TUGAS RESUME

METODE PENELITIAN

Chapter 8
Data Collection Methods: Observation

A. Pendahuluan
Tindakan dan perilaku karyawan, konsumen, investor, dan sejenisnya berperan
penting dalam penelitian bisnis. Peneliti dan manajer biasanya tertarik dengan
bagaimana pekerja melakukan pekerjaannya, efek dari teknik manufaktur baru
terhadap aktivitas karyawan, bagaimana konsumen melihat iklan, menggunakan
produk, atau sikap mereka di ruang tunggu. Teknik yang dapat digunakan untuk
mengumpulkan data tindakan dan perilaku disebut observasi. Kelemahan metode
observasi adalah metode ini membutuhkan waktu yang banyak.
B. Definisi dan Tujuan Observasi
Observasi berhubungan dengan rencana pengamatan, pencatatan, analisis, dan
interpretasi dari tingkah laku, tindakan, atau suatu kejadian. Berbagai macam
pendekatan observasi dapat dibedakan dengan empat dimensi kunci yang menjadi ciri
jenis observasi, yaitu (1) pengendalian, (2) apakah pengamat merupakan bagian dari
kelompok atau bukan, (3) struktur, dan (4) kerahasiaan observasi.
C. Empat Dimensi Utama yang menjadi Karakteristik Jenis Observasi
1. Studi observasional terkendali versus tidak terkendali
Perbedaan dapat muncul antara observasi yang terkendali dengan yang tidak
terkendali. Sebuah studi observasional dikatakan sangat terkendali ketika situasinya
dimanipulasi oleh peneliti. Pengamatan terkendali dapat dilakukan di laboratorium
atau di lapangan. Sedangkan pengamatan yang tidak terkendali adalah teknik
pengamatan yang tidak berupaya mengendalikan, memanipulasi, atau mempengaruhi
situasi. Keuntungan dari pengamatan yang tidak terkendali adalah subjek dapat
diamati pada habitat / kebiasaan alaminya. Namun, kelemahan pengamatan tidak
terkendali adalah biasanya sulit untuk mengurai situasi yang seringkali rumit karena
peneliti tidak mengendalikan faktor apa pun dalam pengamatan.
2. Observasi partisipan versus non partisipan
Pada pengamatan non partisipan, peneliti tidak pernah terlibat langsung pada
tindakan subjek pengamatan, tetapi mengamati dari luar lingkungan subjek
pengamatan. Sedangkan dalam pengamatan partisipan, peneliti mengumpulkan data
dengan berpartisipasi dalam kehidupan sehari-hari kelompok atau organisasi yang
diteliti.
3. Studi observasional terstruktur dan tidak terstruktur
Studi observasional terstruktur adalah ketika pengamat memiliki seperangkat
kategori kegiatan atau fenomena yang telah ditentukan untuk dipelajari. Pengamatan
terstruktur umumnya bersifat kuantitatif. Sedangkan studi observasional tidak
terstruktur adalah ketika pengamat tidak memiliki fokus/ide di awal penelitian tentang
aspek-aspek tertentu. Dalam kasus ini, pengamat akan mencatat hampir semua hal
yang diamatinya. Studi observasional tidak terstruktur diklaim sebagai ciri khas
penelitian kualitatif.
4. Pengamatan terselubung versus tersingkap
Kerahasiaan pengamatan ini berhubungan dengan apakah anggota kelompok
sosial atau organisasi yang diteliti mengetahui bahwa mereka sedang diselidiki.
Keuntungan utama dari penelitian yang terselubung adalah subjek penelitian tidak
 terpengaruh oleh kesadaran bahwa mereka sedang diamati. Sedangkan pengamatan
yang tersingkap / tidak terselubung lebih menonjol dan berkemungkinan untuk
mengganggu keaslian perilaku subjek yang diteliti.

D. Dua Pendekatan Penting untuk Observasi

Dua pendekatan penting dan berbeda untuk observasi adalah observasi partisipan dan
observasi terstruktur.
1. Observasi partisipan: pengantar
Karakteristik kunci dari pengamatan partisipan adalah bahwa peneliti
mengumpulkan data dengan berpartisipasi dalam kehidupan sehari-hari kelompok
atau organisasi yang diteliti. Ini memungkinkan peneliti untuk belajar tentang
kegiatan kelompok yang diteliti dalam lingkungan alami dari sudut pandang orang
dalam melalui mengamati dan berpartisipasi dalam kegiatan ini.
Seiring dengan perkembangan zaman, metode observasi partisipan telah
dikembangkan dan disempurnakan secara menyeluruh. Sekarang umum untuk
membedakan antara dua cara dasar untuk memahami metode. Ini dapat diidentifikasi
secara sempit sebagai partisipasi dalam cara hidup kelompok sosial yang diteliti
dikombinasikan dengan mengamati apa yang sedang terjadi. Atau, mungkin diberi
label lebih luas untuk melibatkan tidak hanya partisipasi dan observasi tetapi juga
penggunaan metode lain seperti wawancara.

2. Aspek partisipatif dari observasi partisipatif

Pengamatan partisipan menggabungkan proses partisipasi dan observasi.
Meskipun demikian, pengamatan partisipan harus dibedakan dari observasi murni dan
partisipasi murni (Bernard, 1994). Pengamatan murni berusaha untuk menghilangkan
peneliti dari tindakan dan perilaku yang diamati; peneliti tidak pernah terlibat
langsung dalam tindakan dan perilaku kelompok yang diteliti. Partisipasi murni telah
digambarkan sebagai "akan asli"; peneliti menjadi sangat terlibat dengan kelompok
yang diteliti sehingga pada akhirnya setiap objektivitas dan minat penelitian hilang
(Jorgensen, 1989; DeWalt & DeWalt, 2002). Dalam dua ekstrem ini, pengamatan
partisipan telah berhasil digunakan oleh banyak peneliti yang terlibat dalam penelitian
bisnis.
Ciri khas pengamatan partisipan adalah bahwa peneliti berpartisipasi dalam
kelompok sosial yang diteliti. Tingkat partisipasi tertinggi terjadi dengan partisipasi
penuh. Dalam hal ini, peneliti tinggal atau bekerja dengan subjek yang diteliti dan
cenderung untuk mengambil peran yang telah ditetapkan sebelumnya (misalnya,
peran rekan kerja). Dalam partisipasi penuh, peneliti dapat menyembunyikan bahwa
dia adalah seorang pengamat, berperilaku sealami mungkin dan berusaha untuk
menjadi anggota kelompok sosial yang diterima. Kelemahan dari metode ini adalah
bahwa partisipasi penuh dapat membatasi kebebasan bergerak di luar peran yang
diadopsi. Karena itu, semakin hari partisipasi penuh menjadi semakin langka.
Studi observasional didasarkan pada partisipasi moderat. Dalam hal partisipasi
moderat, peneliti mengasumsikan posisi menengah antara menjadi orang dalam yang
sepenuhnya (peserta lengkap) dan menjadi orang luar yang sepenuhnya (seperti dalam
studi observasi non-partisipasi)

3. Aspek observasi dari observasi partisipan

Dalam sebagian besar studi observasional, mendapatkan akses dimulai dengan
memperoleh izin untuk melakukan penelitian dari orang-orang berperingkat tinggi
 dalam organisasi. Untuk mendapatkan izin untuk melakukan penelitian ini, penting
untuk menjelaskan tujuan penelitian dengan cermat. Mendapatkan izin hanyalah
langkah pertama dalam melakukan observasi partisipan. Menjadi anggota yang
diterima dari kelompok sosial yang diteliti adalah yang berikutnya.
Aspek penting dari pengamatan partisipan adalah membangun “hubungan.”
Membangun hubungan melibatkan membangun hubungan saling percaya dengan
kelompok sosial yang diteliti, dengan menunjukkan rasa hormat, jujur, dan
menunjukkan komitmen terhadap kesejahteraan kelompok atau anggota individu.
Sehingga mereka merasa aman dalam berbagi informasi (sensitif) dengan peneliti.
Jorgensen (1989) berpendapat bahwa sejauh mana hubungan dibangun memengaruhi
sejauh mana informasi yang dikumpulkan dalam observasi partisipan akurat dan dapat
diandalkan. Dalam nada yang sama, hubungan telah disebut sebagai "satu-satunya
dasar di mana informasi yang benar-benar dapat diandalkan dapat diperoleh" (Villa
Rojas, 1979, hal. 59).

4. Apa yang harus diamati

Secara umum, faktor terpenting dalam menentukan apa yang harus diamati adalah
maksud atau tujuan penelitian. Werner dan Schoepfle (1987) membedakan tiga proses
berturut-turut dalam pengamatan yang dapat memberikan pemahaman yang semakin
mendalam tentang pengaturan yang sedang dipelajari: (1) observasi deskriptif, (2)
observasi terfokus, dan (3) observasi selektif.
Dalam observasi deskriptif, peneliti terbuka untuk segala sesuatu yang terjadi;
Data dikumpulkan yang menggambarkan pengaturan, subjek, dan peristiwa yang
terjadi. Pengamatan terfokus menekankan pengamatan (sering didukung oleh
wawancara) di mana peneliti akan berkonsentrasi pada jenis perasaan, emosi,
tindakan, kegiatan, dan / atau peristiwa tertentu dan mencari tema yang muncul.
Akhirnya, dalam pengamatan selektif, peneliti berfokus pada berbagai jenis tindakan,
kegiatan, atau peristiwa dan mencari keteraturan di dalamnya, sementara terbuka
untuk variasi dari atau pengecualian untuk pola yang muncul.

5. Observasi terstruktur: pengantar

Observasi terstruktur difokuskan pada sebuah sifat, seperti yang terlihat selektif
pada fenomena yang telah ditentukan. Fokus pengamatan terstruktur adalah informasi
yang terpecah menjadi potongan-potongan kecil dan mudah dikelola (seperti
informasi tentang perilaku, tindakan, interaksi, atau peristiwa).
Ada berbagai tingkat struktur dalam pengamatan terstruktur. Misalnya :
a. peneliti mungkin telah memutuskan sebuah kategori observasi dengan seksama
dan menggunakan cara yang khusus sebelumnya (observasi yang sangat
terstruktur), atau
b. memulai dengan rencana rinci terhadap apa dan bagaimana sesuatu akan
diamati, tapi pengumpulan datanya menggunakan cara yang kurang sistematis
atau tertentu (observasi semi-terstruktur).

6. Penggunaan skema pengkodean dalam observasi terstruktur

Skema coding berisi kategori-kategori yang telah ditentukan untuk merekam apa
yang akan diobservasi. Tipe dari skema coding yang digunakan tergantung pada
informasi apa yang peneliti ingin dapatkan. Pertanyaan-pertanyaan penelitian
berfungsi sebagai titik awal dalam pengembangan skema coding.
Pertimbangan yang perlu diperhatikan dalam pembangunan skema coding adalah :
 a. Fokus : harus jelas apa yang akan diamati
b. Tujuan
c. Mudah digunakan
d. Mutually exclusive and collectively exhaustive
Standar skema pengkodean dapat membantu peneliti untuk mengembangkan skema
pengkodean sendiri, memungkinkan peneliti untuk memberi jaaban atas pertanyaan
peneliti.

7. Keuntungan dan Kerugian dari Observasi

Kelebihan :

1. Kelebihan utama observasi adalah data yang diperoleh peneliti merupakan data
orisinal (langsung pada saat terjadi).
2. Untuk data yang berupa catatan dan prosedur mekanik, observasi merupakan
satu-satunya cara yang dapat dilakukan. Misalnya work-flow, layout, dsb.
3. Informasi yang diperoleh terperinci dan bisa menyesuaikan dengan kepentingan
peneliti. Bahkan sampai pada subjek yang mungkin tidak penting untuk diamati,
tapi sangat berharga bagi peneliti.
4. Data yang dikumpulkan biasanya lebih baik daripada kuesioner atau wawancara
karena observasi tidak banyak menuntut kesiapan subjek dalam memberikan
informasi.
Kekurangan :
1. Rentan terhadap reaktivitas jika pengamatan terbatas pada periode yang singkat,
karena yang diamati mungkin berperilaku berbeda selama periode penelitian.

2. Proses observasi membutuhkan waktu yang lama dan biaya yang mahal. Bisa
saja waktu selesainya observasi lebih lama dari waktu yang telah ditentukan.

3. Proses observasi hanya melihat bagian yang tampak saja. Bagian yang tidak
terlihat, seperti persepsi orang tidak dapat diobservasi. Objek yang diteliti bisa
saja menampakkan kebiasaan yang berbeda karena sedang diobservasi.
4. Peneliti tidak dapat mengontrol/memprediksi lingkungan. Bila kondisi
lingkungan berbeda apakah bisa dilakukan observasi terhadap hal yang sama.
Misalnya observasi akan berbeda ketika cuaca yang dihadapi berbeda.
5. Cara observasi memang menghasilkan informasi lengkap, tetapi tergantung dari
kemampuan peneliti untuk menginterpretasikan hasil observasi. Pengamat yang
berbeda akan menghasilkan hasil observasi yang berbeda pula.

Chapter 13
Sampling
A. Pendahuluan
Penelitian akan menjadi sia-sia jika data tidak dikumpulkan dari orang, peristiwa,
atau objek yang dapat memberikan jawaban yang benar untuk menyelesaikan masalah.
Dalam penyelidikan penelitian yang melibatkan beberapa ratus atau bahkan ribuan
elemen, praktis tidak mungkin untuk mengumpulkan data dari, atau menguji, atau
memeriksa, setiap elemen maka akan dilakukan pemilihan beberapa individu dalam
populasi yang akan diteliti lebih dalam. Proses pemilihan individu, objek, atau peristiwa
yang tepat sebagai perwakilan untuk seluruh populasi dikenal sebagai sampel, yang akan
kita periksa secara terperinci dalam bab ini.
B. Populasi, Elemen, Sampel, Unit Pengambilan Sampel, dan Subjek
1. Populasi
Populasi mengacu pada seluruh kelompok orang, peristiwa, atau hal-hal menarik yang
ingin diselidiki oleh peneliti. Ini adalah kelompok orang, peristiwa, atau hal-hal
menarik yang peneliti ingin buat kesimpulan (berdasarkan statistik sampel).
2. Elemen
Elemen adalah satu anggota populasi. Jika 1000 pekerja kerah biru dalam suatu
organisasi tertentu menjadi populasi yang menarik bagi seorang peneliti, setiap
pekerja kerah biru di dalamnya adalah suatu elemen. Sensus adalah hitungan semua
elemen dalam populasi manusia.
3. Sampel
Sampel adalah bagian dari populasi. Itu terdiri dari beberapa anggota yang dipilih
darinya. Dengan kata lain, beberapa, tetapi tidak semua, elemen populasi membentuk
sampel. Dari penelitian terhadap sampel tersebut peneliti akan mengambil kesimpulan
yang dapat di generalisasi tentang seluruh populasi
4. Unit Pengambilan Sampel
Unit pengambilan sampel adalah elemen atau serangkaian elemen yang tersedia untuk
dipilih dalam beberapa tahap proses pengambilan sampel. Contoh unit pengambilan
sampel dalam sampel multistage adalah blok kota, rumah tangga, dan individu dalam
rumah tangga.
5. Subjek
Subjek adalah anggota tunggal sampel, sama seperti elemen adalah anggota populasi
tunggal. Jika 200 anggota dari total populasi 1000 pekerja kerah biru membentuk
sampel untuk penelitian ini, maka setiap pekerja kerah biru dalam sampel adalah
subjek.
C. Sampel Data dan Nilai Populasi
Hubungan antara sampel dan populasi di ilustrasikan sebagai berikut :

Peneliti menggunakan statistik untuk memeriksa respon atas unit yang di

sampel. sedangkan jika peneliti mempelajari seluruh populasi dan menghitung rata-
rata atau standar deviasi, maka peneliti tidak menyebutnya sebagai statistik melainkan
disebut sebagai parameter populasi.
1. Parameter
Karakteristik populasi seperti μ (mean populasi), σ (standar deviasi populasi),
dan σ2 (varians populasi) disebut sebagai parameternya. Kecenderungan sentral,
dispersi, dan statistik lain dalam sampel yang diminati oleh penelitian diperlakukan
sebagai perkiraan kecenderungan sentral, dispersi, dan parameter lain dari populasi.
Dengan demikian, semua kesimpulan yang diambil tentang sampel yang diteliti
digeneralisasi ke populasi.
2. Representatifitas Sampel
Kebutuhan untuk memilih sampel yang tepat untuk penyelidikan penelitian
tidak dapat terlalu ditekankan. Kita tahu bahwa sampel jarang akan menjadi replika
yang tepat dari populasi dari mana ia diambil. Namun, jika kami memilih sampel
dengan cara ilmiah, kami dapat yakin bahwa statistik sampel (mis., X, S, atau S2)
cukup dekat dengan parameter populasi (mis., Μ, σ, atau σ2). Untuk membuatnya
berbeda, adalah mungkin untuk memilih sampel sedemikian rupa sehingga mewakili
populasi. Namun, selalu ada sedikit probabilitas, bahwa nilai sampel mungkin berada
di luar parameter populasi.
3. Normalitas Distribusi

Atribut atau karakteristik populasi umumnya berdistribusi normal. Misalnya,

ketika atribut seperti tinggi dan berat dipertimbangkan, kebanyakan orang akan
berkerumun di sekitar rata-rata, hanya menyisakan sejumlah kecil pada ekstrem yang
sangat tinggi atau sangat pendek, sangat berat atau sangat ringan, dan seterusnya,
seperti ditunjukkan pada gambar diatas.
Terlepas dari apakah atribut populasi terdistribusi secara normal atau tidak,
jika kita mengambil sampel dalam jumlah yang cukup besar dan memilihnya dengan
hati-hati, kita akan memiliki distribusi sampling dari sarana yang memiliki normalitas.
Ini adalah alasan mengapa dua masalah penting dalam pengambilan sampel adalah
ukuran sampel (n) dan desain pengambilan sampel.
Ketika sampel terdiri dari unsur-unsur dalam populasi yang memiliki nilai
yang sangat tinggi, mean sampel X akan jauh lebih tinggi daripada rata-rata populasi
μ. Sebaliknya, jika subjek sampel terdiri dari unsur-unsur dalam populasi dengan nilai
yang sangat rendah pada variabel yang diminati, mean sampel akan jauh lebih rendah
daripada rata-rata populasi sebenarnya μ. Namun, jika desain pengambilan sampel dan
ukuran sampel kami benar, mean sampel X akan berada dalam kisaran yang dekat
dengan rata-rata populasi sebenarnya μ.
Dengan demikian, melalui desain pengambilan sampel yang tepat, kami dapat
memastikan bahwa subjek sampel tidak dipilih dari ekstrem, tetapi benar-benar
mewakili sifat-sifat populasi. Semakin representatif populasi sampel, semakin banyak
generalisasi temuan penelitian. Namun di beberapa kasus tidak memerlukan
generalisasi, memiliki informasi instan mungkin lebih menguntungkan daripada
mendapatkan fakta yang paling representatif. Namun, harus dicatat bahwa hasil dari
 sampel yang sesuai tidak dapat diandalkan dan tidak pernah dapat digeneralisasi ke
populasi.
D. Proses Pengambilan Sampel
Pengambilan sampel merupakan proses memilih sejumlah elemen yang tepat dari
populasi sehingga studi dan pemahaman sifat/karakteristik sampel memungkinkan
peneliti untuk menggeneralisasi sifat/karakteristik tersebut ke seluruh elemen populasi.
Langkah-langkah pengambilan sampel meliputi :
1. Mendefinisikan populasi
Pengambilan sampel dimulai dengan mendefinisikan populasi target secara tepat.
Populasi target harus didefinisikan dalam hal elemen, batas geografis, dan waktu.
Tujuan dan ruang lingkup penelitian memiliki peran penting dalam menentukan
populasi target.
2. Menentukan kerangka pengambilan sampel
Kerangka pengambilan sampel adalah representasi fisik dari semua elemen dalam
populasi dimana sampel diambil. Kerangka pengambilan sampel tidak selalu tepat
karena bisa jadi data yang menjadi kerangka pengambilan sampel bukanlah data yang
up to date. Hal ini dapat menyebabkan terjadinya kesalahan cakupan populasi.
Kesalahan ini sering kali diabaikan karena perbedaan antara populasi target dan
kerangka pengambilan sampel cukup kecil sehingga dapat diabaikan. Dalam beberapa
kasus permasalahan ini harus diatasi dengan :
- Mendefinisikan kembali populasi target dalam kerangka sampling.
- Menyaring responden untuk memastikan responden tersebut memenuhi
kriteria populasi target.
- Menyesuaikan data yang dikumpulkan dengan menggunakan skema bobot.
3. Menentukan desain pengambilan sampel
Terdapat dua macam desain pengambilan sampel, yaitu pengambilan sampel
probabilistik dan nonprobabilistik. Dalam pengambilan sampel probabilistik, elemen
di dalam populasi memiliki peluang yang diketahui (bukan nol) untuk dipilih sebagai
subyek sampel. Pengambilan sampel probabilistik digunakan ketika keterwakilan
sampel sangat penting untuk kepentingan generalisasi yang lebih luas. Dalam
pengambilan sampel nonprobabilistik, elemen tidak memiliki atau tidak diketahui
peluangnya untuk dipilih sebagai subyek sampel. Pengambilan sampel
nonprobabilistik digunakan ketika waktu atau faktor lainnya lebih penting untuk
dipertimbangkan daripada generalisasi. Hal-hal yang dipertimbangkan dalam
menentukan desain pengambilan sampel yaitu :
- Apa target populasi yang relevan dalam penelitian ini?
- Apa parameter yang ingin diselidiki?
- Apa jenis kerangka pengambilan sampel yang tersedia?
- Biaya apa saja yang melekat pada desain pengambilan sampel?
- Berapa banyak waktu yang tersedia untuk mengumpulkan data dari sampel?
4. Menentukan ukuran sampel
Peneliti harus menentukan berapa banyak sampel yang akan digunakan, apakah akan
menggunakan sampel besar atau kecil. Faktor yang mempengaruhi keputusan tentang
ukuran sampel yaitu :
- Tujuan penelitian
- Tingkat presisi yang diingankan
- Risiko yang dapat diterima dalam memprediksi tingkat presisi tersebut
- Jumlah variabilitas dalam populasi itu sendiri
- Kendala biaya dan waktu
- Ukuran populasi itu sendiri
 5. Menjalankan proses pengambilan sampel
Tahap akhir dari proses pengambilan sampel yaitu melaksanakan proses pengambilan
sampe dengan mengimplementasikan keputusan target populasi, kerangka
pengambilan sampel, teknik sampel, dan ukuran sampel.
E. Probability Sampling
1. Unrestricted / Simple Random Sampling
setiap elemen dalam populasi mempunyai “a known and equal chance” untuk dipilih
sebagai subject. Jika ada 1000 elemen, dan kita butuh 100 sampel. Maka sampel
pertama yang kita ambil membunyai 1/1000 kemungkinan, selanjutnyaa 1//999 dst.
Punya bias yang kecil dan menwarkan generalizability. Bagaimanapun proses
sampling ini dapat menjadi sangat mahal dan tidak praktis sehingga digunakan
sampling yang lain
2. Restricted/Complex probability sampling
alternatif, menawarkan viable(dapat berlangsung terus) dan terkadang lebih efisien
● Systematic Sampling
memilih tiap elemen ke-n dengan elemen yang dipilih secara acak antara 1 dan n
contoh : jika kita mengambil sample 35 rumah dari total 260 populasi rumah,
maka pertama kita memilih secara acak angka dari 1sampai 7, bila yang dipilih
nomor 7, maka sampel yang diambil no 7, 14, 21, 28 dst. Namun kelemahannya
bias yang terjadi, apabila setiap rumah ke7 merupakan rumaha di corner, dan
studi kita tentang “noise pollution” maka penduduk di corner kemungkinan tidak
akan terekspos dengan polusi suara yang banyak.
● Stratified Random Sampling
dalam hal ini peneliti mencoba mengidentifikaasi subgroup dari elemen dalam
populasi yang diekspektasikan mempunyai parameter yang berbeda dalam
variabel yang menarik untuk diteliti.
Melinatkan proses stratifikasi atau segregasi, diikuti oleh random selection dari
setiap stratum, Populasi pertama kali dibagi menjadi kelompok-kelompok yang
saling eksklusif yang relevan, sesuai, dan bermakna dalam konteks penelitian.
Dan membantu fokus terhadap satu stratum yang mungkin mempunyai haasil
analisis yang cocok dengan tujuan
Proporsionate dan Disproportioned

● Cluster Sampling
Sampel cluster adalah sampel yang dikumpulkan dalam kelompok atau potongan
elemen yang, idealnya, adalah agregat alami elemen dalam populasi. Dibagi
menjadi cluster, lalu digunakan random sampling untuk setiap sample.
Cluster sampling menawarkan lebih banyak heterogenitas di dalam kelompok dan
lebih banyak homogenitas di antara kelompok - kebalikan dari apa yang
 ditemukan dalam stratified random sampling, di mana ada homogenitas dalam
setiap kelompok dan heterogenitas antar kelompok.
Spesifik cluster sampling adalah area sampling dimana digunakan berdasarkan
geografi seperti negara, kota dsb. Biayanya rendah dibanding yang lain, namun
terekspos dengan bias dan sulit digeneralisasi karena karena sebagian besar
cluster yang terjadi secara alami dalam konteks organisasi tidak mengandung
unsur heterogen.
Tidak umum digunakan dalam organisasi, namun biasanya digunakan dalam
marketing
single stage dan multistage cluster sampling _> nasional, provinsi, kota next
● Double Sampling
Rencana ini terpaksa ketika informasi lebih lanjut diperlukan dari subset
kelompok dari mana beberapa informasi telah dikumpulkan untuk studi yang
sama. Desain pengambilan sampel dimana awalnya sampel digunakan dalam
penelitian untuk mengumpulkan beberapa informasi awal yang menarik, dan
kemudian subsampel dari sampel primer ini digunakan untuk memeriksa masalah
tersebut secara lebih rinci.

F. Sampling Nonprobabilitas
Dalam desain sampel nonprobability, elemen-elemen dalam populasi tidak
memiliki probabilitas yang melekat pada mereka dipilih sebagai subjek sampel. Ini
berarti bahwa temuan dari studi sampel tidak dapat secara umum disamaratakan
kepada populasi. Namun, seperti yang dinyatakan sebelumnya, para peneliti kadang-
kadang mungkin kurang peduli tentang generalisasi daripada mendapatkan beberapa
informasi awal dengan cara cepat dan murah. Mereka mungkin kemudian
menggunakan sampling nonprobability. Terkadang sampling nonprobability
merupakan satu-satunya cara untuk mendapatkan data. Beberapa rencana
pengambilan sampel yang tidak dapat diprediksi lebih dapat diandalkan daripada yang
lain dan dapat menawarkan beberapa petunjuk penting untuk informasi yang
berpotensi bermanfaat terkait dengan populasi.

1. Sampling convenience
Convenience sampling mengacu pada pengumpulan informasi dari anggota populasi
yang siap untuk menyediakannya. Convenience sampling paling sering digunakan
selama fase eksplorasi proyek penelitian dan mungkin merupakan cara terbaik untuk
mendapatkan beberapa informasi dasar dengan cepat dan efisien.
2. Pengambilan sampel purposive
Pengambilan sampel yang terbatas pada tipe orang tertentu yang dapat memberikan
informasi yang diinginkan, baik karena mereka adalah satu-satunya yang memiliki
informasi, atau mereka sesuai dengan beberapa kriteria yang ditetapkan oleh peneliti.
Jenis desain pengambilan sampel ini disebut purposive sampling, dan dua tipe utama
dari purposive sampling yaitu judgment sampling dan quota sampling.
● Sampling penilaian
Sampling penilaian melibatkan pilihan subyek yang paling
menguntungkan ditempatkan atau dalam posisi terbaik untuk memberikan
informasi yang diperlukan. Misalnya, jika seorang peneliti ingin mengetahui
apa yang diperlukan oleh manajer perempuan untuk mencapai puncak, orang
yang dapat memberikan informasi langsung adalah para wanita yang telah
naik ke posisi presiden, wakil presiden, dan yang penting eksekutif tingkat
atas dalam organisasi kerja. Mereka secara wajar diharapkan memiliki
 pengetahuan ahli karena telah melalui pengalaman dan proses itu sendiri, dan
mungkin dapat memberikan data atau informasi yang baik kepada peneliti.
Dalam pengaturan organisasi, dan khususnya untuk riset pasar, para
pemimpin opini yang sangat berpengetahuan dimasukkan dalam sampel.
Pendapat, pandangan, dan pengetahuan yang tercerahkan merupakan sumber
data yang kaya. Sampling penilaian menghendaki upaya khusus untuk
menemukan dan mendapatkan akses ke individu yang memang memiliki
informasi yang diperlukan. Desain pengambilan sampel ini mungkin satu-
satunya yang berguna untuk menjawab beberapa jenis pertanyaan penelitian.
● Pengambilan sampel kuota
Pengambilan sampel kuota, jenis pengambilan sampel purposive
kedua, memastikan bahwa kelompok-kelompok tertentu terwakili secara
memadai dalam penelitian melalui penugasan kuota. Secara umum, kuota
yang ditetapkan untuk setiap subkelompok didasarkan pada jumlah total
masing-masing kelompok dalam populasi. Namun, karena ini adalah rencana
pengambilan sampel yang tidak dapat dipastikan, hasilnya tidak dapat
digeneralisasikan untuk populasi. Pengambilan sampel kuota dapat dianggap
sebagai bentuk pengambilan sampel bertingkat yang proporsional, di mana
proporsi orang yang telah ditentukan diambil sampelnya dari kelompok yang
berbeda, tetapi berdasarkan kenyamanan.
Pengambilan sampel kuota juga menjadi keharusan ketika sebagian
populasi tidak terwakili dalam organisasi - misalnya, kelompok minoritas,
mandor, dan sebagainya. Dengan kata lain, pengambilan sampel kuota
memastikan bahwa semua subkelompok dalam populasi terwakili secara
memadai dalam sampel. Sampel kuota pada dasarnya adalah sampel bertingkat
dari mana subyek dipilih secara acak. Desain sampel probabilitas mungkin
menunjukkan area baru untuk penelitian, dan desain sampel nonprobability
mungkin digunakan untuk mengeksplorasi kelayakannya
3. Review desain pengambilan sampel nonprobability
Ada dua jenis desain pengambilan sampel nonprobability: convenience
sampling dan purposive sampling. Convenience sampling adalah yang paling tidak
dapat diandalkan dari semua desain pengambilan sampel dalam hal kemampuan
generalisasi, tetapi kadang-kadang mungkin merupakan satu-satunya alternatif yang
layak ketika informasi yang cepat dan tepat waktu diperlukan, atau untuk tujuan
penelitian eksplorasi.
Sampel purposive terbagi dalam dua kategori: penilaian dan desain kuota
sampling. Judgemental sampling, meskipun terbatas dalam sifat dapat
digeneralisasikan, kadang-kadang bisa menjadi pilihan desain pengambilan sampel
terbaik, terutama ketika ada populasi terbatas yang dapat menyediakan informasi yang
dibutuhkan. Pengambilan sampel kuota sering digunakan untuk pertimbangan biaya
dan waktu dan kebutuhan untuk mewakili elemen minoritas dalam populasi secara
memadai. Meskipun generalisasi dari semua desain pengambilan sampel
nonprobability sangat terbatas, mereka memiliki keunggulan tertentu dan kadang-
kadang satu-satunya alternatif yang layak untuk peneliti.

G. INTERMEZZO: EXAMPLES OF WHEN CERTAIN SAMPLING DESIGNS

WOULD BE APPROPRIATE
Simple random sampling
Desain pengambilan sampel ini adalah yang terbaik ketika generalisasi temuan untuk
seluruh populasi adalah tujuan utama penelitian.
Contoh : Direktur regional operasi penjualan perusahaan, yang memiliki 20 toko ritel
di masing-masing dari empat wilayah geografis operasinya, ingin mengetahui jenis
penjualan apa yang paling cocok untuk perusahaan secara keseluruhan selama setahun
terakhir. Beberapa informasi yang dapat diandalkan, dapat diperoleh, dan berdasarkan
studi pada beberapa toko yang diambil melalui prosedur pengambilan sampel acak
sederhana. Artinya, masing-masing dari 80 toko akan memiliki peluang yang sama
untuk dimasukkan dalam sampel, dan hasil penelitian akan menjadi yang paling
digeneralisasikan.
Stratified random sampling
Desain pengambilan sampel ini, yang paling efisien, adalah pilihan yang baik ketika
informasi yang dibedakan diperlukan mengenai berbagai strata dalam populasi, yang
diketahui berbeda dalam parameternya.
Contoh : Direktur regional operasi penjualan perusahaan, yang memiliki 20 toko ritel
di masing-masing dari empat wilayah geografis operasinya, ingin mengetahui jenis
penjualan apa yang paling cocok untuk perusahaan secara keseluruhan selama setahun
terakhir. Dalam hal ini, karena masing-masing daerah memiliki 20 toko, proses
pengambilan sampel acak stratifikasi proporsional (misal : 5 toko dari setiap wilayah)
akan sesuai. Namun, jika wilayah utara hanya memiliki 3 toko, selatan memiliki 15
toko, dan wilayah timur dan barat masing-masing memiliki 24 dan 38 toko, maka
prosedur pengambilan sampel acak stratifikasi yang tidak proporsional akan menjadi
pilihan yang tepat, dengan ketiga toko di wilayah utara sedang dipelajari, karena
sejumlah kecil elemen dalam populasi itu.
Systematic sampling
Jika kerangka pengambilan sampel besar, dan daftar elemen tersedia di satu tempat
(seperti dalam buku telepon, daftar gaji perusahaan, daftar dagang dagang, dll.), Maka
prosedur pengambilan sampel yang sistematis akan menawarkan keuntungan
kemudahan dan kecepatan dalam mengembangkan sampel.
Contoh : Administrator ingin menilai reaksi karyawan terhadap skema manfaat
kesehatan yang baru dan lebih baik yang membutuhkan kenaikan premi kecil yang
harus dibayar oleh karyawan untuk keluarga mereka. Administrator dapat menilai
antusiasme untuk skema baru dengan menggunakan desain sampling sistematis.
Catatan perusahaan akan memberikan kerangka sampling, dan setiap karyawan ke-n
dapat disampel.
Cluster sampling
Desain pengambilan sampel ini paling berguna ketika kelompok heterogen akan
dipelajari pada satu waktu.
Contoh : Seorang analis keuangan ingin mempelajari praktik pemberian pinjaman
bank di Belanda. Semua bank di setiap kota akan membentuk sebuah cluster. Dengan
mengambil sampel cluster secara acak, analis akan dapat menarik kesimpulan tentang
praktik pemberian pinjaman.
Area sampling
Pengambilan sampel area paling cocok ketika tujuan penelitian terbatas pada daerah
atau daerah tertentu.
Contoh : Perusahaan telepon ingin memasang saluran telepon umum di suatu tempat
di mana kejahatan paling merajalela, sehingga para korban dapat memiliki akses ke
telepon. Mempelajari statistik kejahatan dan mewawancarai penghuni di area tertentu
akan membantu memilih lokasi yang tepat untuk pemasangan telepon.
Double sampling
Desain ini memberikan informasi tambahan dengan pengeluaran tambahan minimal.
 Contoh : Beberapa individu mungkin telah mengindikasikan bahwa mereka
mengundurkan diri karena perbedaan filosofis dengan kebijakan perusahaan. Peneliti
mungkin ingin melakukan wawancara mendalam dengan individu-individu ini untuk
mendapatkan informasi lebih lanjut mengenai sifat kebijakan yang tidak disukai,
perbedaan filosofis yang sebenarnya, dan mengapa masalah-masalah khusus ini
menjadi pusat sistem nilai individu. Informasi rinci tambahan seperti dari kelompok
sasaran melalui desain pengambilan sampel ganda dapat membantu perusahaan untuk
mencari cara mempertahankan karyawan di masa depan.
Convenience sampling
Desain nonprobability ini, yang sama sekali tidak dapat digeneralisasikan, digunakan
pada waktu untuk mendapatkan beberapa informasi "cepat" untuk mendapatkan
"perasaan" untuk fenomena atau variabel yang menarik.
Contoh : Eksekutif akuntansi telah membentuk sistem akuntansi baru yang
memanfaatkan teknologi komputer secara maksimal. Sebelum membuat perubahan
lebih lanjut, ia ingin merasakan bagaimana pegawai akuntansi bereaksi terhadap
sistem baru tanpa membuatnya tampak bahwa ia memiliki keraguan tentang
penerimaannya. Dia kemudian dapat berbicara dengan lima staf akuntansi pertama
yang masuk ke kantornya, mencoba untuk mengukur reaksi mereka.
Judgment sampling: one type of purposive sampling
Desain pengambilan sampel penilaian digunakan di mana pengumpulan "input
informasi khusus" pada bidang topik yang diteliti sangat penting, dan penggunaan
desain pengambilan sampel lainnya tidak akan menawarkan peluang untuk
mendapatkan informasi khusus.
Contoh : Sebuah perusahaan farmasi ingin melacak efek obat baru pada pasien dengan
masalah kesehatan tertentu. Kemudian kontak orang-orang tersebut dan dengan
sekelompok pasien yang secara sukarela menyetujui, tes obat. Ini adalah sampel
penilaian karena data dikumpulkan dari kelompok khusus yang sesuai.
Quota sampling: a second type of purposive sampling
Desain pengambilan sampel ini memungkinkan untuk dimasukkannya semua
kelompok dalam sistem yang diteliti. Dengan demikian, kelompok yang jumlahnya
kecil tidak diabaikan.
Contoh : Sebuah perusahaan sedang mempertimbangkan untuk mengoperasikan
fasilitas taman kanak-kanak di tempat. Tetapi sebelum mengambil langkah lebih
lanjut, ia ingin mendapatkan reaksi dari empat kelompok terhadap ide tersebut: (1)
karyawan yang merupakan orang tua dari anak-anak usia TK, dan di mana keduanya
bekerja di luar rumah, (2) karyawan yang merupakan orangtua dari anak-anak usia
TK, tetapi ketika salah satu dari mereka tidak bekerja di luar rumah, (3) orang tua
tunggal dengan anak-anak usia TK, dan (4) semua yang tidak memiliki anak-anak
usia TK. Jika keempat kelompok tersebut masing-masing mewakili 60%, 7%, 23%,
dan 10%, dalam populasi 420 karyawan di perusahaan, maka kuota sampling akan
sesuai untuk mewakili keempat kelompok.

H. Masalah Presisi dan Kepercayaan Diri Dalam Menentukan Ukuran Sampel

Suatu sample yang reliable dan valid harus memungkinkan kita untuk
menggeneralisasi temuan kita dari sample ke populasi dibawah investigasi, atau
dengan kata lain sampel statisktik ini harus berestimasi reliable dan merefleksikan
populasi parameter sedekat mungkin dalam margin keselahan yang sedikit. namun,
tidak ada sampel statistik yang akan sama persis dengan populasi parameter, karena
design peluang itu sendiri untuk meningkatkan peluang bahwa sampel statistik
mungkin akan bernilai sama dengan populasi parameter.
1. Presisi
Menjelaskan bagaimana estimasi yang dibuat mendekati dengan karakteristik
dari populasi sebenarnya, biasanya kita mengestimasi populasi paramater ini dengan
jangkauan range berdasarkan estimasi sampel.
Presisi merupakan fungsi variabilitas range dalam distribusi sampling dari
rata-rata sampel. Jika, kita mengambil nomor dari sample yang berbeda dari populasi,
dan menarik rata-rata dari masing-masing data ini, kita akan menemukan bahwa
semuanya akan berbeda, terdistribusi dengan normal, dan memiliki dispersi terkait
dengan itu. semakin kecil dispersi atau variabilitas, semakin besar peluang rata-rata
sampel itu mendekati dengan rata-rata populasi. Kita tidak perlu mengambil beberapa
sampel yang berbeda untuk mengestimasi variabilitas. Variabilitas ini dinamakan
standart error. Standart error ini dihitung dengan rumus

Keterangan:
S = Standar deviasi suatu sampel
n = Ukuran sampel
Sx = Standart error
Jika kita ingin mengurangi standart error, kita harus menaikkan ukuran sampel
tersebut. semakin kecil variasi dalam populasi ini, semakin kecil standar error, yang
mengimplementasikan ukuran sampel tidak terlalu besar.
Sebagai rangkuman, semakin dekat hasil sampel yang kita inginkan yang
merefleksikan suatu karakteristik populasi, semakin besar presisi yang akan kita tuju.
semakin besar presisi yang diinginkan, semakin besar ukuran sampel yang
dibutuhkan, terutama apabila variabilitas dari populasi itu besar.

2. Kepercayaan
Presisi menunjukkan seberapa dekat kita dapat mengestimasi suatu parameter
populasi berdasarkan sampel statistik. Sedangkan, confidence menunjukkan seberapa
yakin kita bahwa estimasti itu berlaku untuk populasi.
Kepercayaan ini menggambarkan tingkat level keyakinan kita untuk
mengestimasi suatu parameter populasi, berdasarkan sampel statistik yang berlaku.
Tingkat keyakinan ini berkisar antara 0 - 100%. Tingkat keyakinan 95% bisa
dinotasikan sebagai level significant p <= 0,05 atau dengan kata lain setidaknya 95
dari 100 itu menggambarkan karakteristik populasi yang sebenarnya.

3. Sampel data, presisi, dan kepercayaan dalam estimasi

Presisi dan kepercayaan merupakan issue terpenting dalam sampling, karena
kita menggunakan sampel data untuk menggambarkan suatu kesimpulan dari
populasi, yang bisa sesuai “target” dan memiliki beberapa gagasan terkait
kemungkinan kesalahan yang terjadi.
Namun, apabila kita ingin mempertahankan presisi asli kita dengan
meningkatkan tingkat confidence atau mempertahankan tingkat confidence dengan
meningkatkan presisi. kita membutuhkan ukuran sampel yang lebih besar, dimana
ukuran sampel (n) ini berfungsi, yaitu:
1. Variabilitas dalam populasi
2. Presisi atau akurasi yang dibutuhkan
3. Tingkat kepercayaan yang diinginkan
 4. Jenis rencana pengambilan sampel yang digunakan ( simple random sampling
atau stratified random sampling)
4. Pertukaran antara kepercayaan dan presisi
Jika kita ingin lebih presisi dalam hasil pengujian kita, atau lebih percaya diri
atau keduanya, maka ukuran sampel itu harus ditingkatkan. namun, jika ukuran
sampel (n) itu tidak dapat ditingkatkan, maka salah satu caranya untuk
mempertahankan tingkat presisi ini dengan meninggalkan kepercayaan yang dapat
kita prediksi perkiraannya atau dengan kata lain kita harus mengurangi tingkat
kepercayaan atau kepastian dari estimasi yang telah kita buat. hal inilah yang disebut
trade off antara kepercayaan dengan presisi.
Oleh karena itu, apabila kita akan membuat keputusan ukuran sampel dalam
melakukan penelitian dibutuhkan beberap pertimbangan, yaitu:
1. Berapa margin kesalahan yang diijinkan?
2. Berapa banyak kesempatan untuk membuat kesalahan dalam mengestimasi
suatu parameter populasi?
3. Sejauh mana variabilitas dalam populasi pada karakteristik yang harus
diselidiki?
4. Apakah terdapat analisis biaya-manfaat dari peningkatan ukuran sampel?

I. Sampel Data dan Pengujian Hipotesis

Data sampel juga dapat digunakan untuk menguji hipotesis tentang nilai-nilai populasi
daripada hanya untuk memperkirakan nilai-nilai populasi. Prosedur untuk pengujian
ini menggabungkan informasi yang sama seperti dalam estimasi interval, tetapi tujuan
di balik kedua metode sedikit berbeda.
Mengacu pada contoh sebelumnya tentang pembelian nilai rata-rata dolar
pelanggan di department store, kita tahu bahwa kita harus terlebih dahulu menetapkan
hipotesis nol, yang akan menyatakan bahwa tidak ada perbedaan dalam nilai dolar yang
dikeluarkan oleh pelanggan yang berbelanja di dua toko yang berbeda. Ini dinyatakan
sebagai:

Hipotesis alternatif perbedaan akan dinyatakan secara tidak langsung (karena kami tidak
tahu apakah pelanggan membeli lebih banyak di Toko A atau Toko B) sebagai:

Jika kami mengambil sampel 20 pelanggan dari masing-masing dua toko dan
menemukan bahwa nilai pembelian dolar rata-rata pelanggan di Toko A adalah 105
dengan deviasi standar 10, dan angka yang sesuai untuk Toko B adalah 100 dan 15,
masing-masing, kita melihat bahwa:

Sedangkan hipotesis nol kami telah mendalilkan tidak ada perbedaan (perbedaan = 0).
Maka kita tidak bisa secara langsung menyimpulkan bahwa hipotesis alternatif harus
diterima, pertama-tama kita harus menemukan probabilitas atau kemungkinan dari dua
kelompok berarti memiliki perbedaan 5 dalam konteks hipotesis nol atau perbedaan 0.
Hal ini dapat dilakukan dengan mengubah perbedaan dalam sarana sampel menjadi
pada statistik dan melihat apa probabilitas menemukan pada nilai itu dan melihat pada
tabel distribusi t. Kita perlu menggunakan uji dua sisi karena kita tidak tahu apakah
 perbedaan antara Toko A dan Toko B akan positif atau negatif. Statistik t dapat dihitung
untuk menguji hipotesis kami sebagai berikut:

Nilai t 1,209 ini jauh di bawah nilai 2,021. Dengan demikian kita dapat mengatakan
bahwa perbedaan 5 yang ditemukan antara dua toko tidak berbeda secara signifikan dari
0. Kesimpulannya, maka, adalah bahwa tidak ada perbedaan yang signifikan antara
berapa banyak pelanggan membeli (pengeluaran dolar) di Department Store A dan
Department Toko B. Penulis akan menerima hipotesis nol dan menolak alternatifnya.
Data sampel dengan demikian dapat digunakan tidak hanya untuk memperkirakan
parameter populasi, tetapi juga untuk menguji hipotesis tentang nilai populasi, korelasi
populasi, dan sebagainya, seperti yang akan kita lihat lebih lengkap dalam Bab 15

J. Ukuran Sample
1. Menentukan ukuran sampel
Ukuran sampel diatur oleh tingkat presisi dan kepercayaan yang diinginkan.
Penentuan ukuran sampel dapat diambil dengan melewati prosedur atau menggunakan
rumus perhitungan dibawah ini :

Jika ukuran sampel yang didapat memiliki perbedaan dengan dengan jumlah total
populasi yang ada kita dapat menerapkan formula koreksi sebagai berikut :
 Di mana N adalah jumlah total elemen dalam populasi, n adalah ukuran sampel
yang akan diperkirakan, SX adalah kesalahan standar dari estimasi rata-rata, dan S
adalah standar deviasi dari rata-rata sampel.
2. Ukuran sampel dan kesalahan tipe II
Ukuran sampel yang terlalu besar, dapat menjadi masalah karena kita kemudian
cenderung melakukan kesalahan Tipe II. Artinya, kami akan menerima temuan
penelitian kami, padahal sebenarnya kami harus menolaknya. Dengan kata lain,
dengan ukuran sampel yang terlalu besar, bahkan hubungan yang lemah dapat
mencapai tingkat signifikansi, dan kami akan cenderung untuk percaya bahwa
hubungan signifikan yang ditemukan dalam sampel memang benar dengan populasi,
padahal kenyataannya mungkin tidak. Dengan demikian, ukuran sampel tidak terlalu
besar atau terlalu kecil membantu proyek penelitian.
3. Statistik dan signifikansi praktis
Poin lain yang perlu dipertimbangkan, bahkan dengan ukuran sampel yang sesuai,
adalah apakah signifikansi statistik lebih relevan daripada signifikansi praktis.
4. Aturan praktis
Roscoe (1975) mengusulkan aturan praktis berikut untuk menentukan ukuran sampel:
1. Ukuran sampel lebih besar dari 30 dan kurang dari 500 ialah ukuran sampel
yang sesuai untuk sebagian besar penelitian.
2. Jika sampel harus dibagi menjadi subsampel (pria/wanita, junior/senior, dll).
Ukuran sampel minimal 30 untuk setiap kategori diperlukan.
3. Dalam penelitian multivariat (termasuk analisis regresi berganda), ukuran
sampel harus beberapa kali (lebih disukai sepuluh kali atau lebih) sebesar
jumlah variabel dalam penelitian.
4. Untuk penelitian eksperimental sederhana dengan kontrol eksperimental yang
ketat (pasangan yang cocok, dll). Penelitian yang sukses dimungkinkan
dengan sampel sekecil 10 hingga 20.
5. Efisiensi dalam pengambilan sampel
Efisiensi dalam pengambilan sampel dicapai ketika, mencapai tingkat presisi
tertentu (kesalahan standar), ukuran sampel dapat dikurangi, tingkat presisi dapat
ditingkatkan. Beberapa desain pengambilan sampel probabilitas lebih efisien daripada
yang lain. Rencana pengambilan sampel acak bertingkat seringkali yang paling
efisien, dan desain pengambilan sampel acak bertingkat yang tidak proporsional telah
terbukti lebih efisien daripada desain pengambilan sampel proporsional dalam banyak
kasus. Pengambilan sampel cluster kurang efisien daripada pengambilan sampel acak
sederhana karena umumnya ada lebih banyak homogenitas di antara subjek dalam
kelompok daripada yang ditemukan dalam unsur-unsur dalam populasi. Pengambilan
sampel multistage cluster lebih efisien daripada pengambilan sampel satu tahap
cluster ketika ada lebih heterogenitas ditemukan pada tahap sebelumnya.
Seringkali ada pertukaran antara efisiensi waktu dan biaya (seperti yang
dicapai dalam desain pengambilan sampel yang tidak dapat dipertanggungjawabkan)
dan efisiensi presisi (seperti yang dicapai dalam banyak rencana pengambilan sampel
probabilitas). Pilihan rencana pengambilan sampel dengan demikian tergantung pada
tujuan penelitian, serta pada tingkat dan sifat efisiensi yang diinginkan.
K. Pengambilan Sampel Terkait dengan Studi Kualitatif
Pengambilan sampel untuk penelitian kualitatif sama pentingnya dengan
pengambilan sampel untuk penelitian kuantitatif. Pengambilan sampel kualitatif
dimulai dengan mendefinisikan populasi target secara tepat. Sebagai teknik
pengambilan sampel, penelitian kualitatif umumnya menggunakan nonprobability
sampling karena tidak bertujuan untuk menarik kesimpulan statistik. Pengambilan
 sampel Purposive adalah salah satu teknik yang sering digunakan dalam penyelidikan
kualitatif: subjek dipilih berdasarkan keahlian dalam subjek yang sedang diselidiki.
Adalah penting bahwa subyek dipilih sedemikian rupa sehingga mereka
mencerminkan keragaman populasi.
Salah satu bentuk purposive sampling adalah pengambilan sampel teoretis,
yang diperkenalkan oleh Glaser dan Strauss (1967) dalam penelitian mereka tentang
grounded theory. Istilah grounded theory menyatakan gagasan bahwa teori akan
muncul dari data melalui proses berulang yang melibatkan pengambilan sampel
berulang, pengumpulan data, dan analisis data hingga "kejenuhan teoretis" tercapai.
Kejenuhan teoretis tercapai ketika tidak ada informasi baru tentang subjek yang
muncul dalam kasus yang berulang. Menurut Glaser, pengambilan sampel teoretis
terjadi ketika "analis tersebut secara bersama mengumpulkan, mengkode, dan
menganalisis datanya dan memutuskan data apa yang akan dikumpulkan selanjutnya
dan di mana menemukannya, untuk mengembangkan teorinya saat muncul" (1978,
hlm. 36 ).
L. Implikasi Manajerial
Kesadaran desain pengambilan sampel dan ukuran sampel membantu manajer
untuk memahami mengapa metode pengambilan sampel tertentu digunakan oleh para
peneliti. Ini juga memfasilitasi pemahaman tentang implikasi biaya dari desain yang
berbeda, dan pertukaran antara presisi dan kepercayaan terhadap biaya. Ini
memungkinkan manajer untuk memahami risiko yang mereka ambil dalam
menerapkan perubahan berdasarkan hasil penelitian. Saat membaca laporan penelitian
atau artikel jurnal, pengetahuan ini juga membantu manajer untuk menilai generalisasi
temuan dan menganalisis implikasi dari mencoba rekomendasi yang dibuat di
dalamnya dalam sistem mereka sendiri.
 Determinan Penggunaan Aktual Perangkat Lunak Akuntansi
Pendekatan Technology Acceptance Model

Suwardi Bambang Hermanto1*, Patmawati2

1,2 Program Studi Akuntansi Sekolah Tinggi Ilmu Ekonomi Indonesia Surabaya
Jl. Menur Pumpungan No.30, Surabaya (60118)
*Penulis korespondensi; Email: sbhermanto@gmail.com

A. Pendahuluan
Teknologi informasi berkembang dengan sangat pesat, hal ini mempengaruhi
aktivitas akuntansi dengan banyaknya pilihan perangkat lunak akuntansi yang membantu
pekerjaannya menjadi lebih cepat, bahkan real-time, dengan fasilitas internet yang
memudahkan untuk mengolah informasi akuntansi yang sangat cepat. Berbagai perangkat
lunak akuntansi diantaranya Accurate, MYOB, Ms. Excel, Dac Easy Accounting (DEA),
Zahir Accounting, Seventsoft, Peachtree, dan lain-lain. Penggunaan software ini dapat
mempercepat serta memberikan olah data yang lebih akurat dibandingkan secara manual
dan seluruh kejadian dapat ditelusuri dengan lebih mudah.
Saat ini, pendidikan tinggi menyiapkan sisem e-learning yang memberikan akses
online dalam konten pembelajaran. Namun, masih banyak ditemukan hambatan dalam
implementasinya seperti infrastruktur teknologi, kepuasan pengguna, dan kompetensi
lulusan (Park 2009) sehingga tidak jarang lembaga pendidikan tinggi yang gagal dalam
implementasi teknologi ini.
Pendidikan akuntansi yang menyiapkan tenaga terampil di bidang akuntansi untuk
menjawab tuntutan dunia kerja, dan pendidikan tinggi menjadi jembatan untuk
mempersiapkan tenaga kerja tersebut. Pendidikan tinggi harus menyiapkan mahasiswanya
dalam menggunakan perangkat lunak akunansi, sehingga faktor-faktor yang
mempengaruhi kompetensi lulusan dibidang penggunaan perangkat lunak akuntansi dapat
dipersiapkan oleh pendidikan tinggi.
Model evaluasi kecocokan teknologi dengan penggunanya diperkenalkan oleh
(Davis 1989) dalam Technology Acceptance Model (TAM), dimana dengan TAM
penelitian ini dirancang untuk memprediksi penerimaan perangkat lunak akuntansi.
Penelitian ini di lakukan pada lingkungan pendidikan tinggi, dengan obyek mahasiswa,
dengan tujuan untuk memperoleh hasil empiris yang memengaruhi penggunaan aktual
perangkat lunak akuntansi, dan hasil penelitian dapat digunakan sebagai pertimbangan
dalam menyiapkan program dalam meningkatkan kualitas lulusan di bidang akuntansi.
1. Technology Acceptance Model (TAM)
Technology Acceptance Model (TAM) bertujuan untuk memprediksi
penerimaan (acceptance) pengguna terhadap suatu sistem informasi. TAM
dikembangkan dari teori psikologis, menjelaskan perilaku pengguna komputer atas
dasar kepercayaan (belief), sikap (attitude), keinginan (intention), dan hubungan
perilaku pengguna, dengan menjelaskan faktor‐faktor utama dari perilaku pengguna
terhadap penerimaan pengguna teknologi informasi (TI) dalam dimensi‐dimensi
tertentu yang dapat mempengaruhi di-terimanya TI oleh pengguna (user).
2. Persepsi Kegunaan (Perceived Usefulness)
Persepsi kegunaan adalah suatu tingkatan dimana seseorang percaya bahwa
penggunaan suatu sistem tertentu akan dapat meningkatkan prestasi kerja orang
tersebut. Penerimaan teknologi oleh pengguna ditentukan oleh dua tipe motivasi, yaitu
motivasi intrinsik dan motivasi ekstrinsik. Motivasi intrinsik timbul karena adanya
ekspektasi yang dirasakan oleh individu itu sendiri dari hasil berinteraksi dengan
sebuah aplikasi sistem teknologi informasi. Sedangkan motivasi ekstrinsik muncul
karena adanya ekspektasi atas penggunaan aplikasi sistem teknologi informasi
tertentu yang diterima dari luar yaitu penghargaan karena kinerjanya meningkat.

3. Persepsi Kemudahan Penggunaan (Perceived Ease of Use)

Persepsi kemudahan penggunaan yaitu suatu tingkatan di-mana seseorang
percaya bahwa penggunaan suatu sistem tertentu akan terbebas dari usaha). Ease
sebagai freedom from difficulty or great effort yaitu bebas dari kesulitan atau usaha
yang besar. Sehingga, bahwa persepsi kemudahan penggunaan akan mengurangi
usaha (baik waktu dan tenaga) seseorang di dalam mempelajari teknologi informasi.

4. Sikap Pengguna (Attitude Toward Using)

Attitude toward using dalam TAM adalah sikap terhadap penggunaan sistem
yang berbentuk penerimaan atau penolakan sebagai dampak bila seseorang
menggunakan suatu teknologi dalam pekerjaannya (Davis 1993). Sikap menjelaskan
penerimaan seseorang terhadap teknologi informasi dimana sikap menyatakan apa
yang kita sukai dan tidak, yang terdiri atas beberapa unsur diantaranya kognitif/cara
pandang (cognitive), afektif (affective), dan komponen-komponen yang berkaitan
dengan perilaku (behavioral components). Kognitif (cognitive) merupakan
representasi atas sesuatu yang dipercayai oleh individu pemilik sikap, sedangkan
afektif (affective) merupakan aspek emosional atas perasaan pemilik sikap.

5. Minat Perilaku (Behavioral Intention)

Behavioral intention adalah kecenderungan atas perilaku pengguna untuk tetap
menggunakan suatu teknologi (Davis 1989). Tingkat penggunaan sebuah teknologi
komputer pada seseorang dapat diprediksi dari sikap perhatian pengguna terhadap
teknologi tersebu dan motivasi untuk tetap menggunakan, serta keinginan untuk
memotivasi pengguna lain (Thompson et al. 1991).

6. Penggunaan Aktual (Actual Use)

 Penggunaan aktual (actual system use) adalah suatu kondisi yang sebenarnya
dan nyata atas penggunaan suatu sistem tersebut (Davis 1989). Seseorang akan
merasa puas menggunakan sistem jika mereka meyakini bahwa sistem tersebut mudah
digunakan dan akan meningkatkan produktifitas mereka, yang tercermin dari kondisi
nyata dalam penggunaannya. Bentuk pengukuran penggunaan senyatanya (actual
use) adalah frekuensi dan durasi waktu penggunaan terhadap teknologi informasi.
7. Kemampuan Menggunakan Komputer (Computer Self Efficacy)
Computer Self Efficacy didefinisikan sebagai penilaian kapabilitas dan
keahlian komputer seseorang untuk melakukan tugas-tugas yang berhubungan dengan
teknologi informasi (Com-peau and Higgins 1995). Dalam rangka untuk menentukan
perilaku individu dan kinerja dalam penggunaan teknologi informasi, penting untuk
menjelaskan tiga dimensi CSE, yaitu:
a. Magnitude
Dimensi magnitude mengacu pada tingkat kapabilitas yang diharapkan dalam
penggunaan komputer. Individu yang mempunyai magnitude CSE yang tinggi
diharapkan mampu menyelesaikan tugas-tugas komputasi yang lebih komplek
dibandingkan individu yang mempunyai level magnitude CSE yang lebih rendah.
b. Strenght
Pada dimensi kedua yakni strength, ini mengacu pada level keyakinan tentang
judge atau kepercayaan individu untuk mampu menyelesai-kan tugas-tugas komputasi
dengan baik.
c. Generalizability
Generalizability mengacu pada tingkat judgement user yang terbatas pada
domain khusus aktivitas. Dalam konteks komputer, domain ini menunjukkan
perbedaan konfigurasi hardware dan software, sehingga individu yang memiliki level
generalizability CSE yang tinggi diharapkan secara kompeten menggunakan paket-
paket software dan sistem komputer yang berbeda.
8. Pengembangan Hipotesis
Pengembangan hipotesis berlandaskan teori Technology Acceptance Model (TAM)
yang dikem-bangkan (Davis 1989), yang meliputi tujuh hipotesis, yaitu :

9. Hubungan Kemampuan Menggunakan Komputer (CSE) dengan Persepsi Kegunaan

(POU) dan Persepsi Kemudahan Penggunaan (PEU)
Computer Self Efficacy (CSE) menggambarkan persepsi individu tentang
kemampuannya menggunakan komputer untuk menyelesaikan tugas-tugas seperti
menggunakan paket-paket software untuk analisis data dan tugas lainnya.
Kemampuan dalam mengoperasikan program komputer dapat mendorong seseorang
memberikan pendapat mengenai kemudahan penggunaan sistem informasi yang ada.
Bekerja dengan suatu sistem yang mampu menghasilkan kinerja yang baik serta cara
 mengoperasikannya tidak menimbulkan kesulitan akan membuat karyawan
berpendapat bahwa sistem tersebut mudah digunakan.
Berdasarkan beberapa penelitian, menyebutkan bahwa computer self efficacy
berpengaruh positif terhadap ketertarikan mahasiswa dalam menggunakan internet
jika dilihat dari kemudahan penggunaannya (perceived ease of use).
H1: Kemampuan menggunakan komputer (CSE) berpengaruh positif terhadap
persepsi kegunaan (POU) perangkat lunak akuntansi.
H2: Kemampuan menggunakan komputer (CSE) berpengaruh positif terhadap
persepsi kemudahan penggunaan (PEU) perangkat lunak akuntansi.

10. Hubungan Persepsi Kemudahan Penggunaan (PEU) dengan Persepsi Kegunaan

(POU) dan Sikap Pengguna (ATU)
Untuk menghindari penolakan dari pengguna sistem atas sistem yang
dikembangkan, maka sistem harus mudah diaplikasikan oleh pengguna tanpa
mengeluarkan usaha yang dianggap memberatkan. Berdasarkan penelitian, faktor ini
terbukti dapat menjelaskan alasan seseorang dalam menggunakan sistem informasi
dan menjelaskan bahwa sistem baru yang sedang dikembangkan diterima oleh
pengguna.
Beberapa penelitian lainnya juga memberikan bukti mengenai pengaruh yang
signifikan dari variabel persepsi kemudahan penggunaan (percei-ved ease of use)
terhadap sikap pengguna (attitude toward using) dan persepsi kegunaan (perceived
usefulness).
H3: Persepsi kemudahan penggunaan (PEU) ber-pengaruh positif terhadap persepsi
kegunaan (POU) perangkat lunak akuntansi.
H5: Persepsi kemudahan penggunaan (PEU) ber-pengaruh positif terhadap sikap
pengguna (ATU) perangkat lunak akuntansi.

11. Hubungan Persepsi Kegunaan (POU) dengan Sikap Pengguna (ATU)

Persepsi kegunaan (perceived usefulness) adalah sejauh mana seseorang
percaya bahwa menggunakan suatu teknologi akan meningkatkan kinerjanya. Jika
seseorang merasa percaya bahwa sistem berguna maka dia akan menggunakannya.
Penelitian-penelitian sebelumnya menunjukkan kegunaan persepsian mempengaruhi
secara positif dan signifikan terhadap penggunaan sistem informasi
H4.: Persepsi kegunaan (POU) berpengaruh posi-tif terhadap sikap pengguna (ATU)
perangkat lunak akuntansi.

12. Hubungan Sikap Pengguna (ATU) dengan Minat Perilaku (BEI)

Attitude merupakan cermin perasaan suka atau tidak suka tentang kinerja dari
target perilaku yang telah dilakukan (Davis 1989), dan behavioral intention to use
sebagai kecenderungan atas perilaku pengguna untuk tetap menggunakan suatu
teknologi (Davis 1989). Sikap yang berupa perasaan suka atau tidak suka dapat
dijadikan faktor yang mempengaruhi minat atau keinginan seseorang dalam
melakukan sesuatu. Penelitian sebelumnya menunjukkan hubungan yang signifikan
antara sikap dengan minat penggunaan sistem informasi (Ari 2013).
H6: Sikap pengguna (ATU) perangkat lunak akuntansi berpengaruh positif terhadap
minat perilaku (BEI).

13. Hubungan Minat Perilaku (BEI) dengan Penggunaan Senyatanya (ACU)

Minat (intention) didefinisikan sebagai suatu keinginan seseorang untuk
melakukan suatu perilaku tertentu (Ven-katesh et al. 2003). Pada dasarnya, minat
 (intention) dan perilaku actual (actual behavior) merupa-kan dua hal yang berbeda.
Minat (intention) merupakan keinginan seseorang untuk melakukan perilaku. Namun
minat tersebut hanya berupa minat atau keinginan, belum tercermin dalam tindakan
atau perilaku. Sedangkan perilaku aktual (actual behavior) adalah tindakan atau
kegiatan nyata yang dilakukan dipengaruhi oleh minat (Ari 2013).
H7.: Minat perilaku (BEI) berpengaruh positif terhadap penggunaan senyatanya
(ACU) perangkat lunak akuntansi.

B. Metode Penelitian
Metode penelitian kuantitatif yang dilakukan dengan menggunakan data primer.
1. Obyek Penelitian
Obyek penelitian adalah mahasiswa akuntansi Strata-1 Sekolah Tinggi Ilmu Ekonomi
Indonesia Surabaya, tahun ajaran 2014/2015 yang sudah menempuh mata kuliah
"Aplikasi Komputer untuk Akuntansi", atau mahasiswa akuntansi yang pernah
menggunakan perangkat lunak akuntansi dan telah menempuh mata kuliah Sistem
Informasi Akuntansi, dengan jumlah 584 mahasiswa pada kelas malam, dan kelas
siang, serta pemilihan sampel penelitian berdasarkan metode slovin.
2. Definisi Operasional dan Pengukuran Variabel
Konstruk - konstruk yang digunakan :
1. Menggunakan komputer ( computer self efficacy )
2. Persepsi kemudahan ( perceived ease of use )
3. Persepsi kegunaan ( perceived usefulness )
4. Sikap terhadap penggunaan ( attitude toward using )
5. Minat perilaku ( behavioral intention )
6. Penggunaan senyatanya ( actually use )
Pengukuran konstruk menggunakan skala likert 1 sampai 7 yang berarti :
1. Sangat tidak setuju
2. Tidak setuju
3. Kurang setuju
4. Netral
5. Agak setuju
6. Setuju
7. Sangat setuju
Adapun jenis variabel, konstruk, definisi, indikator, serta kode indikator pada
penelitian pada tabel.
 3. Teknik Analisis
Pengujian hipotesis menggunakan Struktural Equation Model - Partial Least Square (
SEM-PLS ) dengan melakukan evaluasi outer model dan inner model. Outer model
untuk menilai validitas dan reliabilitas model, sedangkan inner model merupakan
evaluasi struktural untuk menilai hubungan antara konstruk atau variabel laten ( Chin
1998 ).
C. Hasil Penelitian dan Pembahasan
1. Populasi dan Sampel
Populasi penelitian seluruh mahasiswa akuntansi STIESIA Surabaya tahun ajaran
2014/2015 yang telah menempuh mata kuliah praktik akuntansi di laboratorium,
dengan pemilihan sampel metode slovin, dengan rumus : N / {1 + N (e)²} dan
penjelasan N = populasi, e = error, diperoleh jumlah sampel = 584 / { 1 + 584 (e)²} =
584 / 1,46 = 237, dengan tingkat respon kuesioner 42,2% seperti;

Jumlah responden 104 mahasiswa, dengan usia terbanyak antara 21-25 tahun sebesar
62% dan berdasarkan gender sebanyak 76% mahasiswi dengan waktu perkuliahan
terbanyak pada kelas sore sebanyak 62%, dan sebanyak 79% merupakan semester 7-
8, serta prestasi belajar akuntansi sebanyak 59% memiliki IPK antara 3,00-3,50,
dengan rincian demografi responden seperti;
2. Statistik Deskriptif
Statistik deskriptif nilai yang diberikan responden pada setiap item disajikan dalam
setiap konstruk ( variabel ), yang menunjukkan jumlah item pernyataan, kisaran
teoritis, kisaran nyata, mean dan standar deviasi, dari jawaban responden, seperti;

3. Kemampuan Menggunakan Komputer (Computer Self Efficacy)

Kemampuan menggunakan komputer (CSE) responden pada Tabel Statistik
Deskriptif Konstruk rerata (mean) menunjukkan nilai 4,43 dari kisaran 1–7
menunjukkan diatas rerata yang artinya responden memiliki keyakinan yang tinggi
dalam menggunakan komputer, dengan standar deviasi 1,8 merupakan nilai terendah
dari seluruh konstruk bermakna bahwa responden memiliki kemampuan di sekitar
rerata yaitu mendekati agak tinggi kemampuannya, walaupun masih ada beberapa
responden memiliki kemampuan menggunakan komputer yang rendah seperti nilai
minimum nya 2,33, dan nilai maksimum dari jawaban responden 6,67 mendekati
sangat tinggi kemampuan menggunakan komputernya.
Persepsi kegunaan (POU) responden pada Tabel Statistik Deskriptif Konstruk rerata
(mean) menunjukkan nilai 4,24 dari kisaran 1–7 menunjukkan diatas rerata yang
artinya responden memiliki persepsi kegunaan software akuntansi diatas rerata,
dengan standar deviasi 1,23 bermakna bahwa nilai jawaban responden di sekitar rerata
yaitu persepsi kemudahan software akuntansi tidak tinggi, walaupun masih ada
beberapa responden memiliki persepsi kegunaan software akuntansi yang rendah
dengan nilai minimum nya 2,25, tetapi nilai maksimum dari jawaban responden 7,00
menunjukkan persepsi kegunaan software akuntansi sangat tinggi.
Persepsi kemudahan (PEU) responden pada Tabel Statistik Deskriptif Konstruk rerata
(mean) menunjukkan nilai 4,01 dari kisaran 1–7 menunjukkan berada di rerata yang
 artinya responden memiliki persepsi kemudahan software akuntansi rerata atau tidak
tinggi, dengan standar deviasi 1,29 bermakna bahwa nilai jawaban responden di
sekitar rerata yaitu mendekati agak tinggi persepsi kegunaannya, dan jawaban
responden juga masih terdapat beberapa responden memiliki persepsi kemudahan
software akuntansi yang rendah dengan nilai minimum nya 2,25, dan nilai maksimum
dari jawaban responden 6,50 menunjukkan persepsi kemudahan software akuntansi
mendekati sangat tinggi.
Sikap pengguna (ATU) responden pada Tabel Statistik Deskriptif Konstruk rerata
(mean) menunjukkan nilai 4,18 dari kisaran 1–7 menunjukkan berada di atas rerata
yang artinya responden memiliki sikap positif terhadap ketersediaan software
akuntansi, dengan standar deviasi 1,20 bermakna bahwa nilai jawaban responden di
sekitar rerata yaitu mendekati agak positif sikapnya terhadap ketersediaan software
akuntansi, dan jawaban responden juga masih terdapat beberapa responden memiliki
sikap negatif terhadap ketersediaan software akuntansi dengan nilai minimum nya
2,00, tetapi dan terdapat responden yang memiliki sikap sangat positif terhadap
ketersediaan software
akuntansi, dengan nilai maksimum 7,00.
Penggunaan aktual (ACU) responden pada Tabel Statistik Deskriptif Konstruk rerata
(mean) menunjukkan nilai 4,62 dari kisaran 1–7 menunjukkan berada di atas rerata
yang artinya responden memiliki intensitas penggunaan nyata software akuntansi
agak tinggi, dengan standar deviasi 1,38 bermakna bahwa nilai jawaban responden di
sekitar rerata yaitu mendekati agak tinggi penggunaan software akuntansi secara
nyata, dan jawaban responden juga masih terdapat beberapa responden memiliki
intensitas penggunaan software akuntansi secara nyata agak rendah dengan nilai
minimum nya 2,67, tetapi dan terdapat responden yang memiliki intensitas
penggunaan software akuntansi yang sangat tinggi, dengan nilai maksimum 7,00.
4. Evaluasi Model Pengukuran ( Outer Model )
Evaluasi model pengukuran ( outer model ) dalam SEM-PLS dengan konstruk,
keenam konstruk dengan indikator refleksif ( sesuai arah panah dari konstruk ke
indikator ), dan evaluasi model pengukuran ( outer model ) terdiri dari :
A. Validitas convergent
B. Validitas discriminant
C. Reliabilitas
5. Validitas Konvergen
Validitas covergent di nilai dengan besarnya loading factor dan average variance
extracted (AVE), loading factor dengan rule of thumb nilainya diatas 0,70 dan
digunakan uji t-statistik. Average variance extracted (AVE) dengan rule of thumb
nilainya diatas 0,50.
Tabel 5 menunjukkan bahwa nilai loading factor pada nilai original sample estimate
seluruh-nya > 0,70, dan t-statistik >1,96 serta nilai AVE keenam konstruk adalah
lebih dari 0.5, maka semua indikator memenuhi validitas konvergen.
6. Validitas Diskriminan
Validitas diskriminan dievaluasi dengan nilai cross loading, yaitu korelasi indikator
terhadap konstruknya lebih tinggi dibanding terhadap konstruk lainnya, dan uji akar
kuadrat AVE dengan rule of thumb nilainya > antara konstruk dengan konstruk
lainnya.
Tabel 6 menunjukkan bahwa nilai enam konstruk ACU, ATU, BEI, CSE, PEU dan
POU memiliki cross loading factor nilai korelasi indikator dengan kontruknya antara
0,728–0,919 (cetak tebal) dan lebih besar dari korelasi dengan konstruk lainnya, serta
nilai akar kuadrat AVE seluruh konstruk > 0,70 dan lebih besar terhadap konstruk
lainnya, yang berarti keenam indikator pengukuran memenuhi validitas diskriminan.
7. Reliabilitas
Reliabilitas dalam PLS menggunakan nilai composite reliability, karena Cronbach’s
Alpha dalam menguji reliabilitas konstruk memberikan nilai yang lebih rendah (under
estimate) (Chin 1998), dan uji reliabilitas dengan composite relia-bility dengan rule of
thumb > 0,70 untuk confir-matory reserach.
Hasil pengujian composite reliability pada Tabel 6 dari keenaam konstruk dalam
model menunjukkan nilai antara 0,766–0,915 menunjukkan semua memenuhi kriteria
reliabilitas.
8. Evaluasi Model Struktural (Inner Model)
Evaluasi model struktural (inner model) pengaruh kemampuan menggunakan
komputer (CSE), persepsi egunaan (POU), persepsi ke-mudahan penggunaan (PEU),
sikap pengguna (ATU), minat perilaku (BEI), dalam penggunaan senyatanya (ACU)
perangkat lunak akuntansi. Evaluasi model struktural (inner model) dengan menilai
besarnya R2 dari setiap variabel laten endogen sebagai kekuatan prediksi dari model
struktural, dan hasil koefisien jalur struktural dan indikator dengan nilai
signifikansinya.
H1: Kemampuan Menggunakan Komputer (CSE) Berpengaruh Positif Terhadap
Persepsi Kegunaan (POU) Perangkat Lunak Akuntansi.
Kemampuan menggunakan komputer ter-hadap persepsi
kegunaan pada Tabel 7 (CSE->POU) menunjukkan nilai t-
statistic sebesar 0,923 atau ≤ 1.96, yang berarti bahwa
kemampuan menggunakan komputer (computer self efficacy)
tidak berpengaruh terhadap persepsi kegunaan (perceived of
usefulness) perangkat lunak akun-tansi, maka dapat
dinyatakan bahwa Hipotesis 1 ditolak.

H2: Kemampuan Menggunakan Komputer (CSE) Berpengaruh Positif Terhadap

Persepsi Kemudahan Penggunaan (PEU) Perangkat Lunak Akuntansi.
Kemampuan menggunakan komputer terhadap persepsi
kemudahan penggunaan pada Tabel 7 (CSE -> PEU) menunjukkan
nilai t-statistic sebesar 5,676 atau ≥ 1,96, yang berarti bahwa
kemampuan menggunakan komputer (computer self efficacy)
berpengaruh terhadap per-sepsi kemudahan penggunaan
(perceived ease of use) perangkat lunak akuntansi, maka dapat
dinyatakan bahwa Hipotesis 2 diterima.
H3: Persepsi Kemudahan Penggunaan (PEU) Berpengaruh Positif Terhadap Persepsi
Kegunaan (POU) Perangkat Lunak Akuntansi.
Persepsi kemudahan penggunaan terhadap persepsi kegunaan
pada Tabel 7 (PEU -> POU) menunjukkan nilai t-statistic
sebesar 1,001 atau ≤ 1,96, yang berarti bahwa persepsi
kemudahan penggunaan (perceived ease of use) tidak
berpenga-ruh terhadap persepsi kegunaan (perceived of
usefulness) perangkat lunak akuntansi, maka dapat dinyatakan
bahwa Hipotesis 3 ditolak.

H4: Persepsi Kegunaan (POU) Berpengaruh Positif Terhadap Sikap Pengguna (ATU)
Perang-kat Lunak Akuntansi.
Persepsi kegunaan (POU) terhadap sikap pengguna (ATU) pada
Tabel 7 (POU -> PEU) menunjukkan nilai t-statistic sebesar
2,329 atau ≥ 1,96, yang berarti bahwa persepsi kegunaan
(Perceived of usefulness) berpengaruh terhadap sikap
pengguna (attitude toward using) perangkat lunak akuntansi,
maka dapat dinyatakan bahwa Hipotesis 4 diterima.

H5: Persepsi Kemudahan Penggunaan (PEU) Berpengaruh Positif Terhadap Sikap

Peng-guna (ATU) Perangkat Lunak Akuntansi.
Persepsi kemudahan penggunaan (PEU) ter-hadap sikap
pengguna (ATU) pada Tabel 11 (PEU -> ATU) menunjukkan nilai
t-statistic sebesar 7,317 atau ≥ 1,96, yang berarti bahwa
persepsi kegunaan (Perceived ease of use) berpengaruh
terhadap sikap pengguna (attitude toward using) perangkat
lunak akuntansi, maka dapat dinyatakan bahwa Hipotesis 5
diterima.

H6: Sikap Pengguna (ATU) Perangkat Lunak Akuntansi Berpengaruh Positif

Terhadap Minat Perilaku (BEI).
Pengaruh sikap pengguna (ATU) terhadap minat perilaku (BEI)
pada Tabel 11 (ATU -> BEI) menunjukkan nilai t-statistic
sebesar 10,627 atau ≥ 1,96, yang berarti bahwa sikap pengguna
(attitude toward using) berpengaruh terhadap minat perilaku
(behavioral intention) penggunaan perangkat lunak akuntansi,
maka dapat dinyata-kan bahwa Hipotesis 6 diterima.

H7: Minat Perilaku (BEI) Berpengaruh Positif Terhadap Penggunaan Aktual (ACU)
Perang-kat Lunak Akuntansi.
Pengaruh minat perilaku (BEI) terhadap penggunaan aktual
(ACU) pada Tabel 11 (BEI -> ACU) menunjukkan nilai t-
statistic sebesar 7,736 atau ≥ 1,96, yang berarti bahwa minat
perilaku (behavioral intention) berpengaruh terhadap peng-
gunaan aktual (actual use) penggunaan perangkat lunak
akuntansi, maka dapat dinyatakan bahwa Hipotesis 7 diterima.
D. Kesimpulan dan Saran
1. Simpulan
Hasil analisis data menggunakan program Partial Least Squares dan pembahasan
dengan pendekatan Technology Acceptance Model sebagai determinan penggunaan
teknologi, maka dapat disimpulkan bahwa: Kemampuan menggunakan komputer
(computer self efficacy) berpengaruh terhadap persepsi kemudahan (perceived ease of
use), selanjutnya bahwa persepsi kemudahan (perceived ease of use) dan persepsi
kegunaan (perceived of usefulness) berpengaruh terhadap sikap pengguna (attitude
toward using), kemudian sikap pengguna (attitude toward using) berpeng-aruh
terhadap minat perilaku (behavioral inten-tion), serta akhirnya minat perilaku
(behavioral intention) berpengaruh terhadap penggunaan se-nyatanya (actual use)
perangkat lunak akuntansi. Kemampuan menggunakan komputer (computer self
efficacy) dan persepsi kemudahan (perceived ease of use) tidak berpengaruh terhadap
persepsi kegunaan (perceived of usefulness) perangkat lunak akuntansi.
2. Implikasi
Hasil penelitian ini dapat digunakan pertimbangan untuk menyiapkan mahasiswa
dalam penggunaan perangkat lunak akuntansi, dan mata kuliah praktik akuntansi, dan
khususnya bagi mahasiswa yang akan menempuh mata kuliah sistem informasi
akuntansi.
3. Keterbatasan
Subyek dalam penelitian ini terbatas pada mahasiswa STIESIA, peneliti selanjutnya
dapat memperluas penelitiannya menjadi studi perbandingan pada beberapa kampus.
Sehingga diharap-kan dapat memberikan hasil dan daya generalisasi yang lebih besar
bagi penelitian di bidang sistem informasi akuntansi.dingan pada beberapa kampus.
Sehingga diharap-kan dapat memberikan hasil dan daya generalisasi yang lebih besar
bagi penelitian di bidang sistem informasi akuntansi.