SKRIPSI PDF

Fakultas Ekonomi FA K U LTA S
Fakultas Keguruan
Fakultas Sosial dan Politik

Fakultas Matematika dan Pengetahuan Alam

15% 30%
17%

38%

Gambar 4.4 Diagram Lingkaran Fakultas Responden

3. Status Kepuasan Pengguna

Gambar 4.5 memperlihatkan bahwa sebagian besar responden menyatakan diri
mereka merasa puas saat menggunakan sistem, yaitu sebanyak 64 orang (49%).
Sebanyak 35 responden (27%) merasa cukup puas dan sebanyak 22 responden
(17%) merasa sangat puas saat menggunakan sistem. Lalu, sebanyak 6 responden
(5%) merasa kurang puas dan tidak puas sebanyak 3 responden (2%) saat
menggunakan sistem.

81

STATUS KEPUASAN PENGGUNA

Sangat Puas Puas Cukup Puas Kurang Puas Tidak Puas

5%2% 17%
27%

49%

Gambar 4.5 Diagram Lingkaran Status Kepuasan Pengguna

4.2.3.2 Pengukuran Model (Outer Model)
Pada tahap ini dilakukan analisis pengukuran model (outer model) dimana

analisis pengukuran model ini terdiri dari empat tahap pengujian. Empat tahap
pengujian itu terdiri dari individual item reliability, internal consistency reliability,
average variance extracted, dan discriminant validity. Berikut ini adalah hasil
analisis pengukuran model (outer model) dari pengujian empat tahap tersebut.

1. Uji Individual Item Realibility
Pengujian ini dilakukan dengan melihat nilai standardized loading factor.

Nilai outer loading tersebut menggambarkan besarnya korelasi antara setiap item
pengukuran (indikator) dengan konstraknya. Nilai outer loading di atas 0,7 dapat
dikatakan baik, artinya bahwa indikator tersebut dapat dikatakan valid sebagai
indikator yang mengukur konstrak. Mengacu pada standar nilai outer loading,
setelah melalui pengujian pada SmartPLS 3.0, dengan hasil pada tabel 4.2, ada dua

82

nilai outer loading yang kurang dari <0,7 yaitu ACC4 dan CON5 sehingga nilai
tersebut dihapus sehingga uji loading factor dapat dilanjutkan ke pengujian
selanjutnya.

Tabel 4.2 Hasil Uji Loading Factor dengan SmartPLS 3.0

ACC CON EOU FOR TIM US
0.844
ACC1 0.873 0.792 0.867 0.825 0.839
ACC2 0.796 0.703 0.854 0.885 0.832
ACC3 * 0.857 0.884 0.829 0.807
ACC4 0.84 0.819 0.85 0.876
CON1 * 0.739
CON2
CON3
CON4
CON5
EOU1
EOU2
EOU3
EOU4
EOU5
FOR1
FOR2
FOR3
FOR4
TIM1
TIM2
TIM3
TIM4

83

US1 0.826
US2 0.833
US3 0.883
US4 0.78

2. Uji Internal Consistency Reliability

Pengujian ini dilakukan dengan melihat hasil nilai composite reliability (CR)
dengan batas ambang di atas 0,7. Hasilnya dapat dilihat pada Tabel 4.3 bahwa nilai
CR dari semua variabel di atas 0,7 sehingga memenuhi syarat dan valid untuk
digunakan dalam model penelitian ini.

Tabel 4.3 Hasil Uji Composite Reliability dengan SmartPLS 3.0

Variabel Composite Reliability
Accuracy 0.869
Content 0.883
Ease Of Use 0.919
Format 0.911
Timeliness 0.905
User Satisfaction 0.899

3. Uji Average Variance Extracted (AVE)

Pengujian convergent validity selanjutnya dilakukan dengan melihat nilai
average variance extracted (AVE), dimana nilai AVE menggambarkan besaran
varian atau keragaman variabel manifes (indikator) yang dapat dikandung oleh
variabel laten (konstrak). Nilai AVE minimal 0,5 menunjukan ukuran convergent
validity yang baik. Artinya, variabel laten (konstrak) dapat menjelaskan rata-rata
lebih dari setengah variance dari indikator-indikatornya.

84

Tabel 4.4 Hasil Uji Average Variance Extracted (AVE) dengan SmartPLS 3.0

Variabel Average Variance Extracted (AVE)
Accuracy 0.626
Content 0.603
Format 0.696
Ease Of Use 0.719
Timeliness 0.704
User Satisfaction 0.691

4. Uji Discriminant Validity

Uji ini dapat dilakukan melalui dua cara yaitu dengan memeriksa cross
loading, pertama dilakukan dengan membandingkan korelasi indikator dengan
konstraknya dan konstrak blok lainnya. Bila korelasi antara indikator dengan
konstraknya lebih tinggi dari korelasi dengan konstrak blok lainnya, hal ini
menunjukkan konstrak tersebut memprediksi ukuran pada blok mereka lebih baik
dari blok lainnya. Selanjutnya memeriksa cross loading Fornell-Lacker’s yaitu
dengan membandingkannya dengan nilai akar AVE, dimana nilai akar AVE harus
lebih tinggi daripada korelasi antara konstrak dengan konstrak lainnya.

Hasilnya dapat dilihat pada tabel tabel 4.5 yang telah menunjukan bahwa nilai cross
loading indikator yang diberi blok kuning pada setiap variabel memiliki nilai lebih
tinggi dari korelasi dengan konstrak blok lainnya.

Sehingga berdasarkan hasil pemeriksaan dua tahap cross loading diketahui bahwa
tidak ada masalah dalam uji discriminant validity.

Tabel 4.5 Hasil Uji Discriminant Validity (Cross Loading) dengan SmartPLS 3.0

ACC1 ACC CON EOU FOR TIM US
0.844 0.647 0.611 0.557 0.511 0.476

85

ACC2 0.873 0.6 0.629 0.666 0.418 0.383
ACC3 0.796 0.57 0.561 0.605 0.401 0.437
ACC4*
CON1 0.492 0.792 0.511 0.483 0.345 0.358
CON2 0.519 0.703 0.503 0.446 0.359 0.155
CON3 0.638 0.857 0.625 0.572 0.373 0.461
CON4 0.633 0.84 0.573 0.58 0.488 0.465
CON5*
EOU1 0.562 0.535 0.867 0.657 0.504 0.678
EOU2 0.544 0.541 0.854 0.667 0.447 0.606
EOU3 0.597 0.591 0.884 0.688 0.535 0.6
EOU4 0.667 0.716 0.819 0.629 0.602 0.549
EOU5 0.512 0.55 0.739 0.576 0.513 0.459
FOR1 0.645 0.619 0.615 0.825 0.408 0.52
FOR2 0.604 0.579 0.676 0.885 0.337 0.558
FOR3 0.502 0.518 0.696 0.829 0.426 0.5
FOR4 0.647 0.573 0.635 0.85 0.453 0.536
TIM1 0.48 0.453 0.476 0.407 0.839 0.467
TIM2 0.383 0.388 0.485 0.343 0.832 0.466
TIM3 0.399 0.385 0.533 0.335 0.807 0.528
TIM4 0.538 0.406 0.566 0.49 0.876 0.672
US1 0.448 0.29 0.527 0.492 0.487 0.826
US2 0.488 0.445 0.594 0.649 0.534 0.833
US3 0.426 0.444 0.636 0.537 0.568 0.883
US4 0.332 0.386 0.567 0.383 0.57 0.78

Tabel 4.6 Hasil Uji Discriminant Validity (Cross Loading Fornell-Lacker’s)
dengan SmartPLS 3.0

ACC CON EOU FOR TIM US

86

ACC 0.791 0.776 0.834 0.848 0.839 0.831
CON 0.736 0.698 0.772 0.477 0.65
EOU 0.689 0.675 0.619 0.624
FOR 0.708 0.484 0.701
TIM 0.543 0.475
US 0.511

Tabel 4.6 menunjukkan bahwa nilai akar AVE lebih tinggi daripada korelasi antara
konstrak dengan konstrak lainnya.

Gambar 4.6 berikut menunjukan hasil analisis setelah melalui analisis outer model.
Berdasarkan empat tahap yang telah dilakukan pada analisis pengukuran model
(outer model) sebelumnya, dapat diketahui bahwa model yang diajukan dalam
penelitian ini sudah memiliki karakteristik yang baik secara statistik, sesuai dengan
syarat pada masing-masing tahapan yang ada pada pengukuran model (individual
item reliability, internal consistency reliability, average variance extracted, dan
discriminant validity). Sehingga dapat diambil kesimpulan dari hasil analisis
pengukuran model bahwa model tersebut memenuhi syarat untuk dilanjutkan ke
tahap pengujian model struktural (inner model)

Gambar 4.6 Hasil Analisis Outer Model dengan SmartPLS 3.0
87

4.2.3.3 Struktural Model (Inner Model)

Pada tahap analisis model struktural ini dilakukan enam tahap pengujian, yang
terdiri dari pengujian path coefficient (β), coefficient of determination (R²), t-test

menggunakan metode bootstraping, effect size ( ), predictive relevance (Q²),
dan relative impact (q²).

1. Uji Path Coefficient (β)

Pengujian ini dilakukan dengan melihat nilai ambang batas yaitu di atas 0,1, dimana
jalur (path) dapat dinyatakan memiliki pengaruh dalam model jika hasil nilai uji
path coefficient berada diatas 0,1. Pada tabel 4.7 hasil nilai uji path coefficient
dari 5 jalur yang ada di dalam model penelitian, 2 jalur yaitu Accuracy → End-User
Satisfaction dan Content → End User Satisfaction menunjukkan pengaruh yang
tidak signifikan.

Tabel 4.7 Hasil Uji Path Coefficient dengan SmartPLS 3.0

Hubungan Antar Variabel Path Coeficient (β)

(Dependen Independen) -0.071
-0.102
Accuracy User Satisfaction 0.381
0.271
Content User Satisfaction 0.373

Ease Of Use User Satisfaction

Format User Satisfaction

Timeliness User Satisfaction

2. Uji Coefficient of Determination (R-Square)
Pengujian ini dilakukan untuk menjelaskan varian dari tiap target variabel endogen
(variabel yang dianggap dipengaruhi oleh variabel lain dalam model) dengan
standar pengukuran sekitar 0,670 dinyatakan sebagai kuat, sekitar 0,333 dinyatakan

88

sebagai moderat, dan 0,190 atau di bawahnya menunjukan tingkat varian yang
lemah.

Tabel 4.8 Hasil Uji Coefficient of Determination (R-Square) dengan SmartPLS
3.0

Variabel Endogen R-Square
User Satisfaction 0.594

Melalui tabel 4.8 dapat dilihat hasil uji coefficient of determination, dimana R2 dari
End-User Satisfaction (EUS) memiliki nilai 0,594. Maka dapat diartikan bahwa
variabel eksogen accuracy (ACC), content (CON), ease of use (EOU), format
(FOR) dan timeliness (TIM) menjelaskan secara moderat (menengah) (59,4%)
varian dari US.

3. Uji T-test

Pada pengujian t-test ini dilakukan dengan menggunakan metode bootstrapping
pada SmartPLS 3.0, menggunakan uji two-tailed dengan tingkat signifikansi 5%
untuk menguji hipotesis-hipotesis penelitian. Pada tingkat signifikansi 5% hipotesis
akan diterima jika memiliki t-test lebih besar dari 1,96. Pada tabel 4.9 dapat dilihat
hasil uji t-test, dimana 3 hipotesis sudah berada diatas 1,96 dan 2 hipotesis berada
dibawah 1,96 sehingga menyatakan bahwa 3 hipotesis pada penelitian ini dapat
diterima dan 2 hipotesis pada penelitian ini ditolak.

Tabel 4.9 Hasil Uji T-test dengan SmartPLS 3.0

Hubungan Antar Variabel T-test

(Dependen Independen)

Accuracy User Satisfaction 0.629

Content User Satisfaction 0.821
Ease Of Use User Satisfaction 2.559

89

Format User Satisfaction 2.357
Timeliness User Satisfaction 2.779

4. Uji Effect Size ( )

Pada tahap ini dilakukan pengujian untuk mengetahui pengaruh variabel tertentu
terhadap variabel lainnya dalam struktur model dengan nilai ambang batas sekitar
0,02 untuk pengaruh kecil, 0,15 untuk menengah, dan 0,35 untuk pengaruh besar.

Perhitungan : H1 ACC→EUS : 0.594 - 0.592 = 0.00493
1 - 0.594

H1 CON→EUS : 0.594 - 0.590 = 0.00985
1 - 0.594

H1 EOU→EUS : 0.594 - 0.554 = 0.09852
1 - 0.594

H1 FOR→EUS : 0.594 - 0.570 = 0.05911
1 - 0.594

H1 TIM→EUS : 0.594 - 0.531 = 0.19951
1 - 0.594

Hasil perhitungan pada tabel 4.10 menunjukan pengujian terhadap 5 jalur yang
ada pada penelitian ini. Hasilnya 4 jalur yang ada pada penelitian ini memiliki
pengaruh yang kecil (small) dan 1 jalur yang ada pada penelitian ini memiliki
pengaruh menengah (medium).

Tabel 4.10 Hasil Uji Effect Size dengan SmartPLS 3.0

Hipotesis f2 Analyses
R2-ex f2
No Jalur R2-in 0.592 ∑ f2
0.594 0.00493 Small
H1 ACC 0.594 0.590 0.00985
→ EUS Small

H2 CON
→ EUS

90

H3 EOU 0.594 0.554 0.09852 Small
→ EUS

H4 FOR 0.594 0.570 0.05911 Small
→ EUS

H5 TIM → 0.594 0.513 0.19951 Medium
EUS

5. Uji Predictive Relevance (Q-Square)

Pada tahap ini dilakukan pengujian dengan metode blindfolding untuk memberikan
bukti bahwa variabel tertentu yang digunakan dalam model mempunyai keterkaitan
secara prediktif (predictive relevance) dengan variabel lainnya dalam model dengan
ambang batas pengukuran di atas nol.

Dapat dilihat pada tabel 4.12 bahwa hasil nilai Q2 dari semua variabel ke empat
jalur yaitu jalur 2-5 memiliki keterkaitan secara prediktif dengan nilai diatas 0 dan
jalur 1 memiliki keterkaitan secara prediktif dengan nilai dibawah 0.

Tabel 4.11 Hasil Uji Predictive Relevance dengan SmartPLS 3.0

Variabel Endogen Q-Square
End-User Satisfaction 0.368

6. Uji Relative Impact (q²)

Pada tahap ini dilakukan dengan metode blindfolding untuk mengukur relatif
pengaruh sebuah keterkaitan prediktif sebuah variabel tertentu dengan variabel
lainnya dengan nilai ambang batas sekitar 0,02 untuk pengaruh kecil, 0,15 untuk
pengaruh menengah, dan 0,35 untuk pengaruh besar.

Perhitungan q²: H1 ACC→EUS : 0.368 - 0.370 = -0.003
1 - 0.368

H1 CON→EUS : 0.368 - 0.367 = 0.002
1 - 0.368

91

H1 EOU→EUS : 0.368 - 0.346 = 0.035
1 - 0.368

H1 FOR→EUS : 0.368 - 0.355 = 0.021
1 - 0.368

H1 TIM→EUS : 0.368 - 0.318 = 0.079
1 - 0.368

Hasil perhitungan pada tabel 4.12 menunjukan pengujian q² terhadap 5 jalur yang
ada pada penelitian ini. Hasilnya 5 jalur yang ada pada penelitian ini memiliki
pengaruh yang kecil.

Tabel 4.12 Hasil Uji Relative Impact dengan SmartPLS 3.0

Hipotesis q2 Analyses
Q2-ex q2
No Jalur Q2-in ∑ q2
0.368 Small
H1 ACC → 0.368 0.370 -0.003 Small
EUS 0.368
0.368 Small
H2 CON 0.368 0.367 0.002
→ EUS Small
Small
H3 EOU → 0.346 0.035
EUS

H4 FOR → 0.355 0.021
EUS

H5 TIM → 0.318 0.079
EUS

92

93

Keterangan:
Sign : Signifikan
Insign : Insignifikan
Rejected : Ditolak
Accepted : Diterima
Small : Kecil
Medium : Menengah

Dalam Tabel 4.13 dipaparkan hasil ke-enam tahap struktural model, yaitu
diantaranya sebagai berikut:
1. Path Coefficient (β)
2. Coefficient of Determination (R-Square)
3. T-test menggunakan metode bootstrapping
4. Effect Size (f2)
5. Predictive Relevance (Q-Square)
6. Relative Impact ( q² )

Pertama, untuk hasil tahap path coefficient (β) diketahui bahwa 2 dari 5 jalur
memiliki pengaruh yang tidak signifikan dalam model (yaitu, jalur ACC→US dan
jalur CON→US ) karena nilai path coefficient dari jalur tersebut berada dibawah
ambang batas (yaitu 0,1 ). Lalu, untuk hasil tahap t-test diketahui bahwa 3 dari 5
hipotesis yang diajukan dalam penelitian ini diterima. Hal ini dikarenakan nilai t-
test dari ke 3 hipotesis tersebut berada diatas nilai ambang batas (yaitu 1,96).
Hasil tahap coefficient of determination (R-Square) menunjukkan bahwa R-Square
dari semua jalur memiliki nilai 0,594. Selanjutnya, hasil tahap effect size (f2)

94

terhadap ke-5 jalur menunjukkan bahwa 4 jalur memiliki pengaruh kecil dan 1 jalur
memiliki pengaruh menengah yaitu TIM→US.
Lalu, untuk hasil tahap predictive relevance (Q-Square) semua jalur memiliki nilai
0,368 hal ini menyatakan bahwa semua variabel dalam penelitian ini sudah
memiliki keterkaitan yang prediktif karena memiliki nilai diatas 0. Terakhir, untuk
hasil tahap relative impact (q2) menyebutkan bahwa kelima jalur memiliki
pengaruh kecil.

4.2.4 Interpretasi dan Pembahasan Hasil Analisis
4.2.4.1 Interpretasi dan Pembahasan Hasil Analisis Data Demografis
1. Jenis Kelamin
Berdasarkan gambar 4.3 yang ada pada sub bab hasil analisis demografis diatas,
dapat diketahui bahwa pada penelitian ini dari jumlah 130 data responden memiliki
perbandingan responden yang sebanding. Responden laki-laki sebanyak 55 orang
(42%) terdiri dari Mahasiswa 46 orang (35%) Mahasiswa dan 9 orang (7%) Dosen
dan sisanya responden perempuan sebanyak 75 orang (58%) terdiri dari 54 orang
(42%) Mahasiswa dan 21 orang (16%) Dosen. Hal ini terjadi karena pada saat
pelaksanaan penyebaran kuesioner secara langsung, peneliti lebih banyak
menjumpai responden dengan gender perempuan.

2. Fakultas
Berdasarkan gambar 4.4 yang ada pada sub bab hasil analisis demografis diatas,
dapat dilihat bahwa responden terbanyak dari penelitian ini berasal dari Fakultas
Hukum, Ilmu Sosial dan Politik dengan jumlah responden 41 Mahasiswa dan 9
Dosen (38%), sedangkan responden paling sedikit berasal dari Fakultas Matematika
dan Ilmu Pengetahuan Alam dengan jumlah responden 13 orang Mahasiswa dan 6
Dosen (15%). Responden lainnya tersebar pada 2 fakultas Universitas Terbuka

95

dengan menyesuaikan persentasi yang sebanding berdasarkan jumlah seluruh
mahasiswa perfakultas tahun akademik 2017/2018 (Akademik Pusat Universitas
Terbuka).

Tabel 4.14 Data Status Mahasiswa 2017/2018

Nama Fakultas Mahasiswa Aktif Jumlah Responden
Fakultas Ekonomi 181 32

Fakultas Hukum, Ilmu 274 41
14
Sosial dan Politik 13

Fakultas Keguruan dan 221 100

Pendidikan

Fakultas Matematika 154

dan Ilmu Pengetahuan

Alam

Total 830

Tabel 4.15 Data Dosen

Fakultas Dosen Aktif Jumlah Responden
7
Jumlah Dosen FE 7 9
8
Jumlah Dosen FISIP 9
6
Jumlah Dosen Keguruan 8
30
dan Pendidikan

Jumlah Dosen 6

Matematika dan IPA

Total 30

96

4. Status Kepuasan Pengguna

Berdasarkan gambar 4.5 yang ada pada sub bab hasil analisis demografis diatas,
dapat diketahui bahwa sebagian besar responden menyatakan diri mereka merasa
puas saat menggunakan sistem, yaitu sebanyak 64 orang (49%). Sebanyak 35
responden (27%) merasa cukup puas dan sebanyak 22 responden (17%) merasa
sangat puas saat menggunakan sistem. Lalu, sebanyak 6 responden (5%) merasa
kurang puas bahkan 3 responden (2%) tidak puas saat menggunakan sistem. Peneliti
beranggapan bahwa sistem yang telah ada sudah memenuhi harapan pengguna
akhir dikarenakan jauhnya presentase tingkat kepuasan pengguna yang puas dan
tidak puas. Tingkat harapan pengguna sudah cukup terpenuhi terhadap sistem,
sehingga banyak pengguna yang merasa terbantu dengan sistem. Hasil ini juga
menjelaskan tentang status kepuasan pengguna terhadap Aplikasi E-Learning
Universitas Terbuka dari persepsi pengguna akhirnya yaitu mahasiswa tahun ajaran
2017/2018 dan Dosen.

4.2.4.2 Interpretasi dan Hasil Pengukuran Outer Model

Berdasarkan hasil analisis pengukuran outer model, ada dua poin penting yang
harus diperhatikan yaitu sebagai berikut :

1. Hasil akhir dari analisis telah menunjukan bahwa pengukuran model
dari model penelitian ini telah memenuhi syarat dan memiliki
karakteristik yang baik sehingga layak untuk dilanjutkan ke tahap
analisis struktur model untuk menguji inner model dari model
penelitian ini (Hair et al., 2012; Afthanorhan, 2013; Wong, 2013).

2. Dihapuskannya dua indikator yaitu ACC4 dan CON5 dalam model
penelitian ini.

Peneliti beranggapan kemungkinan besar penghapusan ini terjadi adalah sebagai
berikut :

97

1. Pemilihan dan penggunaan item pernyataan/indikator yang
kurang tepat dalam kuesioner.

2. Masih ditemukan kalimat yang memiliki makna hampir sama
dalam penulisan item pernyataan/indikator dalam
kuesioner.

3. Banyaknya data hasil kuesioner diperoleh secara langsung
dalam waktu yang singkat.

Oleh karena itu, perlu adanya peninjauan kembali dan pengembangan instrumen
penelitian tersebut, baik melalui masukan/saran dari para ahli seperti dosen-dosen,
peneliti sebelumnya, atau yang lainnya agar diperoleh model penelitian yang lebih
tepat (khususnya terkait dengan penggunaan dua indikator yang dihapuskan
tersebut) di penelitian selanjutnya dan agar bisa meminimalisir penghapusan
indikator. Terkait dengan hal ini, meskipun pembuatan instrumen dan pemilihan
responden dalam penelitian ini telah dilakukan dengan sebaik mungkin, hal-hal di
luar rencana dan kendali tidak dapat dihindari khususnya saat pelaksanaan
penelitian di lapangan.

4.2.4.3 Interpretasi dan Diskusi Hasil Analisis Model Struktural (Inner Model)
Pada bagian ini akan disajikan interpretasi dan diskusi berdasarkan hasil 6 tahapan
pengujian yang ada pada analisis struktur model yaitu, pengujian path coefficient
(β), coefficient of determination (R²), t-test menggunakan metode bootstraping,
effect size (f2), predictive relevance (Q2), dan relative impact (q²).
Berikut adalah bahasan interpretasi hasil analisis struktural mode yang dilakukan
dengan mengikuti pertanyaan-pertanyaan penelitian dan hipotesis-hipotesis yang
telah dirumuskan pada sub bab sebelumnya dan lebih rinci berdasarkan tabel 4.13
mengacu pada nilai t-test yang menandakan diterima atau tidaknya hipotesis.

98

Tabel 4.16 Hasil Uji Hipotetsis dengan SmartPLS 3.0

Hipotesis β t-test Analisis
No Jalur 0.629 β t-test
0.821 Insign Rejected
ACC 2.559
H1 -0.071 2.357 Insign Rejected
2.779
→ US Sign Accepted

CON Sign Accepted
H2 -0.102
Sign Accepted
→ US

EOU
H3 → US 0.381

FOR
H4 → US 0.271

TIM →
H5 0.373

US

H1 Keakuratan informasi yang di hasilkan (accuracy) oleh aplikasi E-
Learning tidak berpengaruh secara signifikan terhadap kepuasan pengguna
akhir (end-user satisfaction) Aplikasi E-Learning.

Berdasarkan hasil analisis struktur model, yaitu khususnya pada nilai T-test
sebagaimana dapat dilihat pada tabel 4.16 menunjukan bahwa H1 hubungan ACC
→ US ditolak, sehingga dapat diartikan bahwa ACC memiliki pengaruh negatif
terhadap US. Selain itu didukung juga dengan hasil nilai path coefficient (β) -0,071
yang berarti ACC juga tidak berpengaruh secara signifikan terhadap US dan nilai
pengaruh yang kecil berdasarkan perhitungan f 2 dan q2.

Keakuratan informasi yang dihasilkan oleh sistem aplikasi E-Learning Universitas
Terbuka merupakan aspek penting bagi penggunanya, ketika sistem menerima
input kemudian mengolahnya menjadi informasi. Seberapa sering sistem
menghasilkan output yang salah ketika mengelola input dari pengguna dan error
atau kesalahan dalam proses pengelolaan data maka akan mempengaruhi kepuasan

99

pengguna akhir yang dicapai. Sehingga dapat disimpulkan bahwa H1 ditolak dalam
penelitian ini.

H2 Ketersediaan informasi yang tepat, benar dan konsisten (content) pada
aplikasi E-Learning tidak berpengaruh secara signifikan terhadap kepuasan
pengguna akhir (end-user satisfaction) Aplikasi E-Learning.

Berdasarkan hasil analisis struktur model, yaitu khususnya pada nilai T-test
sebagaimana dapat dilihat pada tabel 4.16 menunjukan bahwa H2 hubungan CON
→ US ditolak, sehingga dapat diartikan bahwa CON memiliki pengaruh negatif
terhadap US. Selain itu didukung juga dengan hasil nilai path coefficient (β) -0,102
yang berarti CON juga tidak berpengaruh secara signifikan terhadap US dan nilai
pengaruh yang kecil berdasarkan perhitungan f 2 dan q2. Ketersediaan informasi
yang tepat, benar dan konsisten merupakan hal yang utama dalam suatu sistem
informasi, kesesuaian antara isi dalam sistem informasi yang dihasilkan dengan
harapan pengguna akhir maka akan semakin baik kepuasan pengguna akhir yang
dicapai. Sehingga dapat disimpulkan bahwa H2 ditolak dalam penelitian ini.

H3 Kemudahan bagi pengguna (ease of use) dalam aplikasi E-Learning
berpengaruh secara signifikan terhadap kepuasan pengguna akhir (end-user
satisfaction) Aplikasi E-Learning.

Berdasarkan hasil analisis struktur model, yaitu khususnya pada nilai T-test
sebagaimana dapat dilihat pada tabel 4.16 menunjukan bahwa H3 hubungan EOU
→ US diterima, sehingga dapat diartikan bahwa EOU memiliki pengaruh positif
terhadap US. Selain itu didukung juga dengan hasil nilai path coefficient (β) 0,381
yang berarti EOU juga berpengaruh secara signifikan terhadap US dan nilai
pengaruh yang kecil berdasarkan perhitungan f 2 dan q2. Hal ini sesuai dengan
penelitian sebelumnya (Dewa, 2016; Purusotama, 2018) yang menyatakan bahwa
variabel EOU memiliki pengaruh yang siginifikan terhadap kepuasan pengguna
akhir sistem. Kemudahan dalam menggunakan sistem aplikasi E-Learning

100

Universitas Terbuka menjadi aspek penting bagi penggunanya, semakin kecil upaya
yang dikeluarkan atau semakin mudahnya sistem digunakan maka akan semakin
baik kepuasan pengguna akhir yang dicapai. Sehingga dapat disimpulkan bahwa
H3 diterima dalam penelitian ini.

H4 Tampilan menarik (format) pada aplikasi E-Learning berpengaruh secara
signifikan terhadap kepuasan pengguna akhir (end-user satisfaction) Aplikasi
E-Learning.

Berdasarkan hasil analisis struktur model, yaitu khususnya pada nilai T-test
sebagaimana dapat dilihat pada tabel 4.16 menunjukan bahwa H4 hubungan FOR
→ US diterima, sehingga dapat diartikan bahwa FOR memiliki pengaruh positif
terhadap US. Selain itu didukung juga dengan hasil nilai path coefficient (β) 0,271
yang berarti FOR memiliki pengaruh yang signifikan terhadap US dan nilai
pengaruh yang kecil berdasarkan perhitungan f 2 dan q2. Penelitian sebelumnya
(Alviani, 2018) menyatakan bahwa variabel FOR memiliki pengaruh yang
siginifikan terhadap kepuasan pengguna akhir sistem. Tampilan dari suatu sistem
informasi memiliki peranan yang penting dengan kepuasan pengguna karena
tampilan berkaitan dengan apa yang pengguna lihat saat menggunakan sistem
informasi tersebut. Hal tersebut berbeda dengan hasil yang didapat oleh peneliti,
sehingga dapat disimpulkan bahwa H4 diterima dalam penelitian ini.

H5 Kecepatan dan pembaharuan informasi (timeliness) pada aplikasi E-
Learning berpengaruh secara signifikan terhadap kepuasan pengguna akhir
(end-user satisfaction) Aplikasi E-Learning.

Berdasarkan hasil analisis struktur model, yaitu khususnya pada nilai T-test
sebagaimana dapat dilihat pada tabel 4.16 menunjukan bahwa H5 hubungan TIM
→ US diterima, sehingga dapat diartikan bahwa TIM memiliki pengaruh positif

101

terhadap US. Selain itu didukung juga dengan hasil nilai path coefficient (β) 0,373
yang berarti TIM juga berpengaruh secara signifikan terhadap US dan nilai
pengaruh yang kecil berdasarkan perhitungan f 2 dan q2. Hal ini sesuai dengan
penelitian sebelumnya (Dewa, 2016) yang menyatakan bahwa variabel TIM
memiliki pengaruh yang siginifikan terhadap kepuasan pengguna akhir sistem.
Ketepatan waktu juga merupakan hal yang penting dari suatu sistem informasi,
semakin cepat keluaran atau pembaharuan yang dihasilkan oleh sistem aplikasi E-
Learning Universitas Terbuka maka akan semakin baik kepuasan pengguna akhir
yang dicapai. Sehingga dapat disimpulkan bahwa H5 diterima dalam penelitian ini.

102



BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pada hasil penelitian yang telah dilakukan, maka dapat diambil
kesimpulan sebagai berikut:

1. Berdasarkan hasil pengolahan data seluruh responden yang berpartisipasi dapat
diketahui bahwa 100 responden adalah mahasiswa tahun akademik 2017/2018
dan 30 responden adalah Dosen Universitas Terbuka. Dari jumlah tersebut
dapat diketahui bahwa sebagian besar responden menyatakan diri mereka merasa
puas saat menggunakan sistem, yaitu sebanyak 64 orang (49%). Sebanyak 35
responden (27%) merasa cukup puas dan sebanyak 22 responden (17%) merasa
sangat puas saat menggunakan sistem. Lalu, sebanyak 6 responden (5%) merasa
kurang puas dan tidak puas sebanyak 3 responden (2%) saat menggunakan
sistem.

2. Berdasarkan pengujian individual item realibility dari jumlah total 26 indikator
yang ada pada model penelitian ini, dua indikator di antaranya memiliki nilai
outer loading kurang dari 0,7 yaitu CON5 dan ACC4 maka di lakukan
penghapusan dan 24 indikator memiliki nilai outer loading diatas 0,7. Peneliti
beranggapan hal ini disebabkan Pemilihan dan penggunaan item
pernyataan/indikator yang kurang tepat dalam kuesioner. Hal ini juga merajuk
pada transparansi atau tingkat kejelasan penyajian konten sistem yang mungkin
kurang lengkap atau memadai, dan juga standarisasi dari accuracy penyusuaian
sistem terhadap pedoman yang sudah ditentukan kurang sesuai.

3. Dua dari lima hipotesis yaitu ACC→US dan CON→US dinyatakan ditolak,
karena berdasarkan hasil pengujian path coefficient (β) kedua jalur tersebut
memiliki pengaruh yang tidak signifikan pada model dan juga pada hasil
pengujian t-test nya maka kedua jalur ini ditolak. Ditolaknya hipotesis tersebut

103

menunjukan perbedaan hasil dengan penelitian sejenis sebelumnya. Peneliti
berpendapat bahwa perbedaan ini adalah hal yang wajar, mengingat adanya
perbedaan objek, sampel, dan instrumen penelitian, serta keterbatasan atau
kendala saat pelaksanaan penelitian juga menjadi faktor yang dapat
mempengaruhi hasil penelitian.

4. Dari lima hipotesis yang peneliti ajukan, hanya tiga hipotesis yang diterima yaitu
FOR→US, EOU→US, dan TIM→US. Maka dapat diartikan bahwa format, ease
of use, dan timeliness terbukti berpengaruh secara signifikan dalam pengukuran
tingkat kepuasan pengguna akhir terhadap sistem aplikasi E-Learning
Universitas Terbuka.

5. Berdasarkan pada hasil analisis, data variabel yang memiliki pengaruh terbesar
terhadap kepuasan pengguna akhir sistem aplikasi E-Learning Universitas
Terbuka adalah format, selanjutnya, ease of use dan yang terakhir timeliness.

Berdasarkan beberapa hasil temuan tersebut juga peneliti menganggap penelitian
ini sudah memberikan manfaat dan berkontribusi pada beberapa hal yaitu:

1. Secara teori, penelitian ini telah menambahkan referensi pengguna model
EUCS, sehingga akhirnya penelitian ini dapat menjadi alternatif secara
teoritis bagi peneliti selanjutnya atau pihak lainnya dalam memahami
penerimaan pengguna akhir terhadap penerapan sebuah sistem.

2. Secara metodologi, penelitian ini juga berperan dalam mendorong
pemanfaatan metode kuantitatif dalam penyusunan skripsi di Program Studi
Sistem Informasi UIN Syarif Hidayatullah Jakarta dimana kebanyakan
skripsi masih menggunakan metode kualitatif.

3. Secara praktis, penelitian ini dapat dijadikan sebagai bahan pertimbangan
bagi para pengambil keputusan di Universitas Terbuka khususnya pihak
Pusat Akademik dan Pusat IT Universitas Terbuka selaku pengelola Sistem
Aplikasi E-Learning Universitas Terbuka dalam rencana pengembangan
kedepannya.

104

5.2 Saran

Pada bagian ini peneliti akan menjelaskan saran untuk penelitian selanjutnya
berdasarkan batasan-batasan yang sudah dijelaskan sebelumnya mengenai teknik
dan alat pengumpulan data, teknik sampling, metode pendekatan penelitian, teknik
dan alat analisis data yang peneliti gunakan, serta pemahaman dan pengetahuan
peneliti, maka peneliti memberikan saran sebagai berikut:

1. Berdasarkan hasil penelitian, khususnya pada pengujian kuesioner, peneliti
memberikan saran bagi para mahasiswa dan peneliti selanjutnya (khususnya
yang tertarik pada kajian sejenis) agar dapat meninjau kembali indikator
yang akan digunakan, masukan/saran dari para ahli sebaiknya dilakukan
untuk menguatkan indikator pada variabel tertentu dan juga untuk
mengurangi terjadinya penghapusan banyak indikator.

2. Berdasarkan hasil penelitian, meskipun secara umum pengguna sudah
merasa puas menggunakan Aplikasi E-Learning Universitas Terbuka, di
beberapa aspek masih diperlukan pengembangan yaitu:
a. Konten Aplikasi E-Learning Universitas Terbuka dapat di sajikan secara
jelas dan dapat dilakukan update konten secara berkala agar pengguna
akhir dapat lebih jelas dalam memahami konten (isi) dari aplikasi
tersebut.
b. Keakuratan Sistem Aplikasi E-Learning Universitas Terbuka dapat di
optimalkan seperti di lakukannya maintanence aplikasi secara berkala
agar mencegah adanya error dalam penggunaan sistem.

3. Pada penelitian selanjutnya (khususnya yang tertarik pada kajian sejenis)
agar dapat mempertimbangkan beberapa hal sebagai berikut:
a. Penambahan jumlah sample dan narasumber sehingga memperoleh
variasi jawaban yang lebih lengkap.
b. Lebih mengeksplorasi faktor-faktor lain yang belum ada di dalam
model, khususnya mengenai model kepuasan pengguna akhir sistem.

105



DAFTAR PUSTAKA

Abdillah, W., & Jogiyanto. (2015). Partial Least Square (PLS) Alternatif Structural
Equation Modeling (SEM) dalam Penelitian Bisnis. Ed.1. Yogyakarta:
Andi.

Afthanorhan, W. M. A. B. W. (2013). A Comparison of Partial Least Square
Structural Equation Modeling (PLS-SEM) and Covariance Based
Structural Equation Modeling (CB-SEM) for Confirmatory Factor
Analysis. International Journal of Engineering Science and Innovative
Technology.

Alter, Steven. (1992). Information Systems: A Management Perspective,
AddisonWesley. Publishing Co. Inc.

Arief, Wibowo. (2007). Kajian Tentang Perilaku Pengguna Sistem Informasi
Mahasiswa dan Akademik Berbasis Web (SIMA Web) dengan Pendekatan
Technology Acceptance Model (TAM). Skripsi Universitas Budi Luhur.
Jakarta.

Bailey, James E.; Pearson, Sammy W. (1983). Development of a tool for Measuring
and Analyzing Computer User Satisfaction. Management Science.
INFORMS : USA.

Bates, tony. 2005. Technology, E-learning and Distance Education. Routledge.

Chambers, Gary N. 1999. Motivating Language Learners. Multilingual Matters:
Clevedon.

Chin, W. W., & Lee, M. K. (2000). A proposed model and measurement instrument
for the formation of IS satisfaction: the case of end-user computing
satisfaction.

Creswell, J.W, 2013, Research Design Pendekatan Kualitatif, Kuantitatif, dan
Mixed. Pustaka Pelajar: Yogyakarta.

106

Darmawan, Deni. (2014). Pengembangan E-Learning Teori dan Desain.
Rosdakarya: Bandung.

Davis, F.D. (1989). User Acceptance of Information Technology: System
Characteristics, User Perceptions and Behavioral Impacts. International
Journal Mannagement Machine Studies

Davis WS. (1998). HIPO hierarchy plus input-process-output. The information
system consultant’s handbook: systems analysis and design. CRC,
Florida. 1998; 503-510

Dawes, J. (2008). Do Data Characteristics Change According to the number of
scale points used? An experiment using 5-point, 7-point and 10-point
scales. International Journal of Market Research.

Dewa, R. (2016). Analisis Kepuasan Pengunaan Terhadap Portal Program Studi
Informatika Menggunakan EUCS (End-User Computing Satisfaction).
Skripsi. Universitas Bina Darma.

Djaali. (2008). Psikologi Pendidikan. Jakarta: Bumi Aksara.

Doll, W. J., & Torkzadeh, G. (1988). The Measurement of End-User Computing
Satisfaction. MIS quarterly, 259-274.

Doll, W.J., and Torkzadeh, G. (1991). Issues and Opinions-The Measurement of
End-User Computing:Theoretical and Methodological Issues. Mis
Quarterly Vol. 15 No. 2: 5-10.

Edy, Irwan Christanto. (2011). Studi Pemanfaatan Web Site E-Learning dan
Pengaruhnya Terhadap Motivasi, Kinerja dan Basil Belajar Pada Guru
dan Sisa SMK di Provinsi Jawa Tengah.

Falch, M. (2004). A Study on Practical Experiences with using E-learning
Methodologies and Cooperative Transnational Development
Methodology. Kongens Lyngby: Technical University of Denmark,
Center for Tele-Information.

107

Fathoni, F. (2009). Analisis Kualitas Layanan Sistem Informasi Menggunakan
Metode Servqual. ILKOM: Universitas Sriwijaya.

Gay, L.R. dan Diehl, P.L., (1992), Research Methods for Business and.
Management, MacMillan. Publishing Company, New York.

Ghozali, I., & Hengky L. (2015). Partial Least Squares Konsep, Teknik dan
Aplikasi Menggunakan Program SmartPLS 3.0 Untuk Penelitian Empiris.
Edisi 2. Semarang: Universitas Diponegoro.

Guimaraes, T., D. S. Staples, dan J. D. McKeen. 2003. Empirically Testing Some
Main User-Related Factor for Systems Development Quality. Quality
Management Journal, 10(4): 39- 54.

Gusti, I Ngurah. (2017). Analisis Kepuasan Pengguna E-Learning Menggunakan
Metode End-User Computing Satisfaction. Bali: STIKOM.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2013). An assessment of the
use of partial least squares structural equation modeling in marketing
research. Journal of the academy of marketing science.

Hair, J.F., Sarstedt, M, Torsten, M.Pieper, Christian M.Ringle. (2012). The Use of
Partial Least Squares Structural Equation Modeling in Strategic
Management Research: A Review of Past Practices and
Recommendations for Future Applications. USA: ELSEVIER.

Herman, Wold. (1975). Latent Variables and Indices: Herman Wold’s Basic Design
and Partial Least Squares. Netherlands: University of Groningen.

Ihsan, Fuad. (2011). Dasar-dasar Kependidikan Komponen MKDK. Jakarta:
Rineka Cipta.

Ives, Blake. Et al. (1983). The Measurement of User Information Satisfaction.
ACM: New York.

KBBI, (2017). Kamus Besar Bahasa Indonesia (KBBI). [Online] Available at:
http://kbbi.web.id/pusat, [Diakses 21 Juni 2018].

108

Laudon, K. C., dan Laudon, J. P., (2007). Sistem Informasi Manajemen Mengelola
Perusahaan Digital Buku 2 Edisi 10. Salemba Empat: Jakarta.

Mustakini, J.H. (2005). Analisis dan Desain Sistem Informasi: Pendekatan
Terstruktur, Teori dan Praktik Aplikasi Bisnis. Yogyakarta: Andi.

Manson, S. M. (2006). Book Review: Global complexity. Progress in Human
Geography, 30(3), 420–422.

Nazir, M. (2009). Metode Penelitian. Jakarta: Ghalia Indonesia.

Negash, S., Whitman, M.E, Woszczynski, A.B, Hoganson, Ken dan Mattord,
Herbert. (2008). Handbook of Distance Learning for Real-Time and
Asynchronous Information Technology Education. Information Science
Refeerence (IGI Global), USA.

O’Brien JA, Marakas G. (2009). Management Informationsistem.
Ninth edition. Boston: Mc Graw Hill, Inc.

Porter, M. E. (1980). Competitive Strategy: Techniques for Analyzing Industries
and Competitors. New York: Free Press.

Prasetyo, & Jannah. (2006). Metode Penelitian Kuantitatif, Teori dan Aplikasi.
Jakarta: PT Raja Grafindo Persada.

Prawiradilga, Dewi Salma. (2008). Prinsip Desain Pembelajaran. Kencana,
Jakarta.

Rasman, I., Y., K. (2012). Gambaran Hubungan Unsur-Unsur End-User
Computing Satisfaction terhadap Kepuasan Pengguna Sistem Informasi
Rumah Sakit di Rumah Sakit Umum Daerah Kota Depok. Skripsi.
Universitas Indonesia. Depok.

Ringle, C. M., Da Silva, D., & Bido, D. D. S. (2015). Structural equation modeling
with the Smartpls.

Ritchie, Dennis M. (2013). The Programming Language. Pretince-Hall, Inc.

109

Roscoe, (1975). dikutip dari Uma Sekaran, 2006, Metode Penelitian Bisnis.
Salemba Empat: Jakarta.

Rosenberg, Marc J. (2001). e-Learning; Strategies for Delivering Knowledge in the
Digital. New York: McGraw Hill.

Santoso, Singgih. (2012). Aplikasi SPSS pada statistik parametrik. Elex Media
Komputindo: Jakarta.

Sarina, Andi. (2016). Pengelolaan E-Learning Management System Sebagai Media
Pembelajaran di Universitas Hasanuddin.

Setiawan, A., B., (2016). Evaluasi Kepuasan Pengguna Sistem Aplikasi Surat
Keterangan Tinggal Sementara Online (SKTS) dengan Menggunakan
Metode End-User Computing Satisfaction. Skripsi. Universitas
Airlangga: Surabaya.

Siahaan, S. (2004). E-learning (Pembelajaran Elektronik) Sebagai Salah Satu
Alternatif Pembelajaran. [online] http://www.depdiknas.go.id/Jurnal/42/
sudirman.htm. Tanggal akses :16 Maret 2018

Smaratungga. (2009). [online] Available FTP: http://smaratungga.ning.com.
Tanggal akses: 20 Agustus 2018.

Suharyanto, dan Adele. (2016). Penerapan E-Learning Sebagai Alat Bantu
Mengajar Dalam Dunia Pendidikan. Perbanas : Jakarta.

Sugiyono. (2013). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:
Alfabeta.

Sutabri. (2003). Analisa Sistem Informasi. Penerbit Andi; Yogjakarta.
Sutopo. (2006). Metodologi Penelitian Kualitatif. Surakarta: UNS.
Syahrul dan Mohammad Afdi Nizar, (2006). yang dimaksud menganalisis adalah :

“Melakukan evaluasi terhadap kondisi dari pos-pos atau ayat-ayat
memungkinkan tentang perbedaan yang muncul”.

110

Syofian, S., Setiyaningsih, T., & Syamsiah, N. (2015). Otomatisasi Metode
Penelitian Skala Likert Berbasis Web. Prosiding Semnastek.

Turban, Efram., D.King, J.K.Lee, dan D.Viehland. (2005). Electronic Commerce A
Managerial Perspective 2004. Prentice Hall, New Jersey.

Ultes, S., Budzianowski, P., Casanueva, I., Mrkšic, N., Rojas-Barahona, L., Su, P.
H., & Young, S. (2017). Domain-Independent User Satisfaction Reward
Estimation For Dialogue Policy Learning. In Proc. Interspeech, 1721-
1725.

Wikipedia. (2018). Kamus Bahasa Indonesia. Wikipedia Ensiklopedia. [online]
https://ms.wikipedia.org/wiki/Kepuasan. Tanggal akses: 20 Agustus 2018

Wong, K. K. K. (2013). Partial least squares structural equation modeling (PLS-
SEM) techniques using SmartPLS. Marketing Bulletin, Vol. 24 No. 1, 1-
32.

Yamin, S., & Kurniawan, H. (2011). Generasi Baru Mengolah Data dengan Partial
Least Square Path Modeling. Jakarta: Salemba Infotek.

Yanto, Rudi. (2007). Analisa dan Perancangan Sistem Pembelajaran
Menggunakan E-Learning di SMUN 78. Binus: Jakarta.

Zuriah, N. (2016). Metodologi penelitian sosial dan pendidikan: teori, aplikasi.
Bumi Aksara.

111