OPERASI RISET

PENGARUH PENGGUNAAN PLAT FORM (FACEBOOK)

TERHADAP KOMUNIKASI INTERPERSONAL SESEORANG
Oleh:
Evi Ardiati Sazaen [B2A218017]
Pembimbing:
Abdul Karim

TUJUAN
Adapun tujuan yang ingin dicapai dalam penelitian ini yaitu:
1. Untuk mengetahui pola komunikasi antar pribadi seseorang
2. Untuk mengetahui pengaruh facebook terhadap pola komunikasi interpersonal seseorang

POPULASI DAN SAMPEL

Populasi
Populasi merupakan sekelompok orang, kejadian atau segala sesuatu yang memiliki
karakteristik tertentu. Pada penelitian ini populasi penelitian terdiri dari populasi sampel dan
populasi sasaran.
- Populasi Sampel
Populasi sampel pada penelitian ini yaitu pengguna sosial media facebook dari berbagai
kalangan.
- Populasi Sasaran
Sedangkan yang menjadi populasi sasaran pada penelitian ini yaitu pengguna sosial media
facebook yang memiliki rentan usia mulai dari 15-45 tahun.

Sampel
Sampel merupakan bagian dari populasi yang diharapkan mampu mewakili populasi
dalam penelitian. Pada penelitian ini dalam menentukan jumlah sampel peneliti menggunakan
teknik sampling non-probability sampling yaitu Quota Sampling. Quota sampling merupakan
teknik pengambilan sampel hanya berdasarkan pertimbangan peneliti saja, hanya disini besar dan
kriteria sampel telah ditentukan lebih dahulu. Jumlah sampel yang digunakan pada penelitian ini
sebanyak 64 orang.

VARIABEL
Variabel didefinisikan sebagai “is simply symbol or a concept that can assume any one
of set of values”. Dari definisi tersebut menjelaskan bahwa variabel merupakan simbol atau konsep
yang diasumsikan sebagai perangkat nilai-nilai (Sarwono, 2006). Adapun penulis
memformulasikan kerangka konseptual variabel sebagai berikut:

Tabel 1 Variabel Bebas

Kode Penggunaan Media Sosial Facebook Indikator

- Intensitas
X1 Frekuensi Penggunaan Facebook - Durasi
- Waktu
- Identitas Personal
X2 Keterbukaan Diri - Partisipasi
- Percakapan
- Gaya Hidup
- Komunitas
X3 Kebijakan dalam Mengakses Facebook
- Bertindak jujur (Honesty)
- Sikap

Tabel 2 Variabel terikat

Kode Komunikasi Interpersonal Seseorang Indikator

- Keperibadian
Persepsi Responden Mengenai Pola
Y - Komunikasi
Komunikasi Interpersonal
- Dampak

Definisi Operasional
Variabel dibagi menjadi dua macam yaitu:
 a. Variabel Independen/Variabel Bebas (X)
Variabel bebas adalah variabel yang mempengaruhi atau menjadi sebab perubahan atau
timbulnya variabel dependen (variabel terikat).
b. Variabel Dependen/Variabel Terikat (Y)
Variabel terikat adalah variabel yang dipengaruhi atau yang menjadi akibat karena adanya
variabel bebas.

Adapun definisi operasional terhadap variabel-variabel tersebut adalah:

1. Variabel X yaitu Penggunaan Media Sosial Facebook
Media Sosial adalah demokratisasi informasi, mengubah orang dari pembaca konten ke penerbit
konten (Nurjanah, 2014). Dalam hal ini facebook sebagai situs jejaring sosial yang merupakan
wadah untuk menghubungkan banyak orang dalam lingkungan sosial online melalui
penggunaan website (Yusuf, 2017). Adapun indikator yang digunakan untuk penelitian ini
berdasarkan indikator dari sebuah social media menurut (Antony , 2008) yaitu:
a. Partisipasi
b. Keterbukaan
c. Percakapan
d. Komunitas
Berdasarkan penelitian terdahulu ada beberapa indikator yang berkaitan dengan penggunaan
media sosial facebook (Asmaya, 2015):
e. Durasi
f. Bertindak jujur (Honesty)
Adapun penelitian selanjutnya terkait indikator penggunaan media sosial facebook yaitu
(Yusuf, 2017):
g. Identitas Personal
Berdasarkan penjelasan diatas dibentuk konsep yang lebih sederhana seperti gambar berikut:
X1: Frekuensi penggunaan facebook
Frekuensi penggunaan situs jejaring sosial facebook yang dimaksud dalam penelitian ini dapat
dilihat melalui jumlah jam penggunaan facebook (Ni'mah, 2018).
Indikator: intensitas, durasi, waktu
 Gambar 1 Konsep X1 dan Indikator

X2: Keterbukaan Diri

Hampir semua pelayanan sosial media terbuka untuk umpan balik (feedback) dan partisipasi.
Mendorong untuk melakukan pemilihan, berkomentar, dan berbagai informasi (Nurjanah,
2014).
Indikator: Identitas Personal, Partisipasi, Percakapan

Gambar 2 Konsep X2 dan Indikator

X3: Kebijakan dalam Mengakses Facebook

Indikator: Gaya Hidup, Komunitas, Bertindak jujur (Honesty), Sikap

Gambar 3 Konsep X3 dan Indikator

2. Variabel Y yaitu Komunikasi Interpersonal

Pola Komunikasi Interpersonal
 Komunikasi adalah suatu proses penyampaian informasi (pesan, ide, gagasan) dari satu
pihak kepada pihak lain (Yusuf, 2017). Komunikasi interpesonal adalah penyampaian pesan
oleh satu orang dan penerima pesan oleh orang lain atau sekelompok kecil orang, dengan
berbagai dampaknya dan dengan peluang untuk memberikan umpan balik (Devito, 2011).
Adapun indikator yang digunakan pada penelitian ini berdasarkan penelitian terdahulu oleh
(Asmaya, 2015):
a. Komunikasi
Dan adapun indikator lainnya yaitu:
b. Kepribadian
c. Dampak

Gambar 4 Konsep Y dan Indikator

TEKNIK ANALISIS TENTANG SEM PLS

1. Structural Equation Modeling (SEM) dengan Partial Least Square (PLS)

Structural Equation Modeling (SEM) merupakan metode analisis multivariat yang
dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara
variabel pengamatan (indikator) dan variabel yang tidak dapat diukur secara langsung (variabel
laten) (Sholiha & Salamah, 2015). Partial Least Square (PLS) menjadi metode yang kuat dari
suatu analisis karena kurangnya ketergantungan pada skala pengukuran (misal pengukuran
yang membutuhkan skala interval atau rasio), ukuran sampel, dan distribusi dari residual (Wold,
2013).
SEM dengan PLS terdiri tiga komponen, yaitu
a. Model Struktural (inner model)
Model struktural atau inner model menggambarkan hubungan antara variabel laten
independen (eksogen) dengan variabel laten dependen (endogen) (Chin, 1998).
b. Model Pengukuran (outer model)
 Model pengukuran (outer model) adalah bagian dari suatu model persamaan struktural yang
menggambarkan hubungan variabel laten dengan indikator-indikatornya.
c. Hubungan Bobot (weight relation)
Weight relation (hubungan bobot) yaitu bobot yang menghubungkan inner model dan outer
model untuk membentuk estimasi variabel laten eksogen dan endogen.

2. Evaluasi Model SEM-PLS

Evaluasi model dalam PLS meliputi dua tahap, yaitu evaluasi pada model pengukuran
dan evaluasi terhadap model structural (Sholiha & Salamah, 2015). Evaluasi model pengukuran
dilakukan kriteria sebagai berikut (Hair, Ringle, & Sarstedt, 2013):
a. Indicator Reliability
Indicator reliability menunjukkan berapa varian pertanyaan yang dapat dijelaskan oleh
indikator dengan memperhatikan nilai loading. apabila nilai loading lebih kecil dari 0,4
maka pertanyaan harus dieliminasi dari model (Vinzi, Chin, Henseler, & Wang , 2010).
b. Internal Consistency
Internal Consistency atau Construct reliability, yang dapat dihitung melalui nilai composite
reliability (𝜌̂) lebih dari 0,6 dengan persamaan sebagai berikut.
c. Convergent Validity
Convergent Validity, secara umum diperiksa dengan average variance extrcted (AVE).
Nilai AVE minimal 0,5 untuk menunjukkan ukuran convergent validity yang baik.
d. Discriminant Validity
Discriminant Validity, dievaluasi dengan membandingkan nilai akar AVE harus lebih tinggi
daripada korelasi antar konstruk atau nilai AVE lebih tinggi dari kuadrat korelasi antar
konstruk.

3. Evaluasi Model Struktural

Mengevaluasi model struktural dapat menggunakan kritria sebagai berikut (Hair, Ringle, &
Sarstedt, 2013):
a. R-squared (R2)
R-squared (R2) menyatakan persentase varian yang daat dijelaskan oleh variabel laten
endogen (Gujarati, 2014).
b. Koefisien Jalur
 Koefisien jalur (path coefficient), menggambarkan kekuatan hubungan antar konstruk.
c. Goodness of Fit
Goodness of Fit Index, digunakan dalam mengevaluasi model struktural dan pengukuran
secara keseluruhan.
1. Metode Bootstrapping
Metode bootstrap telah dikembangkan oleh Efron (1979) sebagai alat untuk membantu
mengurangi ketidak andalan yang berhubungan dengan kesalahan penggunaan distribusi
normal dan penggunaannya. Pada metode bootstrap dilakukan pengambilan sampel dengan
pengembalian dari sampel data (resampling with replacement) (Kastanja, 2014).

HASIL ANALISIS

1. Statistik Deskriptif
Hasil analisis data profil responden yang diperoleh penulis yaitu:

JENIS KELAMIN
Laki-Laki Perempuan

42%

58%

Gambar 5 Jenis Kelamin Responden

Berdasarkan Gambar 5 jenis kelamin responden perempuan berjumlah 37 responden
atau sebesar 58% dan reseponden laki-laki berjumlah 27 responden atau sebesar 42% yang
menggunakan facebook.
 Usia

Jumlah 3

60

0 10 20 30 40 50 60 70

36-45 26-35 17-25

Gambar 6 Usia

Dari Gambar 6 dilihat berdasarkan usia, responden terbanyak adalah responden

dengan usia 17-25 tahun yaitu sebanyak 60 responden atau 94% yang menggunakan facebook.
Adapun usia 26-35 tahun responden yang menggunakan facebook sebanyak 3 orang atau 5%.
Dan sisanya usia 36-45 tahun dengan jumlah 1 orang atau 1% menggunakan facebook.
 Berdasarkan tabel Statistics diatas nilai mean pada jenis kelamin dan usia sebesar 1,58
dan 1,08 menunjukkan rata-rata dari masing-masing variabel semua responden. Untuk nilai
median dari variabel jenis kelamin dan usia sebesar 2,00 dan 1,00 menunjukkan titik tengah
data. Adapun nilai modus dari jenis kelamin yaitu 2 yang artinya pengguna facebook dominan
perempuan, sedangkan nilai modus untuk usia pengguna facebook yaitu 1 didominan oleh usia
17-25 tahun. Nilai standar deviasi yang didapatkan yaitu sebesar 0,497 untuk jenis kelamin dan
0,324, nilai tersebut menunjukkan besarnya penyimpangan antara data sampel dengan nilai
rata-ratanya.

Berdasarkan Tabel Frekuensi Jenis Kelamin bisa dilihat bahwa terdapat 27 responden
yang berjenis kelamin laki-laki dan 37 responden perempuan. Sedangkan dari tabel usia
menunjukkan sebanyak 60 responden dengan rentang usia 17-25 tahun, 3 responden dengan
rentang usia 26-35 tahun, dan 1 responden dengan rentang usia 36-45 tahun.

2. Model Pengukuran
Sebelum melakukan pengujian hipotesis untuk memprediksi hubungan antar variabel
laten dalam model struktural, terlebih dahulu dilakukan evaluasi model pengukuran untuk
verifikasi indikator dan variabel laten yang dapat diuji selanjutnya.
Indicator Reliability
Indicator reliability menunjukkan berapa variansi pertanyaan yang dapat dijelaskan
oleh indikator. Pada indicator reliability, suatu pertanyaan reflektif harus dieliminasi
(dihilangkan) dari model pengukuran ketika nilai loading (λ) lebih kecil dari 0,4. Berikut adalah
hasil nilai loading (λ) yang didapatkan.
 Gambar 7 Diagram Jalur disertai Nilai Loading Factor

Berdasarkan Gambar 7 diatas maka indikator IN1, KD6, dan KD7 harus dieliminasi dari model
karena memiliki nilai loading factor di bawah 0,4. Sehingga dihasilkan diagram yang baru
sebagai berikut:
 Gambar 8 Diagram Jalur Akhir disertai Nilai Loading Factor
Berdasarkan Gambar 8 dapat diketahui bahwa varian masing-masing indikator F1 dan
F2 dapat dijelaskan oleh variabel laten X1 (intensitas) sebesar 90%. Variabel laten X2 (durasi)
dapat menjelaskan varian sebesar 100% dari indikator F3. Varian sebesar 90% dari indikator
F4 dan F5 dapat dijelaskan oleh variabel laten X3 (waktu). Selanjutnya varian dari indikator
IN2 dapat dijelaskan oleh variabel laten X4 (identitas personal) sebesar 100%. Variabel laten
X5 (partisipasi) sebesar 70% dapat menjelaskan varian dari indikator IN3, IN4, dan IN5. Varian
dari indikator IN6 dan IN7 sebesar 60% dapat dijelaskan oleh variabel laten X6 (percakapan).
Variabel laten X7 (gaya hidup) dapat menjelaskan varian sebesar 50% dari indikator KB1 dan
KB2. Varian sebesar 60% dari indikator KB3, KB4, dan KB5 dapat dijelaskan oleh variabel
laten X8 (komunitas). Variabel laten X9 (kejujuran) dapat menjelaskan varian dari indikator
KB6 sebesar 100%. Varian dari indikator KB7, KB8, KB9, KB10, KB11, dan KB12 sebesar
50% dapat dijelaskan oleh variabel laten X10 (sikap).
Kemudian, variabel laten Y1 (keperibadian) dapat menjelaskan varian dari indikator
KD1 dan KD2 sebesar 80%. Varian dari indikator KD3 sebesar 100% dapat dijelaskan oleh
variabel laten Y2 (komunikasi). Dan variabel laten Y3 (dampak) dapat menjelaskan varian
sebesar 50% dari indikator KD4 dan KD5.
Composite Reliability
Kriteria selanjutnya yaitu composite reliability dan convergent validity (AVE) yang
disajikan pada Tabel 3 berikut.

Tabel 3 Nilai Composite Reliability dan AVE Model Pengukuran

Indikator Composite Reliability AVE

- Intensitas 0,967 0,936
- Durasi 1.000 1.000
- Waktu 0,931 0,872
- Identitas Personal 1.000 1.000
- Partisipasi 0,879 0,708
- Percakapan 0,801 0,679
- Gaya Hidup 0,737 0,605
- Komunitas 0,778 0,544
- Bertindak jujur (Honesty) 1.000 1.000
- Sikap 0,882 0,559
- Keperibadian 0,862 0,757
- Komunikasi 1.000 1.000
- Dampak 0,749 0,618

Berdasarkan nilai composite reliability yang disajikan dalam Tabel 3, menunjukkan

bahwa tigabelas indikator memiliki nilai composite reliability lebih dari 0,6. Artinya,
pertanyaan yang ditetapkan mampu mengukur setiap indikator (konstruk) dengan baik atau
dapat dikatakan bahwa tigabelas model pengukuran telah reliabel.
Nilai AVE yang ditunjukkan pada Tabel 3 menunjukkan bahwa tigabelas indikator
memiliki nilai AVE di atas kriteria minimum, yaitu 0,5 sehingga ukuran convergent validity
sudah baik atau dapat dikatakan jika telah memenuhi kriteria convergent validity.

t-statistic
Kelayakan suatu model pengukuran juga dapat dilihat dari nilai t-statistik hasil
loading, dengan syarat t-statistic > t-tabel (1,998) pada taraf signifikansi 5%. Nilai t-statistik
yang didapatkan dari proses bootstrapping dengan menggunakan jumlah sampel 64 dan untuk
resampling sebesar 199 kali sebagai berikut.
Tabel 4 Hasil T-Statistic Nilai Loading Model Pengukuran
 Berdasarkan Tabel 4 diketahui bahwa dari semua indikator dan pertanyaan yang
memiliki nilai t-statistic < t-tabel (1,998) yaitu KB2 sebesar 1,317 < 1,998 yang berarti bahwa
tidak ada pengaruh KB2 terhadap indikator endogen. Sedangkan sisanya memiliki nilai t-
statistic > t-tabel (1,998) yang berarti bahwa hamper semua indikator memiliki pengaruh
terhadap indikator endogen.

3. Model Struktural

Model struktural (inner model) merupakan model yang menggambarkan hubungan antar
variabel laten yang dievaluasi.

R-Squared R2
Berikut adalah nilai R-Square pada indikator:
Tabel 5 nilai R-Squared

Indikator R-Square
Y1 0,363
Y2 0,311
Y3 0,282
 Berdasarkan Tabel 4 diatas menunjukkan sebesar 0,363 untuk indikator Y1
(keperibadian) yang berarti bahwa semua variabel eksogen dapat menjelaskan persentase varian
dari variabel endogen sebesar 36,3%. Untuk nilai R2 pada indikator Y2 (komunikasi) dan Y3
(dampak) sebesar 0,311 dan 0,282 yang artinya bahwa kedua variabel endogen mampu
dijelaskan persentase variannya oleh variabel eksogen sebesar 31,1% dan 28,2% sisanya
dipengaruhi oleh varibel lain diluar model.

Daftar Pustaka
Alfa, A. A., Rachmatin, D., & Agustina, F. (2017). Analisis Pengaruh Faktor Keputusan
Konsumen Dengan Structural Equation Modeling Partial Least Square. EurekaMatika.
Antony , M. (2008). What is Social Media? London: iCrossing.
Asmaya, F. (2015). Pengaruh Penggunaan Media Sosial Facebook Terhadap Perilaku Prososial
Remaja di Kenagarian Koto Bangun. Jom FISIP.
Chin, W. W. (1998). The Partial Least Squares Approach to Structural Equation Modeling. Dalam
G. A. Marcoulides, Modern Methods For Business Research . London: Lawrence Erlbaum
Associates.
Devito, J. A. (2011). Komunikasi Antar Manusia. Tangerang: Kharisma.
Gujarati. (2014). Basic Econometrics (4th ed.). New York: The McGraw-Hill Companies.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2013). Editorial Partial Least Square Structural Equation
Modeling: Rigorous Applications, Better Results and Higher Acceptance. ELSEVIER, 1-
12.
Kastanja, L. I. (2014). Structural Euation Modeling Berbasis Varian (SEM-PLS Spasial) untuk
Pemodelan Status Risiko Kerawanan Pangan di Provinsi Papua dan Papua Barat.
Surabaya: Jurusan Statistika FMIPA-ITS.
Ni'mah, S. (2018). Pengaruh Intensitas Penggunaan Jejaring Sosial Facebook Terhadap Akhlak
Siswa Kelas VIII MTS Hasan Kafrawi Mayong Jepara. Semarang: Universitas Islam
Negeri Semarang.
Nurjanah, S. (2014). Pengaruh Penggunaan Media Sosial Facebook Terhadap Perilaku
Cyberbullying Pada Siswa SMAN 12 Pekanbaru. Jom FISIP.
Sarwono, J. (2006). Metode Penelitian Kuantitatif dan Kualitatif. Yogyakarta: Graha Ilmu.
Sholiha, E. U., & Salamah, M. (2015). Structural Equation Modeling-Partial Least Square untuk
Pemodelan Derajat Kesehatan Kabupaten/Kota di Jawa Timur (Studi Kasus Data Indeks
Pembangunan Kesehatan Masyarakat Jawa Timur 2013). JURNAL SAINS DAN SENI ITS,
2337-3520.
Vinzi, V. E., Chin, W. W., Henseler, J., & Wang , H. (2010). Handbook of Partial Least Squares.
Berlin: Springer.
Wold, H. (2013). Partial Least Square. In G. A. Marcoulides, Modern Methods For Business
Research (p. 295) . New York: Psychology Press.
Yusuf, D. P. (2017). Pengaruh Penggunaan Media Sosial Facebook Terhadap Pola Komunikasi
Interpersonal di Sdn IV Sudirman Makassar. Makassar: Universitas Hasanudin Makassar.
LAMPIRAN