facilitating_Condition .082 .003 -.052 .001 .004
Satisfaction <--- Trust .076 .002 .535 .001 .003
Behavioral_Intention <--- Trust .124 .004 .198 -.002 .006
Behavioral_Intention <--- Performance_Expectancy .095 .003 -.001 -.007 .004
Behavioral_Intention <--- Effort_Expectancy .111 .003 -.022 -.006 .005
Behavioral_Intention <--- Social_Influence .059 .002 -.009 .002 .003
Behavioral_Intention <--- Satisfaction .173 .005 .739 .015 .008
Use_Behavior <--- Facilitating_Condition .105 .003 .120 -.004 .005
Use_Behavior <--- Behavioral_Intention .096 .003 .761 .000 .004
136
Kolom ketiga yaitu Mean : merupakan niali rata-rata estimasi parameter
yang dikalkulasi dari sampel bootstrap dan nilai ini tidak harus identik
besarnya dengan nilai estimasi aslinya.
Kolom empat yaitu label Bias : merupakan penggambaran perbedaan nilai
rata-rata estimasi boostrap atau mean bootstrap dengan nilai estimasi asli
atau mean original sample
Kolom kelima yaitu S.E Bias : merupakan perkiraan standar error atau
approximate standard error dari bias estimate.
4.1.7 Analisis Full Structural Equation Model
Analisis hasil pengolahan data pada tahap full model SEM dilakukan
dengan melakukan uji kesesuaian. Hasil pengolahan data untuk analisis full
structural model SEM ditampilkan pada Gambar 4.19
137
Untuk dapat mengetahui apakah model yang dibangun secara statistik
dapat didukung dan sesuai dengan model fit yang ditetapkan. Berikut ini
merupakan ringkasan perbandingan model yang dibangun dengan persyaratan
yang ditetapkan, seperti yang nampak dalam tabel sebagai berikut.
Gambar 4. 19 Confirmatory Factor Analysis Full Structural Equation Model
138
Tabel 4. 45 Hasil Bootstrapping Goodness-of-Fit Index Full Structural Equation
Model
Goodness of FIT
Index
Cut-off Value Hasil Model Keterangan
Chi-Square Diharapkan kecil 708,205
Probability ≥ 0,05 0,000 Marginal
RMSEA ≤ 0,08 0,056 Good fit
GFI ≥ 0,90 0,868 Marginal
AGFI ≥ 0,90 0,839 Marginal
TLI ≥ 0,90 0,945 Good fit
CFI ≥ 0,90 0,952 Good Fit
Berdasakan tabel diatas, menunjukkan bahwa model diterima.
Sedangkan kriteria Probability, GFI, dan AGFI menunjukkan model tersebut
marginal. Menurut pendapat Hair (yang dikutip oleh (Irianto et al., 2015)),
menyatakan bahwa jika terdapat satu atau dua kriteria goodness-of-fit yang
telah memenuhi, model dapat dikatakan baik.
Tabel 4. 46 Hasil Bootstrapping Full Model Struktural
Indikator Loading
Factor
Validitas
PE1 .876 Valid
PE2 .844 Valid
PE3 .832 Valid
PE4 .842 Valid
EE1 .760 Valid
EE2 .718 Valid
EE3 .906 Valid
EE4 .899 Valid
SI1 .711 Valid
SI2 .995 Valid
FC1 .765 Valid
FC2 .805 Valid
FC3 .793 Valid
TRU1 .891 Valid
TRU2 .893 Valid
139
TRU3 .876 Valid
TRU4 .759 Valid
SAT1 .805 Valid
SAT2 .875 Valid
SAT3 .861 Valid
SAT4 .810 Valid
SAT5 .844 Valid
BI1 .880 Valid
BI2 .913 Valid
BI3 .629 Valid
BI4 .796 Valid
UB1 .788 Valid
UB2 .872 Valid
UB3 .876 Valid
Setelah dilakukan estimasi, dihasilkan nilai-nilai seperti pada tabel. Nilai
Loading Factor >0,5 (Hair et al., 2010) dan (Hair et al., 2014). Dan diketahui
bahwa seluruh nilai loading > 0,5. Dapat disimpulkan bahwa indikator-
indikator yang ada dalam model penelitian ini valid sebagai pengukuran dan
secara signifikan saat menjelaskan konstuk-konstruk yang terkait dengannya
sebagai faktor-faktor yang dihipotesiskan mempengaruhi penerimaan
pengguna terhadap Aplikasi Mobile JKN.
140
4.1.8 Pengujian Reliabilitas dan Variance Extract
4.1.5.1. Pengujian Composite (Construct) Realiability
Berikut merupakan perhitungan Composite (Construct) Reliability
𝐶𝑜𝑛𝑐𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = (ΣStandard Loading)2
(ΣStandard Loading)2 + Σ𝜀𝐽
Keterangan :
Standard Loading = nilai dari Standardized Loading untuk tiap-tiap
indikator
𝜀𝐽 = measurement error dari tiap-tiap indikator. Measurement error = 1-
Standardized Loading setiap indikator yang dianalisis.
Perhitungan dari composite (construct) reliability dapat dilihat dari tabel
dibawah ini.
Tabel 4. 47 Perhitungan Composite (Construct) Rreliability
Indikator SL SL2 1-SL2 (ΣSL) (ΣSL)2 Σ(1-
(SL)2)
CR
PE1 0.876 0.767376 0.232624
3.394 11.51924 1.1191 0.911 PE2 0.844 0.712336 0.287664
PE3 0.832 0.692224 0.307776
PE4 0.842 0.708964 0.291036
EE1 0.76 0.5776 0.4224
3.283 10.77809 1.277839 0.894 EE2 0.718 0.515524 0.484476
EE3 0.906 0.820836 0.179164
EE4 0.899 0.808201 0.191799
SI1 0.711 0.505521 0.494479 1.706 2.910436 0.504454 0.852
SI2 0.995 0.990025 0.009975
FC1 0.765 0.585225 0.414775
2.363 5.583769 1.137901 0.831 FC2 0.805 0.648025 0.351975
FC3 0.793 0.628849 0.371151
TRU1 0.891 0.793881 0.206119
3.419 11.68956 1.065213 0.916 TRU2 0.893 0.797449 0.202551
TRU3 0.876 0.767376 0.232624
TRU4 0.759 0.576081 0.423919
SAT1 0.805 0.648025 0.351975 4.195 17.59803 1.476593 0.923
SAT2 0.875 0.765625 0.234375
141
SAT3 0.861 0.741321 0.258679
SAT4 0.81 0.6561 0.3439
SAT5 0.844 0.712336 0.287664
BI1 0.88 0.7744 0.2256
3.218 10.35552 1.362774 0.884 BI2 0.913 0.833569 0.166431
BI3 0.629 0.395641 0.604359
BI4 0.796 0.633616 0.366384
UB1 0.788 0.620944 0.379056
2.536 6.431296 0.851296 0.883 UB2 0.872 0.760384 0.239616
UB3 0.876 0.767376 0.232624
Dari hasil perhitungan didapatkan bahwa nilai composite (Construct) Reliability
masing-masing konstruk yaitu :
PE = 0,911
EE = 0,894
SI = 0,852
FC = 0,831
TRU = 0,916
SAT = 0,923
BI = 0,884
UB = 0,883
Nilai cut-off lebih besar 0,7 (Hair et al., 2010). Dari hasil tersebut dapat dilihat
bahwa reliabilitas semua konstruk di atas nilai cut-off yaitu 0,70. Hal ini
menunjukkan bahwa semua konstruk yang ada dalam full model adalah reliabel.
4.1.5.2. Pengujian Variance Extracted
Variance Extracted memperlihatkan jumlah varians dari indikator
yang diektraksi oleh variabel bentukan yang dikembangkan. Nilai variance
142
extracted yang tinggi menunjukkan bahwa indikator-indikator telah
mewakili secara baik variabel bentukan yang dikembangkan (Ghozali,
2008).
Rumus yang digunakan untuk menghitung reliabilitas konstruk adalah
sebagai berikut:
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 = ΣStandard Loading2
ΣStandard Loading2 + Σ𝜀𝐽
Keterangan :
Standard Loading = nilai dari Standardized Loading untuk tiap-tiap
indikator
𝜀𝐽 = measurement error dari tiap-tiap indikator. Measurement error
= 1-Standardized Loading setiap indikator yang dianalisis.
Perhitungan variance extracted dapat dilihat pada tabel dibawah ini
Tabel 4. 48 Perhitungan Variance Extracted
Indikator SL SL2 1-SL2 ΣSL2 Σ(1-(SL)2) VE
PE1 0.876 0.767376 0.232624
2.8809 1.1191 0.720 PE2 0.844 0.712336 0.287664
PE3 0.832 0.692224 0.307776
PE4 0.842 0.708964 0.291036
EE1 0.76 0.5776 0.4224
2.722161 1.277839 0.681 EE2 0.718 0.515524 0.484476
EE3 0.906 0.820836 0.179164
EE4 0.899 0.808201 0.191799
SI1 0.711 0.505521 0.494479 1.495546 0.504454 0.748
SI2 0.995 0.990025 0.009975
FC1 0.765 0.585225 0.414775
1.862099 1.137901 0.621 FC2 0.805 0.648025 0.351975
FC3 0.793 0.628849 0.371151
TRU1 0.891 0.793881 0.206119 2.934787 1.065213 0.734
143
TRU2 0.893 0.797449 0.202551
TRU3 0.876 0.767376 0.232624
TRU4 0.759 0.576081 0.423919
SAT1 0.805 0.648025 0.351975
3.523407 1.476593 0.705
SAT2 0.875 0.765625 0.234375
SAT3 0.861 0.741321 0.258679
SAT4 0.81 0.6561 0.3439
SAT5 0.844 0.712336 0.287664
BI1 0.88 0.7744 0.2256
2.637226 1.362774 0.659 BI2 0.913 0.833569 0.166431
BI3 0.629 0.395641 0.604359
BI4 0.796 0.633616 0.366384
UB1 0.788 0.620944 0.379056
2.148704 0.851296 0.716 UB2 0.872 0.760384 0.239616
UB3 0.876 0.767376 0.232624
Dari hasil perhitungan didapatkan bahwa nilai variance extracted
masing-masing konstruk yaitu:
PE = 0,720
EE = 0,681
SI = 0,748
FC = 0,621
TRU = 0,734
SAT = 0,705
BI = 0,659
UB = 0,716
Berdasarkan hasil diatas dapat dilihat bahwa variance extracted semua
konstruk di atas nilai yaitu sebesar 0,5. Hal ini berarti bahwa semua
indikator telah mewakili variabel yang ada dalam full model.
144
4.1.9 Pengujian Hipotesis
Berikut ini adalah tabel pengujian hipotesis penelitian dengan
menggunakan alat uji AMOS 24 dalam bentuk regression weight dalam
tabel dibawah ini.
Tabel 4. 49 Standarisasi Regression Weight Full Model
Estimate S.E. C.R. P
Satisfaction <--- Performance_Expectancy .249 .055 4.527 .004
Satisfaction <--- Effort_Expectancy .201 .082 2.451 .003
Satisfaction <--- Social_Influence .025 .043 0.581 .638
Satisfaction <--- Facilitating_Condition -.052 .082 -0.634 .441
Satisfaction <--- Trust .535 .076 7.039 .004
Behavioral_Intention <--- Trust .198 .124 1.597 .089
Behavioral_Intention <--- Performance_Expectancy -.001 .095 -0.011 .888
Behavioral_Intention <--- Effort_Expectancy -.022 .111 -0.198 .858
Behavioral_Intention <--- Social_Influence -.009 .059 -0.153 .837
Behavioral_Intention <--- Satisfaction .739 .173 4.272 .005
Use_Behavior <--- Facilitating_Condition .120 .105 1.143 .206
Use_Behavior <--- Behavioral_Intention .761 .096 7.927 .004
Untuk mendapatkan nilai CR atau nilai rasio kritis berdasarkan hasil
bootstrap dapat menggunakan bootstrap Mean dan kolom SE. Adapun kriteria
pengujian hipotesis (Ghozali, 2008; Hair et al., 2010, 2014) adalah sebagai
berikut :
Nilai CR (Critical Ratio) > 1,96 dengan tingkat signifikasi < 0,05 berarti
variabel eksogen berpengaruh pada variabel endogen.
145
Nilai CR (Critical Ratio) < 1,96 dengan tingkat signifikasi > 0,05 berarti
variabel eksigen tidak berpengaruh pada variabel endogen.
Berikut ini analisa terhadap pengujian hipotesis yang telah ditetapkan:
Pengujian Hipotesis 1
H1 = Performance Expectancy (PE) berpengaruh secara signifikan terhadap
Behavioral Intention (BI)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar -0,011 ,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 yaitu
sebesar 0,88 . Dengan demikian H1 ditolak karena nilai CR dan
probabilitasnya tidak memenuhi persyaratan. H1 ditolak dengan
menunjukkan Performance Expectancy tidak berpengaruh terhadap
Behavioral Intention.
Pengujian Hipotesis 2
H2 = Performance Expectancy (PE) berpengaruh secara signifikan terhadap
Satisfaction (SAT)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 4,527
berarti nilai CR > 1,96. Sedangkan nilai probabilitasnya < 0,05 sebesar
0,004. Dengan demikian H2 diterima karena nilai CR dan probabilitasnya
memenuhi persyaratan. H2 diterima dengan menunjukkan bahwa
Performance Expectancy berpengaruh terhadap Satisfaction.
Pengujian Hipotesis 3
H3 = Effort Expectancy (EE) berpengaruh secara signifikan terhadap
Behavioral Intention (BI)
146
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar -0,198,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,858. Dengan demikian H3 ditolak karena nilai CR dan probabilitasnya
tidak memenuhi persyaratan. H3 ditolak dengan menunjukkan Effort
Expectancy tidak berpengaruh terhadap Behavioral Intention.
Pengujian Hipotesis 4
H4 = Effort Expectancy (EE) berpengaruh secara signifikan terhadap
Satisfaction (SAT)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 2,451
berarti nilai CR > 1,96. Sedangkan nilai probabilitasnya < 0,05 sebesar
0,003. Dengan demikian H4 diterima karena nilai CR dan probabilitasnya
memenuhi persyaratan. H4 diterima dengan menunjukkan bahwa Effort
Expectancy berpengaruh terhadap Satisfaction.
Pengujian Hipotesis 5
H5 = Social Influence (SI) berpengaruh secara signifikan terhadap
Behavioral Intention (BI)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar -0,153,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,837. Dengan demikian H5 ditolak karena nilai CR dan probabilitasnya
tidak memenuhi persyaratan. H5 ditolak dengan menunjukkan Social
Influence tidak berpengaruh terhadap Behavioral Intention.
147
Pengujian Hipotesis 6
H6 = Social Influence (SI) berpengaruh secara signifikan terhadap
Satisfaction (SAT)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 0,581,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,638. Dengan demikian H6 ditolak karena nilai CR dan probabilitasnya
tidak memenuhi persyaratan. H6 ditolak dengan menunjukkan Social
Influence tidak berpengaruh terhadap Satisfaction.
Pengujian Hipotesis 7
H7 = Facilitating Condition (FC) berpengaruh secara signifikan terhadap
Use Behavior (UB)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 1,143,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,206. Dengan demikian H7 ditolak karena nilai CR dan probabilitasnya
tidak memenuhi persyaratan. H7 ditolak dengan menunjukkan Facilitating
Condition tidak berpengaruh terhadap Use Behavior.
Pengujian Hipotesis 8
H8 = Facilitating Condition (FC) berpengaruh secara signifikan terhadap
Satisfaction (SAT)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar -0,634,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,441. Dengan demikian H8 ditolak karena nilai CR dan probabilitasnya
148
tidak memenuhi persyaratan. H8 ditolak dengan menunjukkan Facilitating
Condition tidak berpengaruh terhadap Satisfaction.
Pengujian Hipotesis 9
H9 = Trust (TRU) berpengaruh berpengaruh secara signifikan terhadap
Behavioral Intention (BI)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 1,597,
berarti nilai CR < 1,96. Sedangkan nilai probibalitasnya > 0,05 sebesar
0,089. Dengan demikian H9 ditolak karena nilai CR dan probabilitasnya
tidak memenuhi persyaratan. H9 ditolak dengan menunjukkan Trust tidak
berpengaruh terhadap Behavioral Intention.
Pengujian Hipotesis 10
H10 = Trust (TRU) berpengaruh secara signifikan terhadap Satisfaction
(SAT)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 7,039,
berarti nilai CR > 1,96. Sedangkan nilai probibalitasnya < 0,05 sebanyak
0,004. Dengan demikian H10 diterima karena nilai CR dan probabilitasnya
memenuhi persyaratan. H10 diterima dengan menunjukkan Trust tidak
berpengaruh terhadap Satisfaction.
Pengujian Hipotesis 11
H11 = Satisfaction (SAT) berpengaruh secata signifikan terhadap
Behavioral Intention (BI)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 4,272,
berarti nilai CR > 1,96. Sedangkan nilai probibalitasnya < 0,05. Dengan
149
demikian H11 diterima karena nilai CR dan probabilitasnya memenuhi
persyaratan. H11 diterima dengan menunjukkan Satisfaction tidak
berpengaruh terhadap Behavioral Intention.
Pengujian Hipotesis 12
H12 = Behavioral Intention (BI) berpengaruh secara signifikan terhadap
Use Behavior (UB)
Berdasarkan tabel diatas diperoleh bahwa nilai CR sebesar 7,927,
berarti nilai CR > 1,96. Sedangkan nilai probibalitasnya < 0,05 sebesar
0,004. Dengan demikian H12 diterima karena nilai CR dan probabilitasnya
memenuhi persyaratan. H12 diterima dengan menunjukkan Behavioral
Intention tidak berpengaruh terhadap Use Behavior.
Tabel 4. 50 Uji Hipotesis
No Hipotesis Hasil
H1 Performance ExpectancyBehavioral Intention Ditolak
H2 Performance Expectancy Satisfaction Diterima
H3 Effort Expectancy Behavioral Intention Ditolak
H4 Effort Expectancy Satisfaction Diterima
H5 Social Influence Behavioral Intention Ditolak
H6 Social Influence Satisfaction Ditolak
H7 Facilitating Condition Use Behavior Ditolak
H8 Facilitating Condition Satisfaction Ditolak
H9 Trust Behavioral Intention Ditolak
H10 Trust Satisfaction Diterima
H11 Satisfaction Behavioral Intention Diterima
H12 Behavioral Intention Use Behavior Diterima
150
4.2 Interpretasi dan Diskusi Hasil Analisis
4.2.1 Interpretasi dan diskusi hasil analisis data demografis
Berdasarkan hasil analisis informasi demografis responden, peneliti
melakukan interpretasi dan mendiskusikan hasil analisis sebagai berikut :
1) Jenis Kelamin
Seperti hasil demografis responden berdasarkan jenis
kelamin yang terdapat pada gambar 4.1 dapat diketahui bahwa dari
318 responden sebagian besar didominasi oleh responden berjenis
kelamin perempuan yaitu sebanyak 193 responden (61%) dan sisanya
Gambar 4. 20 Uji Hipotesis Model
151
berasal dari responden laki-laki yaitu sebanyak 125 orang (39%). Hal
ini disebabkan karena saat peneliti melakukan penyebaran kuesioner,
responden perempuan cenderung lebih banyak yang ingin mengisi
kuesioner dibandingkan laki-laki.
2) Domisili BPJS
Berdasarkan gambar 4.2 yang merupakan hasil demografis
responden berdasarkan domisili BPJS, terdapat 128 responden (40%)
yang berdomisili di Jakarta yang mendominasi penelitian ini.
Kemudian responden yang berdomisili di Tangerang sebanyak 75
responden (24%). Sedangkan terdapat 63 responden (20%)
berdomisili di Depok. Untuk responden yang berdomisili di Bekasi
sebanyak 33 responden (10%). Jumlah responden yang paling sedikit
yaitu berdomisili di Bogor yaitu sebanyak 19 responden (6%). Hal ini
terjadi karena saat peneliti melakukan penyebaran kuesioner, peneliti
cenderung lebih banyak menyebarkan kuesioner di daerah Jakarta.
Dan dilihat dari data pengguna Mobile JKN pada tahun 2019,
diketahui jumlah pengguna Mobile JKN terbanyak yaitu di Jakarta
berjumlah 439.705.
3) Usia
Seperti yang ditujukkan pada gambar 4.3 bahwa responden
yang mendominasi pada penelitian ini yaitu usia 20-30 tahun yaitu
sebanyak 235 repsonden (74%). Kemudian responden yang berusia
31-40 tahun sebanyak 41 responden (13%). Sedangkan terdapat 33
152
responden (10%) yang berusia 41-50 tahun. Jumlah responden yang
paling sedikit yaitu berusia 5-60 tahun sebanyak 9 tahun (3%). Dalam
hal ini peneliti beranggapan bahwa pada usia 20-30 lebih familiar
dengan sistem pelayanan berbasis aplikasi yang dapat memudahkan
mendapatkan pelayanan.
4) Pendidikan terakhir
Berdasarkan gambar 4.4 yang merupakan hasil demografis
responden berdasarkan pendidikan terakhir, terdapat 142 responden
(45%) yang memiliki pendidikan terakhir S1 yang mendominasi
penelitian ini. kemudian responden yang memiliki pendidikan terakhir
SLTA sebanyak 125 responden (39%). Sedangkan terdapat 40
responden (13%) yang memiliki pendidikan terakhir Diploma.
Responden yang memiliki pendidikan terakhir yaitu S2 yaitu
sebanyak 10 responden (3%) Untuk jumlah responden yang paling
sedikit yaitu responden yang memiliki pendidikan terakhir S3
sebanyak 1 orang.
5) Pekerjaan
Seperti yang ditunjukkan pada gambar 4.5 bahwa responden
yang mendominasi pada penelitian ini yaitu responden yang bekerja
sebagai karyawan sebanyak 120 orang (38%). Kemudian
respoonden pelajar/mahasiswa sebanyak 102 orag (10%). Untuk
responden yang bekerja sebagai wiraswasta sebanyak 33 orang
(10%). Jumlah responden yang paling sedikit yaitu bekerja sebagai
153
PNS/TNI/POLRI sebanyak 19 orang (6%). Pada penelitin ini,
terdapat responden yang memilih lainnya pada optional kuesioner
sebagai pekerjaan yaitu sebanyak 44 orang (14%). Responden yang
memilih lainnya pada kuesioner pekerjaan memiliki berbagai
macam pekerjaan seperti ibu rumah tangga, freelancer, guru,
perawa, dokter, musisi, dan instruktur senam. Dengan demikian
dapat disimpulkan bahwa responden yang mendomoinasi pada
penelitian ini adalah responden yang bekerja sebagai karyawan dan
menggunakan aplikasi Mobile JKN.
6) Peranan Sistem
Berdasarkan gambar 4.6 menunjukkan bahwa responden
terbantu dengan dengan adanya Mobile JKN sebanyak 158 orang
(50%) dan bahkan sangat terbantu sebanyak 116 orang (36%).
Sehingga responden merasa terbantu dengan adanya Mobile JKN.
7) Status Penerimaan Pengguna
Berdasarkan gambar 4.7 menunjukkan bahwa responden
menerima adanya aplikasi Mobile JKN sebesar 182 orang (57%) dan
bahkan terdapat 96 responden (30%) yang menyatakan sangat
menerima. Sehingga responden menerima dengan adanya Mobile
JKN.
154
4.2.2 Interpretasi dan diskusi hasil pengukuran model
Hasil model pengukuran, yang harus diperhatikan yaitu sebagai berikut:
1. Dalam analisis ini menunjukkan bahwa data tidak normal sehingga
perlu dilakukannya bootstrapping. Sehingga akhir analisis ini
menunjukkan bahwa pengujian model dari model penelitian ini
memenuhi syarat dalam melakukan bootstrapping dan dapat
dilanjutkan ke tahap analisis full struktur model.
2. Dihapusnya dua indikator yaitu SI3 dan FC4 dalam model
penelitian ini karena memiliki tidak memiliki nilai signifikansi
0,05 dan tidak memiliki nilai Loading Factor diatas 0,5
Peneliti beranggapan bahwa penghapusan dua indikator ini karena
sebagian besar hasil kuesioner didapatkan secara online (82%) dan sisanya
didapatkan secara langsung. Hal ini memugkinkan terjadinya penafsiran
yang bias oleh responden. Kemudian pemilihan dan penggunaan item
indikator yang kurang tepat dalam kuesioner.
4.2.3 Interpretasi dan diskusi hasil struktural model
Hasil pengujian terhadap hipotesis-hipotesis yang diajukan pada
penelitian akan dibahas pada bagian ini
1. Pengaruh Performance Expectancy terhadap Behavioral Intention
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 1
menunjukan bahwa Performance Expectancy tidak berpengaruh
signifikan terhadap Behavioral Intention. Hal ini menunjukkan bahwa
155
keuntungan pengguna dari Mobile JKN tidak mempengaruhi niat
pengguna untuk penggunaan Mobile JKN. Hasil ini tidak sesuai dengan
hasil penelitian awal yang dilakukan oleh Venkatesh et al. (2003), hal ini
juga tidak sejalan dengan penelitian sejenis lainnya (Abrahão et al., 2016;
Cheng et al., 2009; Sharma et al., 2018; Ting & Yanhong, 2012) yang
menyatakan bahwa harapan kinerja menentukan niat pengguna untuk
menggunakan sistem. Pada penelitian ini, pengguna Mobile JKN
mendapatkan keuntungan dalam mendapatkan layanan tetapi tidak
mempengaruhi kepada niat pengguna untuk menggunakan aplikasi
Mobile JKN.
2. Pengaruh Performance Expectancy terhadap Satisfaction
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 2
menunjukkan bahwa Performance Expectancy berpengaruh signifikan
terhadap Satisfaction. Hal ini menunjukkan bahwa keuntungan pengguna
dari Mobile JKN mempengaruhi kepuasan pengguna dalam
menggunakan Mobile JKN. Hasil ini sesuai dengan hasil penelitian yang
dilakukan oleh(Chan et al., 2010; Cheng et al., 2009; C. Y. Lee et al.,
2015; Revels et al., 2010) yang menyatakan bahwa harapan kinerja
menentukan kepuasan pengguna dalam menggunakan sistem. Ketika
pengguna mendapatkan keuntungan menggunakan sistem, kepuasan
pengguna terhadap sistem akan lebih besar. Pada penelitian ini, pengguna
Mobile JKN merasa puas menggunakan Mobile JKN dengan keuntungan
156
yang didapatkan walaupun tidak mempengaruhi niat pengguna untuk
menggunakan Mobile JKN.
3. Pengaruh Effort Expectancy terhadap Behavioral Intention
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 3
menunjukkan bahwa Effort Expectancy tidak berpengaruh signifikan
terhadap Behavioral Intention. Hal ini menunjukkan bahwa kemudahan
pengguna dalam menggunakan Mobile JKN tidak mempengaruhi niat
pengguna untuk menggunakan Mobile JKN. Hasil ini sesuai dengan hasil
yang dilakukan oleh Cheng et al. (2009) yang menyatakan bahwa
harapan usaha tidak menentukan niat pengguna untuk menggunakan
sistem.
Namun, Hasil ini tidak sesuai dengan hasil yang dilakukan oleh
(Abrahão et al., 2016; Ifinedo, 2012; Sharma et al., 2018; Ting &
Yanhong, 2012; Venkatesh et al., 2003) yang menyatakan bahwa harapan
usaha menentukan niat pengguna untuk menggunakan sistem. Pada
penelitian ini, pengguna Mobile JKN merasakan kemudahan
menggunakan sistem tetapi tidak mempengaruhi kepada niat pengguna
untuk menggunakan Mobile JKN.
4. Pengaruh Effort Expectancy terhadap Satisfaction
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 4
menunjukkan bahwa Effort Expectancy berpengaruh signifikan terhadap
Satisfaction. Hal ini menunjukkan bahwa kemudahan pengguna dalam
157
menggunakan Mobile JKN mempengaruhi kepuasan pengguna dalam
menggunakan Mobile JKN. Hasil ini sesuai dengan hasil penelitian yang
dilakukan oleh (Chan et al., 2010; C.-Y. Lee et al., 2015; Revels et al.,
2010) yang menyatakan bahwa harapan usaha menentukan kepuasan
pengguna dalam menggunakan sistem. Ketika penguna mengganggap
sistem mudah digunakan, kepuasan penguna terhadap sistem akan lebih
besar. Pada penelitian ini, pengguna Mobile JKN merasakan kemudahan
dalam menggunakan aplikasi ini, sehingga pengguna merasa puas
menggunakan aplikasi walaupun tidak mempengaruhi niatnya untuk
menggunakan Mobile JKN.
5. Pengaruh Social Influence terhadap Behavioral Intention
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 5
menunjukkan bahwa Social Influence tidak berpengaruh signifikan
terhadap Behavioral Intention. Hal ini menunjukkan bahwa pengaruh
orang kepada pengguna untuk menggunakan Mobile JKN tidak
mempengaruhi niat pengguna untuk menggunakan Mobile JKN. Hasil ini
sesuai dengan hasil penelitian yang dilakukan oleh (Sharma et al., 2018;
Ting & Yanhong, 2012) yang menyatakan pengaruh sosial tidak
menentuan niat pengguna dalam menggunakan sistem.
Namun, Hasil ini tidak sesuai dengan hasil dengan hasil yang
dilakukan oleh (Abrahão et al., 2016; Cheng et al., 2009; Ifinedo, 2012;
Venkatesh et al., 2003) yang menyatakan bahwa pengaruh sosial
menentukan niat pengguna untuk menggunakan sistem. Berdasarkan
158
pengamatan langsung yang dilakukan oleh peneliti yaitu alasan pengguna
menggunakan Aplikasi Mobile JKN karena dianjurkan oleh pihak BPJS
agar mendapatkan layanan yang lebih mudah. Peneliti beranggapan
bahwa penyebab ditolaknya Hipotesis 5 dikarenakan pengguna merasa
lebih percaya dengan mendapatkan pelayanan secara langsung
dibandingkan melalui aplikasi.
6. Pengaruh Social Influence terhadap Satisfaction
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 6
menunjukkan bahwa Social Influence tidak berpengaruh signifikan
terhadap Satisfaction. Hal ini menunjukkan bahwa pengaruh orang
kepada pengguna untuk menggunakan Mobile JKN tidak mempengaruhi
kepuasan pengguna dalam menggunakan Mobile JKN. Hasil ini tidak
sesuai dengan hasil penelitian yang dilakukan oleh Kaewkitipong et al.
(2016) yang menyatakan bahwa pengaruh sosial menentukan kepuasan
pengguna dalam menggunakan sistem. Pada penelitian ini, pengguna
Mobile JKN dianjurkan oleh pihak BPJS untuk menggunakan aplikasi
ini agar mendapatkan pelayanan yang efektif dan efisien, tetapi pengguna
tidak merasa puas dan tidak mempengaruhi niatnya untuk menggunakan
aplikasi.
7. Pengaruh Facilitating Condition terhadap Use Behavior
Berdasarkan hasil penelitian yang telah diuji pada Hipotesis 7
menunjukkan bahwa Facilitating Condition tidak berpengaruh
signifikan terhadap Use Behavior. Hal ini menunjukkan bahwa kondisi
159
fasilitas tidak mempengaruhi perilaku pengguna dalam menggunakan
Mobile JKN. Hasil ini sesuai dengan hasil yang dilakukan oleh (Ting
& Yanhong, 2012) yang menyatakan bahwa kondisi fasilitas tidak
menentukan perilaku pengguna untuk menggunakan sistem
Namun, hasil ini tidak sesuai dengan hasil penelitian yang dilakukan
oleh (Ifinedo, 2012; Suki & Suki, 2017) yang menyatakan bahwa
kondisi faslitas menentukan perilaku pengguna dalam menggunakan
sistem. Pada penelitian ini, kondisi fasilitas yang dimiliki pengguna
atau yang disediakan oleh pihak BPJS tidak mempengaruhi niat
pengguna untuk menggunakan aplikasi Mobile JKN.
8. Pengaruh Facilitating Condition terhadap Satisfaction
Berdasarkan hasil penelitian yang telah diuji pada hipotesis 8
menunjukkan bahwa Facilitating Condition tidak berpengaruh signifikan
terhadap Satisfaction. Hal ini menunjukkan bahwa kondisi fasilitas tidak
mempengaruhi kepuasan pengguna dalam menggunakan Mobile JKN.
Hasil ini tidak sesuai dengan hasil penelitian yang dilakukan oleh (Chan
et al., 2010) yang menyatakan bahwa kondisi fasilitas menentukan
kepuasan pengguna dalam menggunakan sistem. Pada penelitian ini,
kondisi fasilitas yang dimiliki pengguna atau yang disediakan oleh pihak
BPJS tidak mempengaruhi kepuasan pengguna untuk menggunakan
aplikasi Mobile JKN.
160
9. Pengaruh Trust terhadap Behavioral Intention
Berdasarkan hasil penelitian yang telah diuji pada hipotesis 9
menunjukkan bahwa Trust tidak berpengaruh signifikan terhadap
behavior intention. Hal ini menunjukkan bahwa kepercayaan pengguna
tidak mempengaruhi niat pengguna untuk menggunakan sistem. Hal ini
tidak sesuai dengan hasil penelitian yang dilakukan oleh (Sharma et al.,
2018) yang menyatakan bahwa kepercayaan pengguna menentukan niat
pengguna dalam menggunakan sistem. Pada penelitian ini, kepercayaan
pengguna terdahap Mobile JKN tidak mempengaruhi niatnya untuk
menggunakan aplikasi.
10. Pengaruh Trust terhadap Satisfaction
Berdasarkan hasil penelitian yang telah diuji pada hipotesis 10
menunjukan bahwa Trust berpengaruh signifikan terhadap Satisfaction.
Hal ini menunjukkan bahwa kepercayaan pengguna mempengaruhi niat
pengguna untuk menggunakan sistem. Hal ini sesuai dengan penelitian
yang dilakukan oleh (Kaewkitipong et al., 2016; Sharma et al., 2018;
Suping & Yizheng, 2010) yang menyatakan bahwa kepercayaan
pengguna menentukan kepuasan pengguna dalam menggunakan
sistem. Ketika pengguna percaya kepada pelayanan, kepuasan
pengguna semakin besar. Pada penelitian ini, pengguna merasa percaya
dengan Mobile JKN sehingga merasa puas dengan adanya aplikasi
161
walaupun kepercayaan ini tidak mempengaruhi niat pengguna untuk
menggunakan aplikasi.
11. Pengaruh Satisfaction terhadap Behavioral Intention
Berdasarkan hasil penelitian yang telah diuji pada hipotesis 11
menunjukkan bahwa satisfacion berpengaruh signifikan terhadap
Behavioral Intention. hal ini menunjukkan bahwa kepuasan pengguna
mempengaruhi niat pengguna untuk menggunakan sistem. Hal ini
sesuai dengan penelitian yang dilakukan oleh (Cheng et al., 2009) yang
menyatakan bahwa kepuasan pengguna menentukan niat pengguna
dalam menggunakan sistem. Ketika pengguna puas dengan sistem yang
digunakan maka niat pengguna untuk menggunakan sistem akan
semakin besar. Pada penelitian ini, pengguna merasa puas dengan
Mobile JKN sehingga mempengaruhi niatannya untuk menggunakan
aplikasi.
12. Pengaruh Behavioral Intention terhadap Use Behavioral
Berdasarkan hasil penelitian yang telah diuji pada hipotesis 12
menunjukkan bahwa Behavioral Intention berpengaruh signifikan
terhadap Use Behavioral. Hal ini menunjukkan bahwa niat pengguna
dalam menggunakan sistem mempengaruhi perilaku pengguna untuk
menggunakan sistem. Hal ini sesuai dengan penelitian awal oleh
Venkatesh et al. (2003) didukung dengan penelitian yang dilakukan
oleh (Ifinedo, 2012; Im et al., 2011; Suki & Suki, 2017; Ting &
Yanhong, 2012) yang menyatakan bahwa niat perilaku perngguna
162
menentukan perilaku pengguna dalam menggunakan sistem. Pada
penelitian ini, peilaku pengguna dipengaruhi oleh niat atau minat
pengguna. Sehingga dengan adanya hubungan perilaku penggua dalam
minat pengguna dapat menumbuhkan rasa pengguna untuk
menggunakan aplikasi dikemudian hari.
163
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, kesimpulan yang didapatkan
dari penelitian ini sebagai berikut :
1) Dari hasil pengolahan data didapatkan bahwa sebanyak 50% responden
merasa terbantu dengan adanya aplikasi Mobile JKN. Kemudian, terdapat
57% responden yang menerima. Sehingga dapat disimpulkan bahwa
aplikasi Mobile KKN dapat membantu responden dalam mendapatkan
layanan dari BPJS Kesehatan dan pengguna aplikasi BPJS Kesehatan
menerima dengan adanya aplikasi Mobile JKN.
2) Pada penelitian ini, terdapat 2 dari 31 indikator yaitu SI3 dan FC4 dihapus.
Terjadinya penghapusan indikator tersebut peneliti beranggapan bahwa
penggunaan indikator yang kurang tepat. Selain itu, karena sebagian besar
responden diperoleh secara online sebanyak 260 responden (82%), sehingga
memungkinkan terjadinya kesalahan pemahaman pertanyaan bagi
responden karena tidak ada pendampingan secara langsung.
3) Pada penelitian ini, terdapat 7 hipotesis yang ditolak dari 12 hipotesis yang
ada. Berdasarkan uji hipotesis, 7 hipotesis yang ditolak yaitu PEBI,
EEBI, SIBI, SISAT, FCUB, FCSAT, dan TRUBI tidak
memiliki pengaruh yang signifikan. Sehingga ditolaknya hipotesis tersebut
menunjukkan perbedaan hasil dengan penelitian sebelumnya. Perbedaan
164
hasil tersebut peneliti menganggap wajar karena adanya perbedaan objek
penelitian, sampel, dan keterbatasan saat penelitian sehingga menjadi faktor
yang mempengaruhi hasil dari penelitian
4) Terdapat 5 hipotesis yang diterima dari 12 hipotesis yang ada. 5 hipotesis
tersebut yaitu PE SAT, EESAT, TRUSAT, SAT BI, dan BI
UB. Sehingga faktor-faktor yang mempengaruhi penerimaan pengguna
sebagai berikut :
a. Performance Expectancy berpengaruh signifikan terhadap kepuasan
pengguna.
b. Effort Expectancy berpengaruh seignifikan terhadap kepuasan
pengguna
c. Trust berpengaruh signifikan terhadap kepuasan pengguna
d. Satisfaction berpengaruh terhadap penerimaan pengguna
e. Behavioral Intention berpengaruh signifikan terhadap penerimaan
pengguna
Berdasarkan hasil penelitian ini, juga dapat disimpulkan bahwa penelitian ini
telah memberikan kontribusi yaitu :
1) Secara teori, Penelitian ini telah mengembangkan model evaluasi
penerimaan pengguna dengan model UTAUT dengan menambahkan
variabel kepercayaan (Trust) dan kepuasan (Satisfaction). Berdasarkan
penelitian Zou (2012) menyatakan ketika pengguna mempunyai
kepercayaan pada penyedia layanan aplikasi mobile, maka pengguna
percaya bahwa penyedia layanan memiliki kemampuan untuk
165
menyelesaikan masalah. Menurut Cheng et al (2009) Satisfaction biasanya
dipandang sebagai sikap yang dimiliki seseorang yang akan
mempengaruhi niat untuk menggunakan sistem.
2) Secara metodologi, penelitian ini berperan dalam mendorong pemanfaatan
pada penelitian kuantitatif dalam penyusunan skripsi di Program Studi
Sistem Informasi UIN Syarif Hidayatullah Jakarta
3) Secara praktis, hasil penelitian ini dapat menjadi bahan pertimbangan bagi
pihak BPJS Kesehatan dalam rencana pengembangan aplikasi Mobile
JKN.
Selain itu, penelitian ini memiliki keterbatasan yang berpengaruh terhadap
hasil penelitian, dimana penelitian ini kurang optimal. Berikut merupakan
keterbatasan pada penelitian ini :
a. Penelitian ini menggunakan kuantitatif, menghasilkan temuan berupa
angka statistik yang selanjutnya diinterpretasikan menjadi kata-kata.
Kata-kata ini merupakan asumsi atau tanggapan terhadap apa yang
terjadi dalam penelitian ini
b. Pada penelitian ini lebih banyak mendapatkan data melalui online
dibandingkan secara langsung, sehingga terjadi kesalahpehaman
pertanyaan yang dijawab oleh responden karena tidak didampingi secara
langsung.
5.2 Saran
Berdasarkan hasil dari penelitian yang telah dilakukan, adapun saran yang
diberikan yaitu sebagai berikut :
166
1) Bagi penelitian selanjunya diharapkan dapat mempertimbangkan
beberapa hal sebagai berikut :
a. Dalam penyebaran kuesioner lebih baik dilakukan secara langsung
dibandingkan secara online. Sehingga dapat menjelaskan langsung
maksud dari setiap pertanyaan dari kuesioner yang ada sehingga
responden mengerti maksud dari pertanyaan tersebut.
b. Pengambilan data pada penelitian ini hanya terbatas pada
JABODETABEK (Jakarta, Bogor, Depok, Tangerang, dan Bekasi)
karena data pengguna yang peneliti dapatkan dari pihak BPJS bahwa
wilayah JABODETABEK memiliki pengguna terbanyak. Sehingga
untuk peneliti selanjutnya agar mendapatkan data yang lebih banyak
dan mencakup wilayah di Indonesia untuk mendapatkan hasil yang
lebih baik.
c. Melakukan pengajian indikator yang akan digunakan agar
mengurangi penghapusan indikator
d. Melakukan peninjauan kembali terhadap variabel PE, EE, SI, FC,
dan TRU terhadap Behavioral Intention. Karena berdasarkan
analisis penelitian ini, keempat variabel tersebut tidak berpengaruh
terhadap Behavioral Intention.
2) Bagi pihak BPJS Kesehatan sebagai pihak penyedia aplikasi Mobile
JKN, agar dapat terus mengembangkan aplikasi Mobile JKN sesuai
dengan kebutuhan peserta BPJS. Pihak BPJS memberikan kemudahan
dan keuntungan untuk pengguna dalam aplikasi Mobile JKN.
167
Meningkatkan fasilitas yaitu fitur yang mudah dipahami oleh pengguna
dalam menggunakan Mobile JKN. Sehingga pengguna mengerti dengan
fitur-fitur yang ada. Hal ini dapat dilakukan dengan selalu melakukan
perawatan dan meng-update sistem. Sesuai dengan penelitian ini, saran
yang perlu diperhatikan oleh pihak BPJS adalah sebagai berikut :
a. Melihat dari faktor-faktor yang mempengaruhi penerimaan yang
dihasilkan oleh Performance Expectancy, Effort Expectancy, Trust,
Satisfaction, dan Behavioral Intention.
Pada faktor Performance Expectancy perlu dilakukan
peningkatan pelayanan seperti memberikan fitur untuk scanning
berkas data diri kepersetaan BPJS jika ingin melakukan
pengumbahan data diri kepesertaan melalui Mobile JKN sehingga
tidak perlu adanya konfirmasi data langsung ke kantor BPJS. Pada
faktor Effort Expectancy yaitu memberikan kemudahan dalam
mengoperasikan aplikasi Mobile JKN sehingga dapat membuat
pengguna merasa nyaman untuk mengoperasikannya. Pada faktor
Trust yaitu memberikan informasi pelayanan yang akurat sehingga
adanya kesamaan informasi yang ada di aplikasi maupun informasi
pelayanan secara manual. Pada faktor Satisfaction perlu dilakukan
peningkatan kualitas pelayanan seperti pada faktor Performance
Expectancy dan peningkatan informasi layanan seperti pada faktor
Trust. Pada faktor Behavioral Intention perlu dilakukan peningkatan
manfaat atau keuntungan serta kemudahan dalam mendapatkan
168
layanan dengan menggunakan aplikasi Mobile JKN. Hal ini dapat
dilakukan dengan selalu melakukan perawatan dan meng-update
sistem.
b. Memberikan sosialisasi dan dukungan kepada peserta BPJS untuk
menggunakan Mobile JKN. Sehingga semua peserta BPJS
mengetahui adanya Aplikasi Mobile JKN untuk memudahkan
peserta BPJS dalam mendapatkan layanan.
169
DAFTAR PUSTAKA
Abrahão, R. d. S., Moriguchi, S. N., & Andrade, D. F. (2016). Intention of adoption
of mobile payment: An analysis in the light of the Unified Theory of
Acceptance and Use of Technology (UTAUT). RAI Revista de
Administração e Inovação, 13(3), 221-230. doi:
https://doi.org/10.1016/j.rai.2016.06.003
Adell, E. (2009). Acceptance of Driver Support Systems. Proceedings of the
European Conference on Human Centred Design for Intelligent Transport
Systems, 475-486.
Al-Busaidi, K. A., & Alshihi, H. (2010). Instructors' Acceptance of Learning
Management Systems: A Theoretical Framework. Communications of the
IBIMA. doi: 10.5171/2010.862128
Alwahaishi, S., & Snasel, V. (2013). Consumers’ Acceptance and Use of
Information and Communications Technology: A UTAUT and Flow Based
Theoretical Model (Vol. 8).
Anggraeni, E. Y., & Irvani, R. (2017). Pengantar Sistem Informasi. Yogyakarta:
Andi.
Antasari, K. C., & Yaniartha, S. P. D. (2015). Pengaruh Efektivitas Sistem
Informasi Akuntasi dan Penggunaan Teknologi Informasi pada Kinerja
Individual dengan Kepuasan Kerja Variabel Pemoderasi. E-Jurnal
Akuntansi, 354-369%@ 2302-8556.
Arifin, J. (2017). SPSS 24 untuk penelitian dan skripsi. Jakarta: Elex Media
Komputindo.
Babonea, A.-M., & Voicu, M.-C. (2011). Questionnaires Pretesting in Marketing
Research. Challenges of the Knowledge Society, vol 1, 1323-1330.
Bahri, S., & Zamzam, F. (2015). Model Penelitian Kuantitatif Berbasis SEM-
AMOS. Yogyakarta: Deepublish.
170
Bankosegger, D. (2010, 2010//). COOPERS: Driver Acceptance Assessment of
Cooperative Services. Paper presented at the Data and Mobility, Berlin,
Heidelberg.
Blunch, N. J. (2008). introduction to structural equation modelling using SPSS and
AMOS. London, England: SAGE Publications.
Chan, F., Thong, J., Venkatesh, V., A. Brown, S., Jen-Hwa Hu, P., & Tam, K.
(2010). Modeling Citizen Satisfaction with Mandatory Adoption of an E-
Government Technology. Journal of the Association for Information
Systems, 11, 519-549. doi: 10.17705/1jais.00239
Cheng, D., Liu, G., Qian, C., & Fang Song, Y. (2009). User acceptance of internet
banking: An extension of the UTAUT model with trust and quality
constructs. International Journal of Services Operations and Informatics -
Int J Serv Oper Informat, 4. doi: 10.1504/IJSOI.2009.029186
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User
Acceptance of Information Technology. Mis Quarterly, 13(3), 319-340. doi:
10.2307/249008
Davis, F. D. (1993). User acceptance of information technology: system
characteristics, user perceptions and behavioral impacts. International
Journal of Man-Machine Studies, 38(3), 475-487. doi:
https://doi.org/10.1006/imms.1993.1022
Debbie, C. (2003). Pretesting Survey Instruments: An Overview of Cognitive
Methods. Quality of Life Research, 12(3), 229-238.
Dillon, A., & G. Morris, M. (1996). User Acceptance of Information Technology:
Theories and Models (Vol. 31).
Effendi, S., & Tukiran. (2012). Metode Penelitian Survei. Jakarta: LP3ES.
Eriyanto. (2007). Teknik Sampling Analisis Opini Publik. Yogyakarta: LKiS.
F. Hair, J., Gabriel, M., & Patel, V. (2014). AMOS Covariance-Based Structural
Equation Modeling (CB-SEM): Guidelines on its Application as a
Marketing Research Tool. Revista Brasileira de Marketing, 13, 44-55. doi:
10.5585/remark.v13i2.2718
171
Ferdinand, A. (2002). Metode Penelitian Manajemen : Pedoman penelitian untuk
Skripsi, Tesis, dan Desertasi Ilmu Manajemen. Semarang: BP Undip.
Field, A. (2013). Discovering statistics using IBM SPSS statistics: SAGE.
Firdaus, & Zamzam, F. (2018). Aplikasi Metodologi Penelitian. Yogyakarta:
Deepublish.
Ghozali, I. (2008). Structural Equation Modeling, Teori, Konsep dan Aplikasi
dengan program LISREL 8.80. Semarang: Badan Penerbit Universitas
Diponegoro.
Hair, J. F., Black, W. C., Bbabin, B. J., & Anderson, R. E. (2010). Multivariate
Data Analysis, 7th Edition. New Jersey: Pearson Prentice Hall.
Hair, J. F., Black, W. C., Bbabin, B. J., & Anderson, R. E. (2014). Multivariate
Data Analysis, Pearson New International Edition, 7th Edition. USA:
Pearson
Haryono, S., & Wardoyo, P. (2012). Structural Equation Modeling untuk Penelitian
Menajemen Menggunakan AMOS 18.00. Bekasi: Badan Penerbit PT.
Intermedia Personalia Utama.
Hilario, A. L., Oruga, J. D. H., Turqueza, M. P. B., & Hilario, D. V. (2018).
Utilization of clinical pathway on open appendectomy: A quality
improvement initiative in a private hospital in the Philippines. International
journal of health sciences, 12(2), 43-49.
Hormati, A. (2012). Pengujian Model Unified Theory of Acceptance and Use of
Technology dalam Pemanfaatan Sistem Informasi Keuangan Daerah.
Jurnal Akuntansi Multiparadigma. doi: 10.18202/jamal.2012.04.7140
Hutahaean, J. (2014). Konsep Sistem Informasi. Yogyakarta: Deepublish.
Ifinedo, P. (2012, 4-7 Jan. 2012). Technology Acceptance by Health Professionals
in Canada: An Analysis with a Modified UTAUT Model. Paper presented at
the 2012 45th Hawaii International Conference on System Sciences.
Igbaria, M. (1993). User acceptance of microcomputer technology: An empirical
test. Omega, 21(1), 73-90. doi: https://doi.org/10.1016/0305-
0483(93)90040-R
172
Im, I., Hong, S., & Soo Kang, M. (2011). An international comparison of
technology adoption: Testing the UTAUT model. Information &
Management, 48(1), 1-8.
Irianto, A. B. P., Pramono, S. H., & Winarno, W. W. (2015). Evaluasi Model
Pemanfaatan Teknologi Informasi dalam Menunjang Kinerja di PT
Dirgantara Indonesia (Persero). Media Teknika Jurnal Teknologi, 10 No.2.
Jaya, I. (2019). Penerapan Statistik Untuk Penelitian Pendidikan. Jakarta:
Prenadamedia Group.
Jogiyanto. (2008). Metoologi Penelitian Sistem Informasi. Yogyakarta: Andi.
Kaewkitipong, L., Chen, C. C., & Ractham, P. (2016). Using social media to enrich
information systems field trip experiences: Students’ satisfaction and
continuance intentions. Computers in Human Behavior, 63, 256-263. doi:
https://doi.org/10.1016/j.chb.2016.05.030
Kim, D. J., Ferrin, D. L., & Rao, H. R. (2008). A trust-based consumer decision-
making model in electronic commerce: The role of trust, perceived risk, and
their antecedents. Decision Support Systems, 44(2), 544-564. doi:
https://doi.org/10.1016/j.dss.2007.07.001
Komputer, W. (2014). Membangun Aplikasi Mobile Cross Platform dengan
Phonegap. Jakarta: PT Elex Media Komputindo.
Kusumawardani, I. W., Wahyuni, E. D., & Suharso, W. (2018). Analisis
Penerimaan dan Penggunaan Aplikasi Work Order Android Menggunakan
Metode UTAUT Pada PDAM Kota Malang. 1, 82. doi:
10.25273/doubleclick.v1i2.2127
Laudon, K. C., & Laudon, J. P. (2014). Management Information Systems
Managing the Digital Firm Thirteenth edition: Pearson.
Lee, C.-Y., Tsao, C.-H., & Chang, W.-C. (2015). The relationship between attitude
toward using and customer satisfaction with mobile application services: An
empirical study from the life insurance industry. Journal of Enterprise
Information Management, 28(5), 680-697. doi: doi:10.1108/JEIM-07-2014-
0077
173
Lee, C. Y., Tsao, C. H., & Chang, W. C. (2015). The relationship between attitude
toward using and customer satisfaction with mobile application services: An
empirical study from the life insurance industry. Journal of Enterprise
Information Management, 28(5), 680-697. doi: doi:10.1108/JEIM-07-2014-
0077
Lee, D. Y., & Lehto, M. R. (2013). User acceptance of YouTube for procedural
learning: An extension of the Technology Acceptance Model. Computers &
Education, 61, 193-208. doi:
https://doi.org/10.1016/j.compedu.2012.10.001
Lee, Y.-H., Hsieh, Y.-C., & Hsu, C.-N. (2011). Adding Innovation Diffusion Theory
to the Technology Acceptance Model: Supporting Employees' Intentions to
use E-Learning Systems (Vol. 14).
Ling, L. W., Downe, A. G., Ahmad, W. F. W., & Lai, T. T. (2011, 19-20 Sept.
2011). Determinants of computer usage among educators: A comparison
between the UTAUT and TAM models. Paper presented at the 2011 National
Postgraduate Conference.
Loewenstein, G., Friedman, J. Y., McGill, B., Ahmad, S., Linck, S., Sinkula, S., . .
. Volpp, K. G. (2013). Consumers’ misunderstanding of health insurance.
Journal of Health Economics, 32(5), 850-862. doi:
https://doi.org/10.1016/j.jhealeco.2013.04.004
M. Ikart, E. (2019). Survey Questionnaire Survey Pretesting Method: An
Evaluation of Survey Questionnaire via Expert Reviews Technique. Asian
Journal of Social Science Studies, 4, 1. doi: 10.20849/ajsss.v4i2.565
Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An Integrative Model of
Organizational Trust. The Academy of Management Review, 20(3), 709-
734. doi: 10.2307/258792
Moon, B. C., & Chang, H. (2014). Technology acceptance and adoption of
innovative smartphone uses among hospital employees. Healthcare
informatics research, 20(4), 304-312.
174
Nasir, M. (2013). Evaluasi penerimaan teknologi informasi mahasiswa di
Palembang menggunakan model UTAUT. Paper presented at the Seminar
Nasional Aplikasi Teknologi Informasi 2013.
Nisha, N., Iqbal, M., Rifat, A., & Idrish, S. (2016). Exploring the Role of Service
Quality and Knowledge for Mobile Health Services. International Journal
of E-Business Research, 12, 45-64. doi: 10.4018/IJEBR.2016040104
Oliver, R. L. (1981). Measurement and evaluation of satisfaction processes in retail
settings. Journal of Retailing, 57(3), 25-48.
Payadnya, I. P. A. A., & Jayantika, I. G. A. N. T. (2018). Panduan Penelitian
Eksperimen beserta Analisis Statistik dengan SPSS. Yogyakarta:
Deepublish.
Pramana, H. (2005). Aplikasi Penjualan berbasis Access. Jakarta: Elex Media
Komputindo.
Rachmadi, D. G., Sunarto, D., & Mastan, I. A. (2016). Measurement Acceptance
of UWKS Academic Smart Mobile Applications Using UTAUT (Unified
Theory of Acceptance and Use of Technology). Jurnal Sistem Informasi dan
Komputer Akuntansi, 5, No. 11.
Rao, S., & Troshani, I. (2007). A conceptual framework and propositions for the
acceptance of mobile services. J. Theor. Appl. Electron. Commer. Res., 2(2),
61-73.
Revels, J., Tojib, D., & Tsarenko, Y. (2010). Understanding consumer intention to
use mobile services. Australasian Marketing Journal (AMJ), 18(2), 74-80.
Reynolds, N., Diamantopoulos, A., & Schlegelmilch, B. (1993). Pre-Testing in
Questionnaire Design: A Review of the Literature and Suggestions for
Further Research. Market Research Society. Journal., 35(2), 1-11. doi:
10.1177/147078539303500202
RI, K. K. (2013). Buku Saku FAQ (Frequently Asked Questions) BPJS Kesehatan
(JKN-KIS). Jakarta: Kementerian Kesehatan RI.
Rogers, E. M. (1983). Diffusion of innovations. New York; London: Free Press ;
Collier Macmillan.
175
Saleem, Z., & Rashid, K. (2011). Relationship between Customer Satisfaction and
Mobile Banking Adoption in Pakistan. 2, 537-544. doi:
10.7763/IJTEF.2011.V2.162
Salim, B. (2012). An Application of UTAUT Model for Acceptance of Social
Media in Egypt: A Statistical Study. International Journal of Information
Science, 2, 92-105. doi: 10.5923/j.ijis.20120206.05
Samaradiwakara, G. D. M., & Chandra, G. (2014). Comparison of existing
technology acceptance theories and models to suggest a well improved
theory/model (Vol. 1).
Santoso, S. (2018). Konsep Dasar dan Aplikasi SEM dengan Amos 24. Jakarta: Elex
Media Komputindo.
Saputra, E. (2014). Analisis Penerimaan Sistem Informasi Manajemen Rumah Sakit
Umum Daerah Bankinang Menggunakan Metode Technology Acceptance
Model (TAM). 2014, 10(2), 7.
Sarja, N. (2015). Analisis Penerimaan Sistem Informasi Dosen Menggunakan
Technology Acceptance Model (TAM). Seminar Nasional Informatika.
Sarwono, J. (2013). Statistik Multivariat Aplikasi untuk Riset Skripsi. Yogyakarta:
Andi.
Sharma, S. K., Al-Badi, A., Rana, N. P., & Al-Azizi, L. (2018). Mobile applications
in government services (mG-App) from user's perspectives: A predictive
modelling approach. Government Information Quarterly, 35(4), 557-568.
doi: https://doi.org/10.1016/j.giq.2018.07.002
Siregar, S. (2013). Metode Penelitian Kuantitatif: Dilengkapi dengan
Perbandingan Perhitungan Manual & SPSS Edisi Pertama. Jakarta:
Penerbit Kencana.
Subiyakto, A. a., Ahlan, A. R., Kartiwi, M., & Putra, S. J. (2016). Measurement of
the information system project success of the higher education institutions
in Indonesia: a pilot study. IJBIS, 23 No. 2, 229-247. doi:
10.1504/IJBIS.2016.078908
Subiyakto, A. a., Ahlan, A. R., Kartiwi, M., & Sukmana, H. (2015). Measurement
of Information System Project Success Based on Perceptions of the Internal
176
Stakeholders. International Journal of Electrical and Computer
Engineering (IJECE), 5 No.2, 271-279.
Suharsono, & Retnonigsih, A. (2012). Kamus Besar Bahasa Indonesia Edisi Lux.
Semarang: Widya Karya.
Suki, N. M., & Suki, N. M. (2017). Determining students’ behavioural intention to
use animation and storytelling applying the UTAUT model: The moderating
roles of gender and experience level. The International Journal of
Management Education, 15(3), 528-538. doi:
https://doi.org/10.1016/j.ijme.2017.10.002
Suping, H., & Yizheng, S. (2010). Factors influencing user acceptance of Online
Banking. International Conference on Logistics Systems and Intelligent
Management (ICLSIM), 1, 315-318. doi: 10.1109/ICLSIM.2010.5461412
Supriyadi, E. (2014). SPSS+AMOS Statistical Data Analysis. Jakarta: In Media.
Suryani, & Hendryadi. (2016). Metode Riset Kuantitatif : Teori dan Aplikasi Pada
Penelitian Bidang Manajemen dan Ekonomi Islam. Jakarta: Prenadamdia
Group.
Suzanto, B., & Sidharta, I. M. T. (2015). Pengukuran End-User Computing
Satisfaction Atas Penggunaan Sistem Informasi Akademik. Jurnal
Ekonomi, Bisnis & Enterpreneurship, 9 No.1, 16-28.
Swanson, W. B. (1988). Information System Implementation: Bridging the Gap
Between Design and Utilization Homewood: IRWIN,Inc.
Taherdoost, H. (2018). A review of technology acceptance and adoption models
and theories. Procedia Manufacturing, 22, 960-967. doi:
https://doi.org/10.1016/j.promfg.2018.03.137
Ting, G., & Yanhong, D. (2012, 22-24 June 2012). A study on users' acceptance
behavior to mobile e-books application based on UTAUT model. Paper
presented at the 2012 IEEE International Conference on Computer Science
and Automation Engineering.
V Perneger, T., Courvoisier, D., Hudelson, P., & Gayet-Ageron, A. (2014). Sample
size for pre-tests of questionnaires. Quality of life research : an
177
international journal of quality of life aspects of treatment, care and
rehabilitation, 24. doi: 10.1007/s11136-014-0752-2
Venkatesh, V., G Morris, M., B Davis, G., & Davis, F. (2003). User Acceptance of
Information Technology: Toward a Unified View. Mis Quarterly, 27, 425-
478. doi: 10.2307/30036540
Venkatesh, V., Thong, J., & Xu, X. (2016). Unified Theory of Acceptance and Use
of Technology: A Synthesis and the Road Ahead. Journal of the Association
for Information Systems, 17, 328–376. doi: 10.17705/1jais.00428
Venkatesh, V., & Zhang, X. (2010). Unified Theory of Acceptance and Use of
Technology: U.S. Vs. China. Journal of Global Information Technology
Management, 13(1), 5-27. doi: 10.1080/1097198X.2010.10856507
Wang, H.-Y., & Wang, S.-H. (2010). User acceptance of mobile internet based on
the unified theory of acceptance and use of technology: Investigating the
determinants and gender differences. Social Behavior and Personality: An
International Journal, 38(3), 415-426. doi: 10.2224/sbp.2010.38.3.415
Wibisono, D. (2013). Riset BisnisPanduan bagi Praktisi dan Akademisi. Jakarta:
Gramedia Pustaka Utama.
Widarjono, A. (2015). Analisis Multivariat Terapan dengan SPSS, AMOS, dan
SMARTPLS. Yogyakarta: UPP STI YKPN.
Widi, R. K. (2010). Asas Metodologi Penelitian. Jakarta: Graha Ilmu.
Widiani, Y. N., & Abdullah, A. (2018). Kualitas Pelayanan E-Government Melalui
Aplikasi E-Filing Kantor Pelayanan Pajak Pratama Bandung Cibeunying
Terhadap Kepuasan Pengguna Aplikasi. Jurnal Riset Bisnis dan
Manajemen, 11(2), 88-96. doi: 10.23969/jrbm.v11i2.721
Widyapraba, E., Susanto, T. D., & Herdiyanti, A. (2016). Analisis Faktor-Faktor
yang Mempengaruhi Niat Pengguna untuk Menggunakan Aplikasi Daftar
Online Rumah Sakit (Studi Kasus : RSUD Gambiran Kediri. Seminar
Nasional Sistem Informasi, 163-172.
Willy, A. (2018). Metode Penelitian Terpadu Sistem Informasi Pemodelan Teoritis,
Pengukuran, dan Pengujian Statistis. Yogyakarta: Andi.
178
Yang, S.-C., & Farn, C.-K. (2009). Social capital, behavioural control, and tacit
knowledge sharing—A multi-informant design. International Journal of
Information Management, 29(3), 210-218. doi:
https://doi.org/10.1016/j.ijinfomgt.2008.09.002
Yoep, M. A., & Noh, N. M. (2016). Blended Learning: Literature Review on The
Acceptance Factors of the Teachers Based on Acceptance Models. Journal
of Research, Policy & Practice of Teachers & Teacher Education, 6 No.1,
67-85.
Yusuf, A. M. (2014). Metode Penelitian : Kuantitatif, Kualitatif, dan Penelitian
Gabungan
Jakarta: Kencana.
Zhou, T. (2012). Examining location-based services usage from the perspectives of
unified theory of acceptance and use of technolog and privacy risk. Journal
of Electronic Commerce Research, 13, 135-144.
LAMPIRAN
LAMPIRAN 1
KUESIONER PENELITIAN
Kepada Yth.
Bapak/Ibu/Sudara/i
Pengguna Aplikasi Mobile JKN
JABODETABEK
di- Tempat
Assalamua’laikum Wr. Wb.
Dengan hormat,
Saya Pratiwi Hanjani Putri, salah satu mahasiswa di Program Studi
Sistem Informasi, Universitas Islam Negeri Syarif Hidayatullah
Jakarta yang sedang melaksanakan penelitian skripsi yang berjudul
: “Analisis Penerimaan Pengguna terhadap Aplikasi Mobile JKN
Badan Penyelenggaran Jaminan Sosial Kesehatan dengan Metode
Unified Theory of Acceptance and Use of Technology”.
Sehubungan dengan pelaksanaan penelitian tersebut, mohon
bantuan partisipasi Bapak/Ibu/Saudara untuk mengisi kuesioner
penelitian sekitar 5-10 menit. Saya menjamin bahwa data penelitian
ini dirahasiakan dan hanya akan digunakan untuk tujuan penelitian
tersebut.
Demikian, besar harapan saya Bapak/Ibu/Saudara bersedia
membantu untuk mengisi kuesioner tersebut. Atas bantuan dan
kerjasamanya saya ucapkan terima kasih.
Wassalamu’alaikum Wr.Wb.
Mengetahui Jakarta, Maret 2019
a.n Dosen Pembimbing I Peneliti
Dosen Pembimbing II
A’ang Subiyakto, M.Kom, PhD Pratiwi Hanjani Putri
NIP. 19760219 200710 1 002 NIM. 11150930000025
No. _____
KUESIONER PENELITIAN
A. PROFIL RESPONDEN
Jawablah dengan memberikan tanda (✓) pada salah satu jawaban yang tersedia.
1. Nama : ____________________________
2. Email/ No.Telp : ____________________________
3. Jenis Kelamin : Laki-laki Perempuan
4. Domisili BPJS : Jakarta Bogor Depok Tangerang Bekasi
5. Usia : 20-30 tahun 31-40 tahun 41-50 tahun 51-60 tahun
6. Pendidikan Terakhir : SLTA Diploma S1 S2 S3
7. Pekerjaan : 7. Pelajar / Mahasiswa
PNS/TNI/POLRI
Karyawan
Wiraswasta
Lainnya ______________
8. Secara keseluruhan, apakah dengan adanya aplikasi mobile JKN dapat membantu dalam
mendapatkan layanan?
Sangat membantu
Membantu
Tidak tahu
Tidak membantu
Sangat tidak membantu
9. Secara umum, apakah anda menerima aplikasi mobile JKN?
Sangat Menerima
Menerima
Tidak tahu
Tidak menerima
Sangat Tidak Menerima
B. PENERIMAAN PENGGUNA PADA APLIKASI MOBILE JKN
Nyatakan pendapat anda dengan memberikan tanda (✓) pada salah satu skala berikut
Skala Keterangan Singkatan
1 Sangat Tidak Setuju STS
2 Tidak Setuju TS
3 Netral N
4 Setuju S
5 Sangat Setuju SS
B.1 Performance Expectancy (Harapan Kinerja)
Sejauh mana penggunaan Aplikasi Mobile JKN dalam membantu Kinerja dalam mendapatkan layanan
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
10. Aplikasi menghemat waktu dan usaha saya dalam mendapatkan layanan JKN
11. Aplikasi memungkinkan saya untuk mendapatkan layanan yang lebih cepat
12. Aplikasi bermanfaat dalam mengakses layanan JKN
13. Aplikasi meningkatkan produktivitas layanan JKN
B.2 Effort Expectancy (Harapan Usaha)
Sejauh mana penggunaan Aplikasi Mobile JKN dapat memberikan kemudahan pengguna dalam
mendapatkan layanan
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
14. Aplikasi mudah dimengerti dalam pengguaannya
15. Aplikasi tidak membutuhkan keterampilan khusus dalam penggunaannya
16. Aplikasi mudah digunakan
17. Aplikasi mudah dipelajari
B.3 Social Influence (Pengaruh Sosial)
Sejauh mana pengaruh sosial untuk menggunakan Aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
18. Saya menggunakan aplikasi karena pengaruh pihak BPJS
19. Saya menggunakan aplikasi dengan dukungan dari penyedia (BPJS)
20. Saya menggunakan aplikasi karena pengaruh sosial media atau media massa
B.4 Facilitating Condition (Kondisi Memfasilitasi)
Sejauh mana pengaruh kondisi memfasilitasi dalam menggunakan Aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
21. Saya memiliki sumber daya yang diperlukan untuk menggunakan aplikasi
22. Saya memiliki pengetahuan yang diperlukan untuk menggunakan aplikasi
23. Saya menggunakan aplikasi sesuai dengan petunjuk teknis yang disediakan
24. Saya menggunakan aplikasi dengan bantuan pihak BPJS dan orang lain
B.5 Trust (Kepercayaan)
Sejauh mana Kepercayaan pengguna dalam menyediakan layanan di Aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
25. Saya percaya layanan pada aplikasi
26. Saya percaya aplikasi memberikan layanan yang baik
27. Saya percaya aplikasi memberikan layanan yang asli
28. Saya percaya aplikasi melindungi privasi pengguna dengan baik
B.6 Satisfaction (Kepuasan)
Sejauh mana harapan dan pengalaman pengguna dalam menggunakan aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
29. Saya dapat memenuhi kebutuhan dengan menggunakan aplikasi
30. Saya merasa puas setelah menggunakan aplikasi
31. Saya merasa puas dengan Pihak BPJS untuk menyediakan aplikasi
32. Saya mendapatkan layanan sesuai dengan harapan
33. Saya merasa puas dengan layanan aplikasi
B.7 Behavioral Intention (Niat Perilaku)
Sejauh mana niat pengguna untuk menggunakan Aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
34. Saya berniat untuk terus menggunakan aplikasi kedepannya
35. Saya akan selalu mencoba untuk menggunakan aplikasi
36. Saya berencana untuk menggunakan aplikasi dibulan depan
37. Saya merekomendasikan penggunaan aplikasi kepada orang lain
B.8 Use Behavior (Perilaku Penggunaan)
Sejauh mana perilaku pengguna dalam menggunakan Aplikasi Mobile JKN
No. Pertanyaan 1 2 3 4 5
STS TS N S SS
38. Saya sering menggunakan aplikasi
39. Saya senang menggunakan aplikasi
40. Saya selalu menggunakan aplikasi
LAMPIRAN 2
TRANSKRIP WAWANCARA
Transkrip Wawancara
Narasuber : Ibu Upik Handayani
Jabatan : Deputi Bidang Pengendalian Mutu Pelayanan BPJS Kesehatan
Pewawancara : Pratiwi Hanjani Putri
Tanggal : 27 Februari 2018
Tempat : BPJS Kesehatan Kantor Pusat
Bagaimana latar belakang dirancanganya Mobile JKN?
Jawab :
Latar belakang dirancangnya Mobile JKN untuk memberikan layanan tetapi melalui
smartphone jadi peserta tidak perlu datang ke kantor cabang terdekat untuk
mendapatkan layanan
Apa kelebihan adanya Mobile JKN?
Jawab :
Kelebihan adanya mobile JKN yaitu peserta mendapatkan kebutuhan pelayanan seperti
pendaftaran, perubahan data, kemudahan dalam menyampaikan pengaduan,
mendapatkan informasi dapat diakses melalui Mobile JKN yang tidak perlu datang ke
kantor.
Apa tujuan adanya Mobile JKN?
Jawab :
Meningkatkan kepuasan, menyederhanakan proses, kemudahan dan kecepatan dalam
mendapatkan layanan
Apakah menurut Ibu selama ini Mobile JKN berjalan dengan baik?
Jawab :
So far sih, sudah sangat banyak membantu kepada peserta, jadi balik lagi untuk
memberikan layanan melalui digital sehingga semuanya tidak perlu datang ke kantor
cabang. Karena image BPJS yang katanya mengurus data atau mendapatkan pelayanan
itu lama dan ngantri di kantor cabang jadinya peserta dapat mengakses Mobile JKN
Apakah aplikasi ini masih mempunyai kekurangan?
Jawab :
Fitur-fitur aplikasi mobile JKN tidak bisa diganti data setiap hari. Misalkan untuk
mengganti Faskes tidak bisa diganti setiap hari seperti mobil banking yang setiap hari
bisa melakukan transaksi setiap harinya. Sehingga fitur apa yang meningkatkan
kebermanfaatan aplikasi mobile JKN.
Apakah selama ini ada keluhan dari pengguna aplikasi terhadap Aplikasi Mobile JKN?
Jawab :
Untuk keluhan sendiri pada saat registrasi pengguna Mobile JKN yang datanya tidak
sama dengan data yang di BPJS, karena kemungkinan itu terjadi kesalahan pada awal
pembuatan BPJS. Kemudian perubahan data yang berupa administrasi tidak semuanya
bisa diubah di Aplikasi Mobile jkn sehingga peserta perlu datang ke kantor BPJS.
Apakah selama ini aplikasi Mobile JKN pernah dievaluasi pada sisi penerimaan
pengguna?
Jawab :
Untuk evaluasi dalam sisi penerimaan pengguna belum pernah
Selama diimplementasikan, apakah aplikasi ini mempunyai kendala-kendala?
Jawab :
Kendala pada segmentasi sasaran. Biasanya tergantung juga dengan aksesibilitas
jaringan internet. Kalo masalah jaringan internet itu bukan masalah internalnya BPJS,
misalkan wilayah yang jauh dan susah signal merupakan kendala pertama. Aplikasi ini
peruntukannya tidak terlalu optimal jika didaerah yang jaringannya sulit. Yang kedua
spesifikasi smartphonenya dari peserta. Yang terakhir merangkul kebermanfaatan
aplikasi pada pengguna atau konsistensinya. Kemudian fitur-fitur yang harus
dikembangkan lagi biasanya seperti perubahan data dari sisi administrasi masih banyak
yang harus dilakukan di kantor cabang karena kebijakan dan regulasi bagaimana
caranya itu dapat dilakukan di Mobile JKN.
Apakah ada sosialisasi Mobile JKN?
Jawab:
Itu merupakan program rutin, jadi setiap event atau acar dengan stakeholder lain
sehingga kita sekaligus mensosialisasikan Mobile JKN.
Ada apa saja selain Mobile JKN disini?
Jawab :
Untuk aplikasi platform itu Mobile JKN untuk channel pelayanan Call Care Center
1400500
Dokumentasi Wawancara
LAMPIRAN 3
DATA PENGGUNA MOBILE JKN
Data Responden Mobile JKN JABODETABEK per 2 Jjanuari 2019
Data Responden Mobile JKN per 2 Jjanuari 2019
LAMPIRAN 4
DATA 318 RESPONDEN
Data 318 Responden
PE
1
PE
2
PE
3
PE
4
EE
1
EE
2
EE
3
EE
4
SI
1
SI
2
SI
3
FC
1
FC
2
FC
3
FC
4
4 5 5 4 5 4 5 5 3 5 5 5 5 5 1
4 4 5 5 5 4 4 5 4 4 5 4 3 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 5 3 4 4 4 4 4
2 3 2 3 3 4 3 3 4 3 3 2 2 2 2
4 4 4 4 4 4 5 5 2 3 5 3 3 3 3
4 3 3 3 3 4 5 5 4 4 4 2 4 4 2
3 4 3 4 2 4 3 4 1 3 1 4 4 4 1
2 2 3 2 4 4 4 4 1 2 3 4 4 4 1
4 4 4 4 3 3 3 3 4 3 3 4 3 3 4
5 2 3 3 5 5 5 5 5 5 1 3 5 3 1
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 4 4 4 4 3 4 4 2 3 4 4 4 4 2
3 4 5 4 3 2 3 3 1 1 4 4 4 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 3 3 3 3 3 3 4 4 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 5 4 4 4 4 5 5 2 4 4 4 4 4 1
4 4 4 4 4 3 3 3 3 3 4 4 4 4 2
1 5 5 3 3 3 3 3 3 3 3 3 3 3 3
2 2 4 3 2 3 4 3 4 4 2 3 2 4 4
2 2 4 2 4 3 4 3 4 4 1 3 3 4 2
4 5 4 4 4 4 4 4 4 5 5 4 4 5 4
5 5 4 5 4 5 5 5 5 5 2 5 4 5 5
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 2 2 2 4 4 4 4
4 5 4 4 5 5 5 4 1 4 5 4 4 4 2
4 5 4 4 5 5 5 4 1 4 5 4 4 4 2
4 4 3 4 5 4 3 4 3 4 4 4 4 5 3
4 5 4 5 5 5 4 4 3 4 4 4 4 5 1
4 4 4 4 4 5 4 5 4 4 2 5 5 5 2
4 4 4 4 4 5 4 4 4 3 2 4 5 5 1
4 4 3 5 5 4 4 3 4 4 2 3 4 4 2
5 4 4 4 4 4 4 4 4 4 2 4 4 4 3
5 4 4 4 5 5 5 5 5 4 1 4 5 5 4
2 2 3 2 3 4 4 3 4 2 2 5 3 3 2
2 2 3 2 4 5 4 3 4 3 2 4 4 4 1
2 2 3 2 4 4 3 4 3 2 4 3 3 4 4
4 4 4 4 4 4 5 5 4 5 2 4 4 5 1
4 5 4 4 4 4 5 5 4 5 2 4 5 5 2
2 2 3 4 3 3 4 4 1 3 5 4 4 4 5
2 2 2 2 4 4 4 4 4 4 3 3 4 4 2
4 4 4 4 5 4 4 4 5 4 1 4 3 3 2
4 4 5 5 4 4 4 4 4 4 2 4 3 3 2
4 4 5 5 4 4 5 5 4 4 2 5 4 4 1
5 4 4 4 5 5 4 5 4 4 2 5 4 4 2
5 4 4 4 5 5 5 5 4 4 3 4 4 4 2
5 4 4 4 4 5 5 4 5 5 1 4 3 4 3
4 4 4 4 5 5 4 4 4 4 4 5 5 5 2
4 4 4 4 5 4 5 5 4 5 4 4 4 4 4
4 5 4 4 5 4 5 5 5 4 2 4 4 5 4
4 5 4 4 5 5 4 4 2 2 5 3 5 4 4
2 2 3 3 4 4 4 4 2 2 4 3 4 3 4
4 5 4 4 5 5 5 5 4 4 3 4 4 4 4
4 4 4 4 5 5 4 4 4 4 2 4 4 4 2
2 2 2 3 4 4 3 4 2 1 2 4 4 3 1
4 3 3 4 3 3 4 4 3 4 4 4 4 4 3
5 5 5 5 2 2 2 3 2 2 4 4 4 4 2
4 4 4 4 4 4 4 4 4 4 2 2 2 4 2
5 4 4 5 5 5 5 5 3 2 2 5 5 2 2
3 2 4 2 5 4 5 5 2 3 4 5 5 5 2
5 4 4 5 4 4 5 5 4 5 4 4 5 5 5
4 4 4 4 4 4 4 4 4 4 5 4 4 5 4
4 4 4 4 4 4 4 4 2 2 4 4 2 4 2
4 4 5 5 5 4 5 5 3 3 3 3 4 5 4
3 2 4 4 2 2 4 4 2 3 3 3 4 3 3
4 3 4 3 4 3 4 4 2 2 4 4 4 4 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 3 3 3 3 3 3 3 3 3 3 3
4 4 4 3 4 3 4 3 2 2 2 3 3 3 2
5 5 5 5 5 3 5 5 5 5 4 5 5 5 4
4 5 5 3 4 4 4 4 2 2 2 4 4 4 3
4 4 4 4 4 4 4 4 2 4 2 4 4 4 2
4 4 4 4 3 3 4 4 3 4 4 4 4 4 4
4 5 4 4 4 4 4 3 4 3 5 4 4 4 4
2 2 3 2 2 2 2 3 2 2 2 4 4 4 2
4 4 4 4 4 3 3 3 4 4 3 4 3 4 3
4 3 3 4 4 4 4 4 2 2 4 4 2 4 2
5 4 5 4 5 4 4 4 5 4 2 4 5 2 1
4 4 4 4 4 4 4 4 2 4 4 4 4 4 3
4 3 4 4 4 5 4 5 2 2 4 5 5 4 2
4 4 4 4 4 4 4 4 4 4 4 3 4 4 2
4 5 5 5 5 4 5 4 5 5 5 4 5 5 4
3 2 3 3 4 4 4 4 3 3 4 4 4 4 3
4 3 4 3 4 4 4 4 2 2 4 3 4 3 2
5 5 5 5 5 4 5 5 3 5 5 5 5 5 5
4 4 4 4 4 3 4 4 4 4 3 3 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 4 4 4 4 4 4 4 3 3 4 4 5 5 2
4 3 4 3 3 3 3 3 2 2 3 4 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 3 4 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 3 5 4 4 3 3 4 4 3 3 4
3 4 4 3 2 3 3 3 3 3 4 2 4 2 3
3 3 3 3 3 3 4 4 3 3 3 3 3 3 3
4 5 4 5 4 4 4 4 4 4 4 4 3 4 4
3 3 3 3 3 3 3 3 4 4 4 3 3 3 3
5 5 5 5 4 4 5 5 5 5 5 4 4 5 3
4 2 2 2 4 4 4 4 2 2 4 5 5 5 2
4 3 4 3 3 5 4 3 4 3 4 5 5 4 1
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 5 5 4 5 4 5 4 4 5 3 3 4 4
3 3 4 4 4 4 4 4 2 2 3 3 3 3 2
3 4 3 4 3 4 3 2 2 3 4 4 4 4 2
3 3 4 4 4 4 4 4 4 4 3 4 4 4 4
4 5 5 4 4 3 4 4 2 2 3 4 4 4 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 3
4 4 4 4 4 3 4 3 2 4 3 2 3 4 2
5 5 5 5 5 5 5 5 3 3 5 5 5 5 3
4 4 4 4 3 4 4 3 4 4 4 3 3 4 4
4 4 4 4 4 4 4 4 4 3 2 4 4 4 3
5 5 5 4 5 5 5 5 4 4 5 4 4 5 5
3 3 4 4 3 3 4 3 4 4 4 4 4 5 4
3 3 4 4 3 4 3 3 3 4 4 4 5 4 4
4 4 4 4 4 2 4 4 4 4 2 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 3 4 4 4 3 3 4 3 4 3 3 3 4 4
4 4 4 4 4 4 3 3 4 3 3 3 4 4 2
5 5 5 4 4 4 5 5 4 4 4 4 4 4 4
4 4 3 2 4 3 4 4 4 3 2 3 3 4 2
4 4 4 4 3 3 3 3 3 4 3 3 3 4 4
3 3 3 3 4 4 4 4 2 2 4 3 3 4 3
3 2 4 2 3 3 3 3 3 4 4 4 3 3 3
5 5 5 5 4 3 4 4 5 5 5 5 5 5 2
3 3 5 4 4 5 4 2 1 2 4 4 5 4 2
3 3 3 3 3 3 3 3 2 2 2 2 3 3 3
5 5 5 5 4 5 5 5 4 4 4 4 4 4 4
4 4 4 3 4 2 3 3 4 3 3 4 4 3 2
4 4 4 3 4 2 3 3 4 3 3 4 4 3 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 5 5 5 4 4 4 4
5 5 5 5 4 5 5 5 4 4 3 4 5 5 3
5 5 5 5 4 5 5 5 4 4 3 4 5 5 3
4 3 4 3 4 5 4 4 1 2 4 4 5 5 1
2 2 4 2 4 4 4 4 2 4 4 4 4 4 2
4 4 4 3 3 4 4 3 3 2 3 4 3 3 2
5 5 5 4 5 5 5 5 5 5 3 5 5 5 5
5 5 5 5 5 5 5 5 5 5 1 5 5 5 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 3 3 4 4 4 4 5 5 1 5 5 4 3
4 3 4 4 3 3 3 2 4 4 1 3 3 3 2
3 3 4 4 4 4 4 4 2 3 5 4 4 4 2
4 4 4 3 3 3 3 4 2 4 3 3 3 4 4
4 3 4 3 4 4 5 4 3 3 4 4 4 4 3
5 5 5 5 4 3 4 4 4 4 2 4 4 3 4
5 5 5 5 5 5 5 4 5 5 2 4 5 4 4
5 2 4 4 4 2 2 4 2 4 1 4 5 5 2
3 3 5 4 5 5 5 5 5 5 2 5 5 5 2
4 4 4 4 4 4 4 4 3 3 3 4 4 4 3
4 4 4 3 3 4 4 4 3 3 3 3 4 3 2
4 4 4 3 3 4 4 4 3 3 3 3 4 3 2
3 3 4 4 2 3 4 4 4 3 4 3 4 4 3
3 2 2 2 5 5 5 5 4 4 2 4 4 4 2
4 2 3 2 4 3 4 4 1 3 4 4 4 4 1
3 5 4 3 3 3 3 4 4 4 2 4 4 4 3
1 2 2 2 1 3 5 5 3 3 4 5 5 3 5
5 5 5 5 5 5 5 5 3 3 1 5 5 5 3
4 3 5 4 4 3 5 5 4 5 5 4 5 5 4
4 4 4 4 4 3 4 4 2 3 3 4 4 4 1
5 5 4 5 5 5 5 5 5 5 5 5 5 5 5
5 4 5 5 5 5 4 5 3 3 4 5 5 5 2
4 3 4 4 4 4 5 5 3 4 4 4 5 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 3 4 4 4 4 4 4 2 2 2 4 4 4 2
5 5 5 5 5 3 4 4 2 2 2 4 5 5 2
4 3 5 4 4 4 4 4 3 4 2 4 4 4 2
3 3 4 3 4 4 4 4 5 5 3 4 4 4 1
4 3 4 3 4 2 4 3 4 4 1 5 5 3 2
3 3 4 3 5 5 5 5 3 2 2 5 5 5 1
5 5 4 5 3 4 5 3 3 3 2 4 4 4 3
4 4 4 4 4 4 4 4 5 4 4 4 5 5 4
4 5 4 4 4 5 4 4 4 5 4 5 5 4 5
4 3 4 3 3 4 3 4 4 3 3 3 4 4 2
5 4 4 4 4 5 5 5 3 4 3 5 5 5 1
5 5 5 5 5 5 5 5 1 5 1 5 5 5 1
5 4 4 4 4 2 4 4 2 4 4 4 4 4 4
1 2 2 2 2 3 2 3 1 2 4 2 2 2 1
5 5 5 5 4 3 5 5 5 5 3 4 5 5 5
4 4 4 3 3 2 4 3 3 3 4 4 3 4 3
5 5 5 4 4 5 5 5 5 4 2 5 5 5 5
4 5 4 4 4 4 3 4 4 5 4 2 3 4 4
5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
4 4 4 4 4 5 5 5 5 4 5 4 4 4 4
4 4 4 4 4 4 5 5 4 4 3 4 4 4 4
2 2 3 2 3 4 4 3 2 3 1 4 5 3 1
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 4 3 4 2 2 4 2 2 2 3 3 3 4
3 3 3 3 5 5 5 5 4 5 1 5 5 5 1
4 4 4 4 4 4 4 4 3 4 3 4 4 4 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
2 2 4 4 4 4 4 4 3 3 2 4 4 3 2
4 4 4 3 4 4 4 4 3 4 4 4 4 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 3 3 4 3 4 4 3
4 3 5 3 5 5 5 5 4 4 4 3 4 4 4
2 2 2 2 3 3 3 3 1 1 2 2 2 2 2
4 3 5 5 3 3 5 4 1 1 3 3 3 3 2
4 4 4 4 4 4 4 4 2 2 2 3 3 3 3
5 5 4 4 5 5 5 5 2 3 4 3 4 4 1
2 2 2 3 4 4 5 5 2 3 2 3 4 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 3 4 3 2 4 4 4 2 2 4 4 4 4 4
5 5 5 5 4 4 5 5 4 4 4 4 4 4 4
5 5 5 5 5 1 5 5 1 3 3 4 4 4 3
2 3 3 3 3 4 4 4 2 3 4 3 4 4 2
5 5 5 5 4 4 4 4 4 4 1 4 4 4 1
3 1 3 2 4 4 4 4 4 2 2 2 3 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 5 4 4 3 4 4 4 2
4 4 5 4 5 5 4 5 3 4 5 5 4 4 3
5 4 5 4 5 5 5 5 4 3 4 5 5 5 1
5 5 5 5 4 3 4 4 3 4 3 5 5 5 3
4 4 4 4 4 3 4 4 3 5 1 5 5 4 2
2 3 3 1 3 5 4 4 2 2 2 4 5 4 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 4 4 4 4 4 4 4 3 3 3 4 4 4 4
3 4 4 4 4 4 4 4 3 3 3 4 4 4 3
5 5 5 5 4 4 4 4 2 2 2 4 4 4 1
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 5 5 5 4 4 4 4 4 4 4 4 4 4 1
4 4 4 4 5 5 5 4 2 3 4 4 3 4 2
4 4 4 4 4 3 4 3 1 2 3 4 4 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 4 4 5 4 5 5 3 4 4 5 5 5 5
2 2 2 2 4 4 4 4 2 2 3 4 4 4 4
5 5 5 5 5 5 5 5 2 4 2 3 4 3 3
3 2 4 2 3 4 3 4 2 2 3 3 4 4 2
4 4 4 4 4 4 5 5 3 4 4 4 4 4 4
3 3 4 4 4 4 4 4 4 3 4 4 3 3 3
4 3 5 5 4 4 5 5 3 3 3 3 3 3 2
5 4 4 4 4 4 5 5 2 4 2 4 5 4 1
5 3 4 4 3 4 4 4 4 4 1 5 4 5 2
4 4 4 4 5 2 3 3 1 1 3 4 4 3 1
1 1 4 1 5 5 5 5 2 4 1 5 5 5 1
4 4 4 2 5 5 4 4 2 2 2 5 5 5 2
4 4 4 4 4 4 4 4 1 3 4 4 4 4 1
3 3 3 2 3 3 3 3 1 3 3 3 3 3 2
4 3 5 4 5 5 5 5 2 2 4 5 5 5 2
3 2 3 3 5 5 5 5 1 1 1 5 5 5 1
5 4 5 5 3 4 4 4 5 5 3 5 3 5 1
4 4 4 4 3 4 3 3 5 4 1 4 3 3 3
2 2 3 2 4 3 3 3 2 2 3 3 3 3 2
3 3 3 3 4 3 3 3 5 5 1 5 4 4 3
5 4 5 3 5 3 4 4 3 3 3 4 4 4 4
2 2 4 4 4 4 4 4 5 5 4 4 4 4 2
1 1 2 1 4 3 4 4 1 1 1 3 5 3 1
4 5 5 5 5 5 5 5 3 4 3 5 4 5 3
2 2 3 3 2 3 3 2 2 2 2 1 3 3 2
4 4 4 4 4 4 4 4 2 2 2 4 4 2 2
5 4 4 3 2 2 2 2 2 2 5 5 4 4 2
4 4 4 3 5 5 5 5 3 3 5 3 3 5 1
4 4 4 2 4 4 4 4 2 4 4 4 4 4 4
3 2 2 3 2 3 2 2 2 2 2 3 4 3 1
4 3 4 4 5 3 4 4 3 3 5 4 4 4 3
5 5 5 4 4 5 5 4 5 5 3 5 4 4 5
4 2 4 4 4 3 3 3 4 4 2 4 4 4 2
2 2 2 2 2 3 1 2 3 3 3 4 4 4 2
4 3 4 4 4 4 4 4 2 4 4 4 4 4 3
4 3 5 4 5 5 5 5 1 3 3 5 5 5 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 5 5 5 4 2 3 4 5 5 5 4
5 5 5 5 5 5 5 5 4 4 1 5 5 5 1
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 2 4 2 5 5 1 1 1 4 4 5 2
4 4 4 4 4 4 5 5 4 4 3 4 4 4 2
4 4 5 4 5 5 5 5 3 3 4 2 5 5 3
5 5 5 5 4 4 5 5 4 5 3 5 5 5 4
4 4 4 3 4 2 4 4 2 2 2 4 4 4 2
5 5 5 5 5 5 5 5 5 4 3 5 5 4 5
4 4 4 4 2 2 2 4 2 2 2 5 5 4 1
4 4 5 4 4 3 4 3 3 3 4 5 4 3 3
5 4 5 5 5 4 5 5 3 3 3 4 5 3 2
5 5 5 5 5 5 5 5 4 4 4 5 5 5 2
4 5 4 4 4 4 4 4 1 1 1 4 4 4 4
4 4 4 3 5 3 4 4 4 4 1 5 5 5 1
2 2 3 4 4 4 4 4 5 4 3 4 4 4 2
5 5 5 5 5 5 5 5 3 3 4 5 5 5 4
5 4 5 5 5 5 5 5 1 2 4 3 5 5 5
3 3 3 3 3 5 4 4 3 3 3 3 3 4 2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 4 4 4 5 5 5 5 1 5 3 4 4 4 4
5 4 5 5 5 5 3 4 4 4 1 3 3 4 3
4 3 4 3 4 3 3 4 2 4 4 4 4 4 3
5 5 5 4 5 5 5 5 5 5 4 5 5 5 4
2 2 3 2 3 2 3 2 5 5 2 3 3 4 3
5 4 5 3 4 4 4 5 5 4 3 5 5 5 2
5 3 5 4 3 3 3 3 4 4 4 4 4 4 5
5 5 5 5 5 5 5 5 5 5 2 5 5 3 3
4 4 4 3 3 4 3 3 3 3 3 3 3 4 3
3 3 3 3 2 2 2 2 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 2 2 4 4 4 2
3 3 4 3 5 5 4 4 4 4 4 3 3 3 3
1 1 2 3 3 1 1 1 5 3 1 3 4 3 1
2 2 2 2 3 3 3 3 2 2 2 3 3 3 3
4 4 4 3 4 3 3 3 4 3 1 4 1 3 5
2 2 2 2 2 3 3 1 1 1 1 1 1 1 5
4 4 4 4 3 3 4 4 4 4 2 4 4 4 4
5 4 4 5 5 5 5 5 2 4 2 4 5 5 5
4 2 4 3 4 4 4 4 4 3 4 4 4 4 2
4 4 5 5 4 4 4 5 3 3 4 3 4 4 3
4 5 4 4 3 3 3 3 3 3 4 3 3 3 3
4 4 4 4 2 2 3 3 4 2 2 4 2 2 4
3 3 3 3 4 4 4 4 2 2 2 3 3 4 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 3 4 3 4 5 5 5 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 3 4 4 4 5 5 4 4 3 4 4 4 4
3 3 4 2 4 4 4 4 3 2 4 4 4 2 1
5 4 4 4 4 4 4 4 3 3 3 3 3 3 3
4 4 4 4 3 2 2 2 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 1 4 4 5 3
5 4 4 5 5 5 5 5 2 4 2 5 5 5 2
3 4 4 4 4 4 4 4 2 3 4 4 4 4 2
4 4 5 4 4 2 3 3 4 5 4 4 4 4 5
Data 318 Responden
TR
U1
TR
U2
TR
U3
TR
U4
SA
T1
SA
T2
SA
T3
SA
T4
SA
T5
B
I1
B
I2
B
I3
B
I4
U
B1
U
B2
U
B3
4 4 5 5 5 4 5 5 4 1 1 3 3 3 3 3
4 4 4 4 4 4 4 5 4 3 3 3 3 3 4 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 2 3 3 3 1 3 3
2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3
4 5 4 3 4 4 4 4 4 4 4 4 5 4 4 4
4 4 5 5 4 3 4 3 3 4 4 3 4 3 3 3
3 3 4 4 3 3 3 3 3 3 2 2 3 2 2 1
2 2 3 2 1 2 2 2 2 2 2 3 2 1 2 1
3 3 4 4 3 3 3 3 3 3 3 3 3 2 3 3
5 3 5 5 3 4 5 1 5 4 4 4 5 5 3 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 3 4 4 4 3 4 4 3 4 4 4 3 3
4 3 3 4 4 2 2 2 3 3 4 2 4 5 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4
4 4 4 4 2 4 4 2 2 2 4 4 4 2 4 2
4 4 4 4 3 3 4 4 4 4 4 3 3 3 3 3
1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3
5 5 4 3 4 3 4 3 3 4 4 4 4 3 4 4
4 2 4 3 4 4 4 2 3 3 4 3 3 2 4 3
5 4 5 4 5 5 4 5 5 5 4 4 5 3 4 4
5 4 4 4 4 4 4 5 4 4 5 5 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 5 4 4 5 4 3 4 3 4 3
4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4
4 4 4 5 4 4 4 4 4 4 3 3 4 4 4 4
3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3
5 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4
5 4 4 4 4 4 5 4 5 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 4 3 4 4 3 4 4 4
5 5 5 5 4 5 5 4 2 2 3 3 4 2 4 5
5 5 5 5 5 4 3 4 5 5 5 5 5 5 5 5
5 5 5 5 5 5 4 5 3 3 3 3 3 3 3 3
3 3 3 3 4 4 5 4 4 4 4 4 4 4 2 4
4 5 5 5 4 4 4 4 4 2 2 2 4 4 4 2
4 4 4 4 5 4 5 5 4 4 4 4 4 3 3 3
3 3 3 3 5 4 4 4 1 1 1 3 3 3 3 3
4 4 4 5 4 4 4 2 4 3 3 4 4 4 4 3
4 5 4 4 4 5 4 5 4 2 3 3 4 3 3 2
4 5 4 4 4 4 4 4 4 5 5 5 4 4 5 3
5 5 5 5 4 5 4 5 5 5 5 5 5 4 4 4
3 3 3 4 4 5 5 4 3 3 5 5 5 4 4 4
4 4 5 5 4 4 5 4 4 4 4 4 4 4 4 4
4 4 4 5 5 5 4 4 5 5 4 4 5 4 4 4
5 4 5 5 5 4 4 5 3 3 5 4 4 4 4 4
4 4 4 4 5 4 5 4 4 4 5 5 5 4 4 4
5 5 4 5 4 4 4 3 4 2 4 4 4 4 4 4
4 4 4 4 4 5 5 5 3 3 4 4 4 4 4 4
4 3 4 4 4 4 4 4 3 3 3 3 3 3 3 3
4 3 4 4 5 4 3 3 4 4 4 4 4 4 5 4
4 4 4 4 4 5 4 4 4 3 4 4 4 4 4 4
2 2 2 2 1 1 2 2 4 4 2 2 2 2 2 2
3 4 4 4 4 3 3 2 3 4 4 3 4 4 4 4
2 3 3 3 3 3 3 3 3 4 4 4 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4
5 5 5 5 5 5 5 5 5 4 4 4 4 3 4 3
4 4 4 4 4 4 4 4 4 3 4 3 3 2 4 2
5 4 5 4 4 5 5 5 4 4 4 5 5 4 5 4
4 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4
2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 3 5 4 4 3 5 3 5 3 5 3
3 3 3 3 3 3 4 3 3 3 3 3 3 3 4 3
4 4 4 3 4 4 4 4 5 5 4 4 4 4 4 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 3 3 4 4 4 4 4 3 5 3 3 3
5 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5
4 3 3 3 4 3 4 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 3 4 4 4 4 4 4 3 4 3 3 3 4 4
4 5 5 4 4 4 4 4 5 4 4 4 4 4 4 4
2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2
4 3 3 3 4 4 4 3 4 3 4 4 4 3 4 4
4 4 4 4 4 3 3 3 3 4 4 3 3 2 3 2
5 4 4 4 4 4 5 4 4 5 5 5 5 4 5 3
3 2 2 2 3 3 2 2 2 2 2 2 2 2 2 2
4 3 4 3 4 4 4 4 4 4 4 2 5 5 5 5
4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3
4 5 4 5 5 4 5 4 5 5 5 4 5 5 5 4
5 2 4 4 3 2 3 3 3 2 3 3 2 4 3 2
3 4 4 3 3 3 3 3 3 3 3 3 3 2 3 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 3 3 4 3 4 3 3 4 4 4 4 3 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 4 3 4 3 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3
4 4 4 4 4 4 4 3 4 3 3 3 3 2 3 2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 4 3 3 3 3 5 3 5 4 4 4 4 3 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 3 3 4 3 3 3 3 3 3 3 3 3 3 3 3
3 3 4 4 4 3 3 3 3 3 3 3 4 3 3 3
3 3 4 2 2 3 2 3 2 3 4 3 4 3 3 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3
5 5 5 5 5 4 4 5 4 5 5 5 5 5 4 4
4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 5 5 5 5 5 5 5 4 4 5 5 5
2 2 2 2 2 2 1 2 2 2 2 1 2 2 2 2
3 3 2 1 4 3 3 4 2 3 1 2 3 2 3 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 4 5 4 4 4 5 4 4 4
3 3 3 3 3 3 3 4 3 3 2 3 3 1 2 1
3 4 5 5 3 3 3 3 4 3 3 2 3 2 2 1
4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4
3 4 4 4 3 4 2 3 2 2 2 2 2 2 3 2
4 4 4 4 4 4 4 4 4 4 4 3 5 3 3 2
3 3 3 3 4 3 3 3 3 3 3 3 3 3 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 3 4 4 4 4 4 5 4 4 4 4 4 4 4
4 4 3 4 4 3 4 4 4 4 4 4 4 3 4 3
4 4 4 3 4 5 5 5 5 4 4 3 5 2 2 2
4 3 4 4 4 3 4 4 3 3 4 2 2 1 1 1
3 4 3 2 3 3 3 4 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 3 3 3 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4
4 4 4 4 4 3 3 3 4 4 4 4 4 5 5 4
3 4 3 3 4 2 3 4 3 3 4 3 3 2 3 3
5 5 5 5 5 5 5 4 4 5 4 4 5 4 4 5
3 2 3 3 3 3 4 3 3 3 3 3 4 2 2 2
3 3 3 3 4 3 4 3 3 3 3 3 3 3 3 3
3 3 3 4 3 3 3 3 3 2 3 3 2 3 3 2
3 3 3 3 4 4 4 4 4 3 3 3 3 3 3 3
4 4 4 4 4 4 4 3 4 4 4 4 4 3 3 3
3 3 3 3 4 2 4 3 3 3 4 3 4 1 4 1
3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3
4 4 4 2 4 3 3 4 4 4 4 4 4 2 3 3
4 4 4 2 4 3 3 4 4 4 4 4 4 2 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4
3 3 3 3 5 5 5 5 5 4 4 4 4 3 3 3
3 4 4 5 4 4 4 4 4 4 4 4 4 4 5 3
3 4 4 5 4 4 4 4 4 4 4 4 4 4 5 3
4 5 5 4 4 4 4 4 4 3 3 3 3 2 2 2
4 4 4 4 4 4 4 4 4 4 4 3 5 2 4 3
3 3 4 3 3 3 3 3 3 2 3 2 3 2 3 3
5 5 5 4 5 5 5 5 5 4 5 4 4 3 4 4
5 5 5 5 5 5 5 5 5 5 5 1 5 1 5 5
4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2
4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 2
3 3 4 2 2 3 4 3 4 3 3 2 4 1 2 1
3 3 4 4 3 3 4 3 3 3 3 3 4 3 3 3
4 4 4 5 4 4 4 4 4 4 4 3 3 3 3 2
4 5 5 5 4 4 4 4 4 4 4 4 4 3 4 3
5 5 3 3 4 5 5 4 4 3 3 3 4 4 4 3
4 4 5 4 4 4 5 4 4 3 3 3 5 2 3 2
4 3 5 4 4 3 5 1 3 4 5 3 4 2 3 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 4 3 3 3 4 4 4 3 3 3 3 3 3 3 2
3 4 3 3 3 4 4 4 3 3 3 3 3 3 3 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 5 5 3 3 4 3 4 5 4 5 3 2 3 3
4 4 4 2 4 3 4 3 3 4 4 4 4 3 4 3
3 3 3 4 4 3 4 4 3 4 4 2 4 4 3 2
4 3 4 4 3 4 4 3 3 3 4 4 4 3 5 5
5 5 5 5 5 4 4 5 5 4 4 4 4 4 4 4
4 4 5 4 4 4 5 5 4 5 5 4 4 3 5 3
4 4 4 3 4 4 4 3 4 4 4 4 5 4 4 3
5 5 5 4 4 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 4 5 4 5 5 5 5 5 4 4 4
4 3 4 3 4 3 4 4 4 3 4 5 3 3 4 4
5 5 5 5 5 4 5 4 5 5 5 5 5 5 5 5
4 4 4 3 4 4 4 4 4 4 4 4 5 4 3 3
4 4 5 5 4 2 2 3 3 4 4 4 2 4 4 4
4 4 4 2 4 4 4 4 4 4 4 4 4 2 4 4
2 2 2 2 3 3 3 2 3 4 4 4 4 4 3 4
4 4 4 3 2 3 4 3 3 5 4 2 4 4 3 4
5 4 5 2 4 3 4 3 3 4 4 4 4 3 3 3
4 4 5 5 5 5 5 5 4 4 5 4 5 2 3 2
4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5
4 3 3 3 3 4 5 3 4 3 4 3 4 4 5 4
4 4 4 4 3 3 3 4 3 4 4 4 3 3 3 3
4 4 4 5 4 4 4 4 4 3 3 3 4 2 3 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 4 4 4 4 4 2 3 3
2 2 2 2 2 2 1 2 2 3 2 2 2 2 2 2
5 4 5 5 5 5 5 5 5 4 5 1 5 5 5 5
3 4 3 3 3 4 4 3 3 4 4 3 3 3 4 3
5 5 5 5 5 4 5 5 5 5 5 5 5 5 3 5
4 4 3 5 4 3 4 3 3 4 5 4 5 4 4 5
5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
4 4 4 5 5 4 4 3 4 4 4 3 1 3 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 2 3 4 2 2 3 2 3 2 3 3 4 2 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3
4 4 4 4 3 4 4 4 4 5 5 5 5 4 4 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 2 2 2 3 3 3 3 4 2
2 4 2 4 4 2 4 2 2 4 4 4 4 3 4 3
4 4 4 4 4 2 2 3 2 3 4 3 2 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5
4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3
4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 3
2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2
3 4 3 3 3 5 5 3 3 5 4 4 5 5 5 5
4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3
4 5 5 5 4 5 5 4 4 5 5 4 4 4 4 4
4 5 5 5 5 3 3 4 4 4 4 3 4 5 4 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 3 3 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 4 4 5 4 4 4 4 4 5 5 5 5 4
5 5 5 5 5 5 5 5 5 5 5 5 5 3 3 3
3 3 3 3 3 2 2 2 2 3 3 3 3 3 2 2
3 4 4 5 5 5 4 3 5 4 4 4 5 5 5 5
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5
4 4 4 4 4 4 5 4 4 5 5 5 4 4 4 4
4 4 4 5 5 4 4 4 4 5 5 5 3 3 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
5 5 5 5 4 5 5 5 5 4 5 5 5 5 4 4
4 4 4 4 5 4 4 4 4 4 4 4 3 3 3 2
1 2 1 3 3 1 1 2 1 1 3 3 1 2 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 4 3 3 3 3 4 3 3 3 3 3 3 3 2
4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 4
5 4 4 4 5 5 5 4 4 5 4 4 4 4 4 4
2 3 4 4 2 2 3 3 3 4 4 4 4 3 3 3
5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
3 3 3 4 4 4 4 3 4 4 4 2 4 4 3 4
3 3 3 3 2 2 2 2 2 3 3 4 3 2 3 3
4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 3
3 3 3 3 4 3 2 3 3 2 2 3 2 2 2 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 4 4 3 3 4 4 3 4 4 1 5 4 4 4
4 5 4 3 5 4 4 3 5 4 5 3 5 3 4 3
4 4 4 4 4 5 4 4 4 4 4 3 5 3 4 3
5 5 5 3 3 4 5 3 4 5 5 1 5 4 5 5
4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5
4 4 4 2 5 4 3 1 2 4 4 5 4 3 3 3
4 4 4 4 4 4 5 4 4 4 4 3 4 2 4 2
4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4
3 3 2 3 2 3 3 3 3 2 2 2 3 3 3 2
5 4 4 4 4 4 5 4 4 4 4 5 5 4 4 3
3 3 3 3 4 4 4 4 4 4 4 4 4 2 3 3
5 5 5 5 4 4 4 4 4 5 4 4 5 4 5 5
3 3 4 3 3 3 3 3 3 3 3 4 3 1 3 1
3 3 3 3 3 3 2 2 2 3 3 2 3 3 3 2
4 3 5 4 3 3 3 2 3 3 3 2 1 1 2 2
5 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4
2 2 3 3 2 2 4 2 4 4 4 3 2 3 3 3
4 3 1 3 1 4 4 3 3 4 4 3 4 3 3 3
5 5 5 5 5 5 5 5 5 5 5 3 5 2 5 5
2 2 2 2 3 3 2 2 3 3 2 2 3 3 2 3
4 4 4 4 4 4 4 3 3 4 4 3 3 3 3 3
4 3 3 3 3 2 4 3 2 5 5 5 5 5 5 5
4 4 4 5 5 5 5 5 5 5 5 3 5 4 5 3
4 4 4 4 4 3 4 4 4 4 4 4 3 2 4 3
3 3 3 3 2 2 2 2 3 3 4 3 4 3 3 3
3 4 4 5 4 4 4 3 4 4 4 4 4 4 4 4
5 5 5 5 4 5 5 5 4 5 5 3 5 5 5 5
4 4 4 4 4 4 4 3 4 3 4 2 4 2 3 3
4 4 4 2 2 1 1 1 1 2 2 4 2 2 1 1
4 4 4 4 4 4 4 3 4 4 4 3 4 3 4 3
4 4 5 4 5 4 5 5 5 5 5 2 5 5 3 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 4 3 4 4 4 3 3 4 4 4 2 2 3 2
5 4 5 5 5 5 5 5 5 5 5 2 5 1 5 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 5 5 5 5 4 2 2 4 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 4 4 4 3 4 3 3 4
4 5 5 5 4 4 4 5 5 4 5 4 5 3 4 3
5 5 5 5 5 4 5 4 4 4 4 5 5 3 4 4
3 3 4 4 4 3 3 2 3 3 3 3 3 2 3 2
4 3 5 5 5 5 3 3 3 3 3 3 3 3 5 5
4 4 4 4 4 4 4 4 4 4 4 4 5 3 4 5
4 4 4 4 4 4 5 4 4 4 4 4 4 3 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 3 3 5
5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5
4 4 4 2 5 5 4 4 4 5 5 5 5 2 4 2
4 4 3 3 4 4 4 4 4 4 5 4 5 4 3 3
4 4 4 5 3 3 3 3 3 4 4 4 2 2 2 2
4 4 4 3 4 4 5 5 4 4 4 4 4 5 4 4
5 5 5 5 5 5 5 5 5 4 4 5 5 4 5 4
3 3 3 3 3 3 3 3 3 3 3 2 3 2 3 2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 5 3 4 4 4 4 4 5 3 3 4 2
4 4 3 3 4 3 4 3 4 3 3 2 3 2 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 2 3 4
5 5 5 4 5 5 5 5 5 5 5 4 5 5 5 5
3 3 3 3 2 2 3 2 3 3 3 3 2 2 3 3
5 4 4 2 4 4 4 4 4 4 4 3 5 4 5 4
5 5 5 5 4 4 4 4 4 4 4 3 4 3 3 2
5 5 5 5 5 5 5 4 5 5 5 5 5 3 4 3
3 3 3 4 4 4 4 3 3 4 4 3 3 2 3 2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 3 3 4 2 3 4 4 4 3 3 3
3 3 3 3 1 3 3 3 3 5 5 5 5 3 3 3
3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2
3 3 4 3 4 1 1 3 3 3 3 2 3 1 1 1
3 2 1 1 2 2 1 3 2 1 1 1 1 1 1 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 3 4 2 4 3 4 2 3 3 3 4 4 4 4 4
4 4 4 4 3 4 4 4 3 3 3 3 4 3 3 3
4 4 4 4 5 5 5 5 5 4 4 4 4 3 4 4
3 3 4 3 4 4 4 3 4 4 4 3 3 3 3 2
3 3 3 3 2 3 3 3 3 3 3 2 3 2 3 2
3 4 3 4 3 3 4 4 3 3 3 3 5 4 3 3
5 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 3 4 4 4 4 4 4 5 3 4 4
4 4 4 2 4 4 3 4 4 3 3 3 4 3 3 2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 2 2 2 4 2 2 2
5 5 5 5 5 5 5 5 5 5 5 3 5 3 5 5
5 5 5 5 5 5 5 5 5 5 5 3 5 3 5 4
3 4 5 2 4 4 4 4 4 5 4 4 3 3 3 3
4 4 4 5 4 5 5 5 5 5 5 3 5 3 4 4
LAMPIRAN 5
SURAT-SURAT PENDUKUNG
PENELITIAN