METODOLOGI 1. JENIS Penelitian ini bertujuan untuk menggeneralisir teori yang telah ditemukan sebelumnya.

Teori tersebut ditemukan pada penelitian sebelumnya dengan metode kualitatif, dan untuk penelitian ini peneliti mencoba menggeneralisir dan menguji hipotesis dengan menggunakan metode kuantitatif. Penelitian kuantitatif merupakan metode-metode untuk menguji teori-teori tertentu dengan cara meneliti hubungan antarvariabel. Variabel-variabel ini diukur (biasanya dengan instrumen-instrumen penelitian) sehingga data yang terdiri dari angka-angka dapat dianalisis berdasarkan prosedur-prosedur statistik (Creswell, 2010 : 5) 2. POPULASI DAN SAMPEL Dalam peneliti ini, yang menjadi unit analisi adalah UKM yang bergerak di bidang pembuatan dan pengadaan software, yang berdomisili di jawa tengah. Menurut data dari ASKINDO (Asosiasi Konsultan Indonesia), jumlah usaha sejenis yang berdomisili di jawa tengah ada 132 perusahaan. Karena unit analisis pada penelitian ini terdiri dari UKM yang memiliki pengalaman usaha yang berbeda, maka akan digunakan teknik stratified random sampling dalam menentukan sampel. Stratifikasi berarti bahwa karakteristik-karakteristik tertentu dari individu-individu yang dipilih direpresentasikan dalam sampel, agar sampel ini nantinya dapat merefleksikan proporsi yang tepat dalam populasi sesuai dengan karakteristik-karakteristiknya masing-masing (Fowler, 2002).

Salah satu besaran sampel yang memenuhi hitungan itu adalah yang dirumuskan oleh Slovin sebagai berikut: n = N 1  Ne 2

Sampel yang diambil dalam penelitian ini sebesar n =

132 1  132(0,05) 2

99,25 =

99

Jadi, jumlah sampel yang diambil sebanyak 99 responden.

Dimana : n N 1 e = jumlah sampel = jumlah populasi = angka konstanta = nilai kritis atau kelonggaran ketidaktelitian karena kesalahan pengambilan sempel yang dapat ditolelir (5%) Tabel Pengambilan Sampel Lama Berdiri 0 5 tahun 5 10 Tahun Lebih dari 10 Tahun Total Jumlah Perusahaan 55 47 30 132 Jumlah Sampel 41 35 23 99

3. VARIABEL DAN INDIKATOR Dalam penelitian ini diteliti mengenai pengaruh karakteristik UKM terhadap proses manajemen pengetahuan. Dengan variabel dan indikator sebagai berikut; Variabel Karakteristik UKM Kepemilikan dan Struktur Manajemen y y y Umumnya dimulai, dimiliki dan didominasi oleh wirausahawan (pemilik) Pemilik adalah manajer pada puncak strategis Pengambilan keputusan yang tersentralisir, dengan sedikit pembuat keputusan y Lazimnya memiliki gaya manajemen yang paternal dan langsung y Manajemen puncak jelas terlihat dan dekat dengan titik pengiriman y Keahlian sederhana dan kompetensi manajemen yang Indikator

y y

Struktur yang sederhana dan tidak begitu rumit Struktur yang lebih rata dengan sedikit tingkatan manajemen dan hirarki

y y y y Pelanggan dan Pasar

Aliran informasi dan struktur yang fleksibel Pemilik-manajer yang multitugas Aktivitas divisi yang terbatas dan tidak jelas Tingkatan yang rendah pada spesialisasi dan lebih ke arah generalis

Biasanya menggantungkan pada sejumlah kecil pelanggan

Kebanyakan hanya menjangkau pasar lokal dan regional, jarang yang internasional

Kontak yang lebih sering dan dekat dengan pelanggan

y Sistem, Proses dan Prosedur y y y

Kebanyakan tahu pelanggan secara pribadi dan sosial

Sistem sederhana

perencanaan

dan

pengawasan

yang

Sistem evaluasi dan pelaporan yang informal Proses yang fleksibel dan mudah beradaptasi Fokus pada proses operasional, kurang berfokus pada proses strategis

Aktivitas dan operasi kurang diatur oleh aturan dan prosedur formal

y y Manajemen Sumber Daya Manusia y y y y

Standarisasi dan formalisai yang rendah Kebanyakan didominasi oleh manusia Sumber daya manusia yang sederhana Jumlah ahli profesional yang sedikit Karyawan lebih cakap dalam beberapa hal Pelatihan dan pengembangan karyawan cenderung lebih besifat pada hal-hal khusus dan dalam skala kecil

y y y Budaya dan Perilaku y y y

Hubungan kerja yang lebih dekat dan informal Sedikit masalah dengan serikat pekerja Resistensi untuk perubahan yang rendah Budaya yang lebih terpadu Budaya yang lebih fleksibel dan asli Pola pikir departemen tidak begitu lazim, lebih ke pola pikir perusahaan

y y

Kelompok kepentingan yang lebih sedikit Operasi dan perilaku karyawan yang terpengaruh oleh eos dan pandangan pemilik

Ber-orientasi pada hasil

Variabel Proses Manajemen Pengetahuan Penciptaan dan Akuisisi Pengetahuan y y

Indikator

Seringnya penggunaan electronic bulletin board untuk memecahkan masalah Pegawai sebelumnya memperkenalkan tugas nya secara cukup

Pemahaman penuh terhadap inti pengetahuan pada tugasnya

Mengumpulkan diperlukan,

informasi rapat

dan

saran

yang tanpa

ketika

brainstorming,

menghabiskan banyak waktu y Mencari informasi untuk tugas dari berbagai sumber pengetahuan yang dikelola oleh perusahaan y Pemahaman terhadap program komputer untuk melaksanakan tugas dan menggunakannya dengan baik y Kesiapan dalam menerima pengetahuan baru dan menerapkan nya sesegera mungkin pada tugas

Penyimpanan dan Pengorganisasian Pengetahuan

Kami mendasarkan pada data base perusahaan sebelum memproses data

Kami mencoba menyimpan keahlian dalam desain tugas yang baru dan pengembangannya

Kami mencoba menyimpan pedoman dan kebijakan hukum yang berhubungan dengan tugas

Kami secara ekstensif mengumpulkan pengetahuan yang dibutuhkan dalam pengerjaan tugas, dengan mencari melalui pelanggan dan data base yang berhubungan dengan tugas

Kami mendokukentasikan pengetahuan tertentu yang dibutuhkan dalam pengerjaan tugas

Kami

merangkum

hasil

pendidikan

dan

menyimpannya y Kita mampu secara sistematik mengadministasikan pengetahuan yang dibutuhkan dalam tugas dan menyimpannya untuk keperluan di masa yang akan datang y Saya memiliki keahlian yang unik dalam pengerjaan tugas y Pengetahuan profesional seperti pengetahuan akan pelanggan dan perkiraan permintaan di atur secara sistematik y Ada standar sumber informasi dalam skala

organisasi y Karyawan diberikan kesempatan untuk mengikuti pendidikan untuk menigkatkan kemampuan

adapatasi pada tugas yang baru y Pendidikan ditawarkan administrasi untuk setingkat universitas kemampuan

meningkatkan

karyawan dalam menjalankan tugas y Pengetahuan dan informasi setingkat organisasi selalu diperbarui secara rutin dan dipelihara dengan

baik y Saya bisa belajar tentang apa yang diperlukan dalam pengerjaan tugas baru y Saya bisa berefernsi pada praktik kerja yang terbaik dan mengaplikasikannya pada tugas y Saya bisa menggunakan internet untuk

mengumpulkan pengetahuan untuk mengerjakan tugas Penyebaran Pengetahuan y y Kita berbagi informasi dan pengetahuan yang diperlukan dalam pengerjaan tugas Kita meningkatkan efisiensi tugas melalui berbagi informasi dan pengetahuan y Kita membangun sistem informasi, seperti internet dan electronic bulletin boards untuk berbagi informasi dan pengetahuan y Penggunaan Pengetahuan Kita menganjurkan untuk berbagi informasi dan pengetahuan dengan tim yang lain y y Ada program pendidikan dan penelitian Kerjasama tim di anjurkan oleh penggunaan informasi dan pengetahuan pada taraf organisasi y EDI digunakan untuk memfasilitasi pemprosesan tugas y Ada kebijakan insentif dan bonus untuk ide baru dalam penggunaan pengetahuan yang sudah ada y Ada budaya yang mengarah pada berbagi

pengetahuan y Diagram alur kerja dibutuhkan dan digunakan dalam menjalankan tugas

4. ANALISIS DATA a. Uji validitas dan Reliabilitas Validitas konstruk mengukur sampai seberapa jauh ukuran indikator mampu merefleksikan konstruk laten teoritisnya. Jadi validitas konstruk memberikan

kepercayaan

bahwa

ukuran

indikator

yang

diambil

dari

sampel

menggambarkan skor sesungguhnya di dalam populasi (Ghozali, 2011 : 137). i. Convergent Validity Item-item atau indikator suatu konstruk laten harus converge atau share (berbagi) proporsi varian yang tinggi dan ini disebut convergent validity. Untuk mengukur validitas konstruk dapat dilihat dari nilai faktor loadingnya. Pada kasus dimana terjadi validitas konstruk yang tinggi, maka nilai loading yang tinggi pada suatu faktor (konstruk laten) menunjukkan bahwa mereka converge pada satu titik. Syarat yang harus dipenuhi, pertama loading factor harus signifikan. Oleh karena loading factor yang signifikan bisa jadi masih rendah nilainya, maka standardized loading esimate harus sama dengan 0,50 atau lebih, dan idealnya harus 0,70 (Ghozali, 2011 : 137-138). ii. Variance Extracted Dalam analisis faktor konfirmatori, prosentase rata-rata nilai Variance Extracted (AVE) antar item atau indikator suatu set konstruk laten merupakan ringkasan convergen indicator. AVE dapat dihitung dengan menggunakan nilai standardized loading dengan rumus sebagai berikut :   

Simbol

menunjukkan standardized factor loading dan i adalah jumlah

item atau indikator. Nilai AVE sama dengan atau di atas 0,50 menunjkkan adanya convergent yang baik. Nilai AVE harus dihitung untuk setiap konstruk laten (Ghozali, 2011 : 138-139).. iii. Construct Reliability Reliabilitas juga merupakan salah satu indikator validitas convergent. Banyak juga yang menggunakan cronbach alpha sebagai ukuran reliabilitas walaupun kenyataannya cronbach alpha memberikan reliabilitas yang lebih rendah (under estimate) dibandingkan dengan construct reliability. Besarnya nilai Construct Reliability (CR) dapat dihitung dengan rumus sebagai berikut :

CR =

Construct reliability 0,70 atau lebih menunjukkan relaibilitas yang baik, sedangkan reliabilitas 0,60-0,70 masih dapat diterima dengan syarat validitas indikator dalam model baik (Ghozali, 2011 : 140). iv. Discriminant Validity Discriminant validity mengukur sampai seberapa jauh suatu konstruk yang benar-benar berbeda dari konstruk lainnya. Nilai DV yang tinggi memberikan bukti bahwa suatu konstruk adalah unik dan mampu menangkap fenomena yang diukur. Cara mengujinya adalah

membandingkan nilai akar kuadrat dari AVE dengan nilai korelasi antar konstruk. Convergent validity yang baik ditunjukkan dengan perbandingan akar AVE yang kebih tinggi dibandingkan dengan korelasi antar konstruk lainnya (Ghozali, 2011 : 141-142). v. Residual Walaupun secara keseluruhan dapat disimpulkan bahwa hipotesis empat faktor CFA model sesuai atau cocok dengan data empirisnya, tetapi kita masih dapat menganalisis kemungkinan adanya mis-fit di dalam model. Hal tersebut dapat dilihat pada nilai standardized residual, apabila nilainya berada di atas 2,58 maka indikator tersebut dianggap tidak sesuai (Ghozali, 2011 : 142-143). b. Uji Asumsi Klasik Suatu model regresi dikatakan valid apabila telah melalui Uji Asumsi Klasik. Dalam penelitian ini Uji Asumsi Klasik yang digunakan adalah Uji Multikolinieritas, Autokorelasi, Heterokedastisitas dan Normalitas. i. Uji Multikolinieritas

Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinieritas dapat dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Nilai cutoff yang umum dipakai untuk menunjukkan adanya

multikolinieritas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF > 10, dan tingkat korelasi antar variabel diatas 95%. (Ghozali, 2007: 89 - 93). ii. Uji Autokorelasi

Uji Autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t 1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Model regresi yang baik adalah regresi yang bebas dari Autokorelasi. (Ghozali, 2007: 95 - 96). Tabel Syarat Autokorelsi

Hipotesis nol y y y y y Tidak ada Autokorelasi Positif Tidak ada Autokorelasi Positif Tidak ada korelasi negatif Tidak ada korelasi negatif Tidak ada Autokorelasi

Keputusan Tolak No decision Tolak No decision Tidak ditolak

Jika 0 < d <di dl d du 4 dl < d < 4 4 du d 4 dl Du < d < 4 - du

Sumber, Ghozali 2007: 96 iii. Uji Heterokedastisitas.

Uji Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heterokedastisitas. (Ghozali, 2007: 105). Untuk menguji ada tidaknya Autokorelasi, dalam penelitian ini penulis menggunakan dua uji, yaitu analisis Grafik Plot dan Uji Park. Analisis Grafik Plot dilakukan dengan cara melihat Grafik Plot antara nilai prediksi variabel terikat yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu (pola teratur) pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi Y sesungguhnya) yang telah di-studentized.

Sedangkan untuk Uji Park dapat dilihat apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi terdapat heterokedastisitas. (Ghozali, 2007: 108). iv. Uji Normalitas

Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa Uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar, maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. (Ghozali, 2007: 110). Ada dua cara untuk mendeteksinya yaitu dengan analisis grafik dan uji statistik. Analisis grafik dilakukan dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal pada grafik. Dan juga dapat dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Sedangkan uji statistik dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual. Nilai Z statistik untuk kurtosis dan skewness dapat dihitung dengan rumus :

Zskew ! Zkurt !
Dimana; S n K

S 0 6/n K 0 24 / n

= Nilai Skewness = Jumlah Kasus (Sampel) = Nilai Kurtosis

Jika nilai Z hitung > Z tabel, maka distribusi tidak normal. (Ghozali, 2007: 113). Uji statistik lain adalah uji statistik non-parametrik Kolmogorov Smirnov (K-S). Jika nilai Z di bawah 1,97, maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik, atau data berdistribusi normal (Ghozali, 2007: 114 - 115). c. Analisa Tabulasi Silang (Crosstab)

Menurut Ghozali (2007:21) analisa ini pada prinsipnya menyajikan data dalam bentuk tabulasi yang meliputi baris dan kolom. Analisa ini digunakan untuk mengetahui persentase kecenderungan hubungan antara variabel independen terhadap variabel dependen. d. Uji Hipotesis Persamaan spesifikasi model pengukuran yaitu menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar konstruk atau variable. i. RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi (Hair et al, 1995 :175). Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model yang berdasarkan degrees of freedom (Browne & Cudeck, 1993 dalam Ferdinand, 2003 : 53). ii. GFI (Goodness of Fit Index), adalah ukuran non statistical yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1,0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. iii. AGFI (Adjusted Goodness of Fit Index), dimana tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90 (Hair et al, 1995, Hulland et al, 1996 dalam Ferdinand, 2000 : 56) iv. CMIN/DF, adalah The Minimum Sample Discrepancy Function yang dibagi dengan degree of freedom. CMIN/DF tidak lain adalah statistik chi square x2 relatif. Bila nilai x2 relatif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data (Arbuckle, 1997 dalam Ferdinand, 2000 : 56). v. TLI (Tucker Lewis Index), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah > 0,95 (Hair et al, 1995, p.175) dan nilai yang mendekati 1 menunjukkan a very good fit (Arbuckle, 1997 dalam Ferdinand,2000 : 57).

vi.

CFI (Comparative Fit Index), dimana bila mendekati 1, mengindikasi tingkat fit yang paling tinggi (Arbuckle,1997 dalam Ferdinand,2000 : 58).Nilai yang direkomendasikan adalah CFI lebih besar atau sama dengan 0,95.

Sebuah model dinyatakan layak jika masing-masing indeks tersebut mempunyai cut of value seperti ditunjukkan pada tabel 3.1 berikut:

Tabel 3.1 Goodness of Fit Indices Goodness of Fit Index = Chi-square 1. Significance Probality 2. RMSEA 3. GFI 4. AGFI 5. CMIN/DF 6. TLI 7. CFI Sumber : Ghozali, 2011 Cut-off Value < Chi Square table 0,05 0,08 0,90 0,90 2,00 0,95 0,95