11150930000084_GIFARI REIHAN NURRACHMAN

pengujian-pengujian tersebut dapat dilihat melalui
bagian di bawah ini.
a) Convergent Validity

Sama seperti pengujian outer model
reflektif, pada outer model formatif convergent
validity diartikan sebagai sejauh mana korelasi
berpengaruh positif dengan ukuran lain (indikator)
dari konstruk yang sama. Ketika mengevaluasi
model pengukuran formatif, pengujian harus
dilakukan dengan melihat apakah konstruk yang
diukur secara formatif berkorelasi dengan ukuran
konstruk yang sama.

Hal tersebut dapat dilakukan melalui
penilaian validitas konvergen dengan memeriksa
korelasi ukuran alternatif konstruk menggunakan
analisis redundansi (redundancy analysis). Terdapat
standar minimum redundancy analysis (J. F. Hair et
al., 2014, p. 132) yang lebih jelasnya dapat dilihat
melalui Tabel 2.26 di bawah ini.

Tabel 2.26 Standar Nilai Redundancy Analysis.

Nilai Interpretasi Keterangan
>0.80
Baik Memiliki nilai redundancy
(Diterima) analysis yang baik.

<0.80 Kurang Baik Memiliki nilai redundancy
(Ditolak) analysis yang kurang baik.

b) Collinearity Among Indicator
Tidak seperti pengukuran pada outer model

reflektif, korelasi tinggi antar item dalam model
pengukuran formatif dapat menjadi masalah.
Masalah tersebut dapat disebut sebagai
multikolinearitas. Multikolinearitas dapat terjadi

76

karena indikator yang sama dimasukkan dua kali
atau karena satu indikator merupakan kombinasi
linier dari indikator lain (J. F. Hair et al., 2014, p.
123).

Tingkat kolinearitas yang tinggi antara
indikator formatif dapat menjadi masalah karena
dapat berdampak pada estimasi bobot dan
signifikansi statistiknya (J. F. Hair et al., 2014, p.
123). Untuk mengatasi hal tersebut pengujian dapat
dilakukan dengan menilai variance inflation factor
(VIF). Untuk lebih detailnya terdapat standar
minumum nilai variance inflation factor (VIF)
(J. F. Hair et al., 2017, p. 132) yang lebih jelasnya
dapat dilihat melalui Tabel 2.27 di bawah ini.

Tabel 2.27 Standar Nilai VIF.

Nilai Interpretasi Keterangan

>0.20 Diterima Memiliki nilai variance
(0.20-5.00) inflation factor yang

diterima (korelasi tidak
terlalu tinggi).

<5.00 Ditolak Memiliki nilai variance
inflation factor yang

ditolak (korelasi terlalu
tinggi, disarankan untuk

dihapus/dihilangkan).

c) Significance and Relevance Formative Indicators
Kriteria penting lainnya untuk adalah

mengukur tingkat singifikansi dan relevansi
indikator formatif. Pengukuruan tingkat singifikansi
dan relevansi indikator formatif dapat dilihat dari
bobot luar (outer weight) yang dihasilkan. Bobot
luar merupakan hasil dari regresi berganda dengan

77

skor variabel yang dihasilkan (J. F. Hair et al., 2014,
pp. 126–127).

Untuk mengetahui apakah nilai outer
weight telah mememuhi standar dalam tingkat
signifikansi dan relevansi terdapat nilai standar
minimum yang dapat digunakanan. Untuk lebih
jelasnya nilai standar minumum nilai outer weight
(J. F. Hair et al., 2014, p. 132) tersebut dapat dilihat
melalui Tabel 2.28 di bawah ini.

Tabel 2.28 Standar Nilai Outer Weight.

Nilai Interpretasi Keterangan
>0.50 Diterima
Memiliki nilai outer
weight yang diterima.

<0.50 Ditolak Memiliki nilai outer
weight yang ditolak.

b. Evaluasi Model Struktural (Inner Model)
Evaluasi model struktural (inner model) dapat

digunakan untuk menggambarkan hubungan antara suatu
variabel laten (dilambangkan dengan oval/ lingkaran )
dengan variabel laten lainnya (J. F. Hair et al., 2014, pp. 12
& 70). Variabel laten tersebut dapat berbentuk variabel laten
eksogen/independen maupun endogen/dependen seperti
yang digambarkan melalui Gambar 2.9 sebelumnya.

Pada praktiknya evaluasi model struktural (inner
model) dapat diuji melalui lima proses pengukuran di
antaranya pengukuran Path Coefficients (β), Coefficient of
Determination (R2), Hypotesis Testing, Predictive Relevance
(Q2), Effect Size (f2), dan Relative Impact (q2) (J. F. Hair et
al., 2014, p. 97). Secara lebih detail pengukuran yang dapat
digunakan pada evaluasi model struktrural (inner model)
tersebut dapat dijelaskan melalui bagian berikut ini.

78

1) Path Coefficients (β)
Path coefficients merupakan sebuah pengujian

model struktural yang dapat menilai seberapa kuat
hubungan jalur pada sebuah konstruksi dalam model
sesuai dengan nilai beta standart (β) (J. F. Hair et al.,
2014, pp. 93 & 116). Semakin kuat hubungan jalur
(path) yang dihasilkan menandakan semakin signifikan
hubungan konstrusi model dalam jalur tersebut.

Pengujian path coefficients dapat diketahui
melalui nilai beta standart (β) yang dihasilkan.
Saat menjalankan metode PLS-SEM, perangkat lunak
pengujian akan menstandarkan baik data mentah
indikator maupun skor variabel laten. Akibatnya,
algoritma menghitung nilai beta standart (β) antara
-1 dan +1 untuk setiap hubungan dalam model struktural
dan model pengukuran. Misalnya, koefisien jalur yang
mendekati +1 menunjukkan hubungan positif yang kuat
dan sebaliknya untuk nilai -1 menunjukkan hubungan
negatif yang kuat.

Semakin dekat koefisien yang diestimasikan
ke 0 menandakan semakin lemah hubungannya (J. F.
Hair et al., 2014, p. 80). Secara lebih rinci nilai beta
standart (β) yang lebih rendah dari 0.1 umumnya tidak
signifikan secara statistik (J. F. Hair et al., 2017, p. 86).
Untuk lebih jelasnya standar nilai beta standart (β) yang
digunakan dalam pengukuran path coefficients tersebut
dapat dilihat melalui Tabel 2.29 di bawah ini.

Tabel 2.29 Standar Nilai Beta Standart (β).

Hasil Interpretasi Keterangan
>0.10 Signifikan
Hubungan konstruk (variabel)
memliki pengaruh yang
signifikan pada model

79

Hasil Interpretasi Keterangan
<0.10
Tidak Hubungan konstruk (variabel)
Signifikan memliki pengaruh yang tidak

signifikan pada model

2) Coefficient of Determination (R2)
Coefficient of determination merupakan sebuah

pengujian yang dapat mengetahui seberapa besar
pengaruh yang diberikan variabel independen dalam
menjelaskan varian dari variabel dependennya (J. F. Hair
et al., 2014, p. 80). Semakin besar pengaruh yang
dihasilkan menandakan variabel independen yang
dipilih semakin baik dalam menjelaskan keragaman
variabel dependen.

Untuk dapat menentukan seberapa besar
pengaruh yang dihasilkan coefficient of determination,
pengujian paling umum yang dapat dilakukan adalah
dengan menghitung nilai R-Square (R2) yang dihasilkan.
Nilai R-Square (R2) dapat berkisar antara 0 sampai 1
dengan tingkat yang lebih tinggi menunjukkan akurasi
yang lebih baik (J. F. Hair et al., 2014, p. 175). Terdapat
beberapa standar pengukuran nilai R-Square (R2) pada
proses pengujian coefficient of determination (J. F. Hair
et al., 2014, p. 186) yang dapat dijelaskan melalui Tabel
2.30 di bawah ini.

Tabel 2.30 Standar Nilai R-Square (R2).

Hasil Interpretasi Keterangan

>0.75 Kuat Memiliki pengaruh kuat
(0.75-1) (Subtansial) dalam menjelaskan

>0.50 Sedang variabel dependennya
(0.50-0.75) (Moderat)
Memiliki pengaruh sedang
dalam menjelaskan

variabel dependennya

80

Hasil Interpretasi Keterangan

>0.25 Lemah Memiliki pengaruh lemah
(0.25-0.50) dalam menjelaskan

variabel dependennya

3) Hypothesis Testing
Hypothesis testing merupakan salah satu

pengujian yang dapat digunakan untuk menerima
atau menolak suatu hipotesis statistik (J. F. Hair et al.,
2014, p. 203). Pengujian hipotesis (hypothesis testing)
dapat dilakukan melalui pengujian one tailed atau two
tailed tergantung arah dari hipotesis yang diusulkan pada
sebuah penelitian.

Dalam sebuah penelitian, penentuan penerimaan
hipotesis statistik dapat dilihat melalui tingkat
signifikansi level (significant level) yang disimbolkan
dengan α (alpha) yang didapatkan. Tingkat significant
level dapat beragam mulai dari 10%, 5% sampai paling
tinggi 1%. Dalam proses pengujian suatu hipotesis akan
dianggap berhubungan apabila nilai p (p-value) yang
diujikan menghasilkan nilai yang lebih kecil
dibandingkan nilai α (alpha) yang digunakan (p<α).

Selain melihat nilai p-value cara lainnya juga
dapat dilakukan dengan melihat nilai t (t-value) yang
dihasilkan. Apabila standar nilai t (t-value) lebih besar
dari nilai t-table yang dihasilkan (t-value>t-table) maka
suatu hipotesis dapat diterima (berhubungan). Untuk
lebih jelasnya nilai standar untuk p-value dan
t-value berdasarkan significant levelnya masing-masing
baik untuk pengujian satu ataupun dua sisi (J. F. Hair et
al., 2014, p. 138), (Gerald van Belle, Lloyd Fisher,
Patrick J. Heagerty, 1996), (Ibe, 2014, p. 414) tersebut
dapat dijelaskan melalui Tabel 2.31 di bawah ini.

81

Tabel 2.31 Standar Nilai p-value dan t-value.

H CL SL p (p>α) t (t-value>t-table)

Two-Tailed One-Tailed 99% 1% p<0.01 *** t-value>2.32
95% 5% p<0.05 ** t-value>1.64
90% 10% p<0.10 * t-value>1.28
99% 1% p<0.01 *** t-value>2.57
95% 5% p<0.05 ** t-value>1.96
90% 10% p<0.10 * t-value>1.64

Singkatan: H=Hypothesis, C/SL=Confidence/Significance Level.

4) Predictive Relevance (Q2)
Predictive relevance merupakan sebuah

pengujian yang dapat mengetahui apakah sebuah
variabel independen yang digunakan dalam suatu model
tertentu mempunyai keterkaitan prediktif (predictive
relevance) dengan variabel dependen dalam model
tersebut (J. F. Hair et al., 2014, p. 186).

Pengujian predictive relevance dapat dilakukan
dengan melihat nilai Stone-Geisser (Q2) (J. F. Hair et al.,
2014, p. 178) yang dihasilkan. Nilai Q2 yang memenuhi
standar ambang batas menujukkan bahwa variabel
independen memiliki keterkaitan prediktif (predictive
relevance) dengan variabel dependen yang
dipertimbangkan (J. F. Hair et al., 2014, p. 186). Standar
nilai ambang batas Q2 pada predictive relevance tersebut
secara lebih detail dapat dilihat melalui Tabel 2.32
di bawah ini.

Tabel 2.32 Standar Nilai Stone-Geisser (Q2).

Hasil Interpretasi Keterangan

>0 Terkait Memiliki kerterkaitan/relevansi
prediktif dengan variabel lainnya

82

Hasil Interpretasi Keterangan
<0 Tidak Terkait
Tidak memiliki kerterkaitan/
relevansi prediktif dengan
variabel lainnya

5) Effect Size (f2)
Effect size merupakan sebuah pengujian yang

dapat mengetahui apakah akan terjadi perubahan atau
dampak yang subtansif ketika sebuah variabel
independen tertentu dihilangkan dari sebuah model yang
digunakan. Effect size (f2) dapat diukur secara otomatis
melaui perangkat lunak pengujian maupun manual
dengan cara membandingkan nilai R2 include (R2 yang
masih disertakan dalam model) dan R2 exclude (R2 yang
dihapus dalam model) (J. F. Hair et al., 2014, p. 177).

Secara lebih detail proses perbandingan
R2 include dan R2 exclude yang dapat dihitung secara
manual tdapat dilakukan melalui Rumus 2.4 berikut ini:

f2 = − (Rumus 2.4 Effect Size f2)
−

Keterangan:

R2 include: Nilai yang diperoleh ketika variabel independen
yang diuji masih dimasukkan ke model.

R2 exclude: Nilai yang diperoleh ketika variabel independen
yang diuji dikeluarkan dari model.

Hasil dari perhitungan tersebut nantinya dapat
mengetahui berapa nilai effect size (f2) yang dihasilkan.
Terdapat standar nilai ambang batas untuk effect size (f2)
yang secara lebih detail dapat dijelaskan melalui Tabel
2.33 di bawah ini.

83

Tabel 2.33 Standar Nilai Effect Size (f2).

Hasil Interpretasi Keterangan
>0,35 Besar
Memiliki pengaruh effect
size yang besar

>0,15 Sedang Memiliki pengaruh effect
size yang sedang

>0,02 Kecil Memiliki pengaruh effect
size yang kecil

6) Relative Impact (q2)
Relative impact merupakan sebuah pengujian

yang dapat mengukur dampak relatif (relative impact)
dari relevansi prediktif (predictive relevance (Q2)).
Seperti proses yang dilakukan peninjauan effect size (f2)
sebelumnya, Relative impact (q2) dapat diukur dengan
membandingkan secara manual nilai Q2 include
(Q2 yang masih disertakan dalam model) dan Q2 exclude
(Q2 yang dihapus dalam model) (J. F. Hair et al., 2014,
p. 177) yang secara lebih jelas dapat dihitung melalui
Rumus 2.5 berikut ini:

q2 = − (Rumus 2.5 Effect Size q2)
−

Keterangan:

Q2 include: Nilai yang diperoleh ketika variabel independen
Q2 exclude: yang diuji dimasukkan ke model.
Nilai yang diperoleh ketika variabel independen

yang diuji dikeluarkan dari model.

Hasil dari perhitungan tersebut nantinya dapat

mengetahui berapakah nilai relative impact (q2) yang

didapatkan. Terdapat standar nilai ambang batas untuk

relative impact (q2) yang secara lebih detail dapat

dijelaskan pada Tabel 2.34 di bawah ini.

84

Tabel 2.34 Standar Nilai Relative Impact (q2).

Hasil Interpretasi Keterangan
>0,35 Besar
Memiliki pengaruh besar
>0,15 Sedang terhadap konstruk endogen

>0,02 Kecil Memiliki pengaruh sedang
terhadap konstruk endogen

Memiliki pengaruh kecil
terhadap konstruk endogen

2.5 Alat Bantu Penelitian
Dalam penelitian kali ini terdapat beberapa alat bantu yang akan

digunakan dalam menunjang instrumen serta mempermudah jalannya
penelitian yang akan dilakukan. Pada bagian di bawah, terdapat beberapa
penjelasan dan pengertian tentang alat bantu atau instrumen yang nantinya
akan digunakan dalam penelitian kali ini.
2.6.1 Google Form

Google Form atau Google Formulir merupakan sebuah
website yang dibuat oleh Google yang berguna untuk membantu
memberikan kuis, merencanakan acara, mengumpulkan informasi,
serta membuat sebuah survei penelitian dengan cara yang lebih mudah
dan efisien. Format laporan Google Form berbentuk spreadsheets
yang dapat menunjukkan penggunaan berbagai pertanyaan dan respon
jawaban yang berbentuk teks sederhana atau teks lanjutan. Pertanyaan
dalam Google Form dapat berupa daftar pertanyaan pilihan ganda,
maupun pertanyaan dalam bentuk skala yang dapat digunakan dalam
pembuatan survei kuesioner pada sebuah penelitian.
2.6.2 Microsoft Excel

Microsoft Excel merupakan perangkat lunak pengolah data
dari Microsoft Office berbentuk lembaran tabel tersebar (spreadsheet)
yang dikembangkan oleh Microsoft. Pada pemanfaatannya selain
dapat digunakan untuk mencatat dan menyimpan data, Microsoft
Excel dapat digunakan untuk mengolah berbagai jenis tipe data seperti

85

numerik, teks, angka, dan lain sebagainya salah satunya melalui fitur
pivot table (tabel pivot).

Microsoft Excel juga mampu untuk melakukan perhitungan
penjumlahan, perkalian, fungsi-fungsi logika, perhitungan rata-rata,
bahkan sampai pembuatan grafik dengan fungsi-fungsi statistik
seperti fungsi penjumlahan (sum), pencarian nilai terbesar/terkecil
(max/min), rata-rata (average), dan jumlah (count) yang dapat
bermanfaat dalam pengolahan data yang dalam penelitian kali ini
dimanfaatkan dalam menganalisis data demografi.
2.6.3 SmartPLS

SmartPLS atau Smart Partial Least Square merupakan sebuah
software yang dikembangkan oleh SmartPLS GmbH yang dapat
digunakan dalam proses analisis data melalui persamaan struktural,
ataupun persamaan regresi linear menggunakan teknik Partial Least
Squares-Structural Equation Modeling (PLS-SEM). SmartPLS dalam
pemanfaatannya dapat menguji hubungan antara variabel, baik
sesama variabel latent (atau dapat disebut variabel independen/
eksogen) dengan variabel manifest (dapat disebut variabel dependen/
endogen). Penggunaan SmartPLS sangat dianjurkan apabila
penelitian memiliki keterbatasan jumlah sampel sementara model
yang dibangun cukup kompleks. SmartPLS juga memiliki kelebihan
dalam mengolah data baik untuk model SEM formatif ataupun
reflektif (J. F. Hair et al., 2017).

86

BAB
METODOLOGI

3.1 Kerangka Penelitian
Perumusan kerangka penelitian ditujukan untuk menjelas

Dalam prosesnya yang pada kasus kali ini ditujukan untuk meng
perangkat Internet of Things (IoT) langkah yang akan diterapkan
referensi dari (Subiyakto et al., 2015, p. 668). Hal tersebut secara

Pemetaan Gap K
Penelitian Penelitian

(1) (2) (3) Pen
Perumusan Studi Model
Literatur Usulan
Masalah
Pengujian
Penemuan Model Usulan
Objek Masalah

Gambar 3.1 K
8

B III
I PENELITIAN

skan secara rinci bagaimana langkah penelitian ilmiah dapat dilakukan.
ganalisis niat perilaku urban konsumen Pulau Jawa dalam penggunaan
n pada kerangka penelitian akan dibagi menjadi tujuh fase berdasarkan
a lebih jelas dapat dilihat melalui Gambar 3.1 di bawah ini.

Data Hasil
Kuesioner Interpretasi

(4) (5) (6) (7)
ngumpulan Analisis Interpretasi Penulisan
Laporan
Data Data
Hasil
Hasil Pelaporan
Analisis

Kerangka Penelitian.
87

3.2 Rancangan Penelitian
Dalam rancangan penelitian kali ini, pendekatan kuantitatif akan

dipergunakan untuk menjawab niat perilaku urban konsumen Pulau Jawa
dalam penggunaan perangkat Internet of Things (IoT). Penggunaan
pendekatan kuantitatif akan diukur menggunakan metode survei dengan
instrumen kuesioner yang disebarkan melalui media daring (online) pada
populasi dan sampel penelitian yang telah ditentukan.

Hal tersebut dilakukan untuk membantu proses peninjauan hubungan
hipotesis asosiatif (satu sisi/one tailed) yang akan digunakan pada penelitian.
Nantinya melalui proses analisis statistik inferensial didapatkan hasil yang
akan menunjukkan bagaimana hubungan yang terjadi antara suatu hipotesis
dengan hipotesis lain untuk mengukur niat perilaku urban konsumen Pulau
Jawa pada penggunaan perangkat Internet of Things (IoT).

3.3 Penelitian Terdahulu
Pencarian penelitian terdahulu digunakan dalam upaya memperkaya

teori serta menemukan kebaharuan pada topik penelitian yang akan
dilakukan. Penelitian terdahulu akan bermanfaat untuk menghindari adanya
kesamaan atau pengulangan antara penelitian kali ini dengan penelitian
sebelumnya. Pada penelitian kali ini, pencarian penelitian terdahulu akan
dilakukan melalui serangkaian proses sistematis yang lebih jelas dapat dilihat
melalui bagian berikut ini.
3.3.1 Tinjauan Pustaka Sistematis

Pada penelitian kali ini, peneliti akan menggunakan teknik
tinjauan pustaka sistematis (systematic literature review) untuk
menemukan penelitian terdahulu dengan topik serupa. Strategi
tinjauan pustaka sistematis akan dilakukan melalui penelusuran data
perpustakaan digital yaitu Researchgate untuk menemukan publikasi
sejenis. Hal tersebut ditemukan melalui kata kunci pencarian yang
berhubungan yaitu: (Consumer AND Internet of Things OR IoT OR
Smart) AND (Acceptance OR Adoption OR Intention NOT
Continuing) pada rentang waktu lima tahun terakhir (2016-2020).

88

Penetapan batasan waktu tersebut dilakukan untuk menjaga
kebaharuan guna mendapatkan rujukan penelitian yang lebih
baik. Selain pembatasan rentang waktu, pada penelitian kali ini
kajian literatur juga akan dipilih berdasarkan publikasi yang beredar
pada artikel ilmiah, ataupun skripsi/tesis/disertasi pada lingkup
internasional untuk menambah kredibilitas rujukan. Tahapan
pengambilan tinjauan pustaka sistematis yang digunakan pada
penelitian kali ini diadaptasi dari penelitian (Wahono, 2007, p. 3)
yang secara lebih jelas dapat dilihat pada Gambar 3.2 di bawah ini.

Mulai

Perpustakaan Digital
ResearchGate

Kata Kunci Pencarian 2016-2020Ketentuan Pencarian
“User” OR “Consumer”
International
“Acceptance” OR Article
“Adoption” OR “Use” Thesis

AND “IoT”

Melakukan Pencarian Penelitian

Mayoritas Penelitian Yang Tidak
Ditemukan Telah Sesuai?

Ya

Mendapatkan Semua Menyaring Kembali
Hasil Pencarian (Kata Kunci dan Ketentuan

(Ditemukan: 127 Studi) Pencarian Penelitian)

Menyaring Pencarian Berdasarkan Judul dan Abstrak Sesuai
(Ditemukan: 55 Studi)

Menentukan Studi Rujukan Berdasarkan Seluruh Teks Lengkap
(Ditemukan: 21 Studi)

Selesai

Gambar 3.2 Model Tinjauan Pustaka Sistematis.

89

3.3.2 Sebaran Penelitian Terdahulu
Melalui penyaringan tinjauan pustaka sistematis, ditemukan

21 penelitian terdahulu dengan topik relevan. Hal tersebut secara lebih
jelas dapat dilihat melalui Gambar 3.3 dan Tabel 3.1-3.3 berikut ini.

Penelitian Terdahulu 8 1

6 34 6 6
2019 2020
4 2017 2018

2
01

2016

Artikel Tesis

Gambar 3.3 Grafik Sebaran Penelitian Terdahulu.

Tabel 3.1 Penelitian Berhasil Disaring.

No Jenis Tahun Penulis & Referensi Objek (C-IoT)
Ref. Smartwatch
Smartwatch
(1) Artikel 2016 (Wu et al., 2016) Smart Home
Smart Meter
(2) Artikel 2017 (Hsiao & Lun, 2017) Smart Home

(3) Artikel 2017 (Kim et al., 2017) IoT Healthcare
General (C-IoT)
(4) Artikel 2017 (C. fei Chen et al., 2017) IoT Healthcare
General (C-IoT)
(5) Artikel 2018 (Yang et al., 2018)
Smart Home
(6) Artikel 2018 (Karahoca et al., 2018) IoT Healthcare

(7) Artikel 2018 (Mital et al., 2018) Smart Home
Smartwatch
(8) Artikel 2018 (Pal et al., 2018) Smart Home
Smart Home
(9) Artikel 2019 (W. Lee & Shin, 2019) Smart Home
General (C-IoT)
(10) Artikel 2019 (de Boer et al., 2019) General (C-IoT)
General (C-IoT)
(11) Artikel 2019 (Alraja et al., 2019) IoT Healthcare
General (C-IoT)
(12) Artikel 2019 (Hubert et al., 2019)

(13) Artikel 2019 (Baba & Baharudin, 2020)

(14) Artikel 2019 (Klobas et al., 2019)

(15) Tesis 2019 (Sinaga, 2019)

(16) Artikel 2020 (Aldossari & Sidorova, 2020)

(17) Artikel 2020 (Lu et al., 2020)

(18) Artikel 2020 (Bajaj et al., 2020)

(19) Artikel 2020 (Tsourela & Nerantzaki, 2020)

(20) Artikel 2020 (Princi & Krämer, 2020)

(21) Artikel 2020 (Chatterjee, 2020)

90

Tabel 3.2 Indeks Penelitian Terdahulu.

Jenis Quartile Non-Index Total
Q2 (Tesis)
Q1 Q3 Q4

Artikel (1), (3), (4), (2), (5), (6), (18), (21) (9), (13) 20
(7), (8), (10), (16), (19),

(11), (12), (20)
(14), (17)

Tesis 10 (15) 1
Total 6 2 2 1 21

Diperiksa melalui: www.scimagojr.com per-Desember 2021.

Tabel 3.3 Jurnal Penerbit Penelitian Terdahulu.

Subjek Area & Kategori

CS BMA SS EE PS
CS (M)
Penerbit IS
HCI

CNC
MTI
SM
BMA (M)
MAR
SS (M)
EEE
PS (M)

TESIS
TOTAL

Elsevier (14) (22) (10) (7) (4) 5
Emerald 3
(2) (12) (6)
IEEE 2
(8)
Taylor Francis 2
Routledge (11) 1
Frontiers (20) 1
IGI (16) (17) 1
Hindawi (5) 1
MDPI (3) 1
Lainnya (9) (15) 4
(21) 211
Total 21
(19) 211
(13) (18)

431221112
10 5 2

Diperiksa melalui: www.scimagojr.com per-Desember 2021.

Singkatan:

CS: Computer Science, CS (M): Computer Science (miscellaneous), IS: Information Systems, HCI:
Human Computer Interaction, CNC: Computer Networks and Communications, BMA: Business,
Management and Accounting, MTI: Management of Technology and Innovation, SM: Strategy and
Management, BMA (M): Business, Management and Accounting (miscellaneous), MAR: Marketing,
SS: Social Sciences, SS: Social Sciences (miscellaneous), EE: Electronic Engineering, EEE: Electrical
and Electronic Engineering, PS: Psychology, PS (M): Psychology (miscellaneous).

91

Model3.3.3 Pemetaan Penelitian Terdahulu
Dari proses tinjauan literatur yang telah ditemuk
DOI (27)
melihat model serta variabel yang saat ini banyak digun
TRA (14)pemetaan penelitian tersebut dapat dilihat secara lebih de

Tabel 3.4 Peme

Var. Dep. (Eksogen)
Var. Ind.
(Endogen) EU US PE PB CT TR RS PR IWB PV FA H

(6) (6)
CB (12) (12)

(21)
CM

(6) (6)
TR

(12) (12)
(6) (6)
RA

AT

SN

9

kan, didapatkan pemetaan penelitian terdahulu yang dilakukan untuk
nakan dalam menjawab topik penelitian kali ini. Untuk lebih jelasnya
etail melalui Tabel 3.4 di bawah ini.

etaan Penelitian Terdahulu.

Intention R A Total
Path
HB AW COS COM SPR NS SS CS IoTS TTF AT

BI AI AD IU

(21) (2) (1) (6) (2)

(12) 2 10 12
(21)

(2) (2) 11 2

(6)

60 6
(12)

(2) (1) (6) (2) 167
(1)

(6) (7) (3)

(1) (7) (14) 1 7 8

(16) (10)

(7)

02 2
(7)

92

Model Var. Dep. (Eksogen)
Var. Ind.
PMT (2) (Endogen) EU US PE PB CT TR RS PR IWB PV FA H

BI (17) (17)
PV
SV

PU

TAM (23) (6)
(12)
TTF (4) TPB (4) VAM (4) PEOU (21) (3)
(10) (3)
PV
PB (20) (20)
PS
PBC (15)
TSC (15)
TCC
TTF

9

Intention R A Total
Path
HB AW COS COM SPR NS SS CS IoTS TTF AT

BI AI AD IU

(19) 0 3 3

(6) 1 0 1

(6) 1 0 1

(6) (6) (7) (13)

(4) 1 9 10
(10) (12) (10)

(19) (21)

(6) (6) (7) (13)

(19) (12) 3 10 13
(10) (21)

(1)

(3) (3) 0 2 2

01 1

01 1

(20) 3 4
1

(7)

(2) 1 1 2

01 1

(2) 0 1 1

93

Model Var. Dep. (Eksogen)
Var. Ind.
UTAUT (18) (Endogen) EU US PE PB CT TR RS PR IWB PV FA H
UTA
UT (19) (19)
(14)SI

UTAUT2 (4) PE

- (8)
EE

FC

HB
HM
PV
TA
EA (8)
RD (12) (12)
VB (12) (12)
IM (6) (6)
AC

9

Intention R A Total
HB AW COS COM SPR NS SS CS IoTS TTF AT Path

BI AI AD IU

(16) (1) (15)

(9) 1 67

(8) 33

(16) (9) (15) 0 35

(8) 13

(16) (9) (15) 2 01
(8) 22
11
(16) 10
10
(9) 2 34
03
(8) 23
01
(4) 1

(16) (15) 0

(16) 0

(8) 0

0

(1) (12) 1

(12) 3

(6) 1

(20) 1

94

Model Var. Dep. (Eksogen)

Var. Ind.
(Endogen) EU US PE PB CT TR RS PR IWB PV FA H

PI (6) (6) (19)
UC
FM (11)
OE
VS
OWM
IoTS (10) (10)
MS
INS
SS
CS
IWB
IPV
TC
AU
MC
CR
DE
AE

9

Intention R A Total
HB AW COS COM SPR NS SS CS IoTS TTF AT Path

BI AI AD IU

(6) (15) 1 34
11
0 11
11
0 01
11
(2) 0 33
44
(3) 1 33
22
(2) 0 11
11
(10) 0 11
01
(10) (10) (10) (10) 0 01
11
(10) (10) (10) 0 11
01
(10) (10) 0 01

(10) 0

(17) 0

(17) 0

(20) 1

(5) 1

(20) 0

(17) 0

(17) 1

(17) 1

95

Model Var. Dep. (Eksogen)

Var. Ind.
(Endogen) EU US PE PB CT TR RS PR IWB PV FA H

LE (11) (12)
EM
PR
CB
ICD
DA
FA (19)
HC
CN
CI (19)

(12) (12)
SC

(11)
PV

SPR (12) (12) (12)
PVR (12) (12) (12)
PFR (12) (12) (8)

TR (8)

9

Intention R A Total
HB AW COS COM SPR NS SS CS IoTS TTF AT Path

BI AI AD IU

(17) 1 01
11
(1) 0 01
01
(5) 1 01
11
(5) 1 11
11
(5) 1 12
11
(2) 0
88
0

(9) 0

(18) (18) 1

0

(14) (16) (12)
0

(14)

(16) (6) (13) 46
(4) 2
11
(20) 35
34
(21) 0
46
(11) (12) (15) 2

(12) 1

(12)
2

96

Model Var. Dep. (Eksogen)

Var. Ind.
(Endogen) EU US PE PB CT TR RS PR IWB PV FA H

HR (4) (19)
DF (19) (4) (4
CR
COS (19) (4) (11) (4)
PPE

TR

ST
SC

PC

Total 17 24 5 1 1 4 5 1 1 3 2 1

Singkatan:

(Model): DOI: Diffusion of Innovation Theory, UTAUT: Unified Theory of Ac
Model, PMT: Protection Motivation Theory, TPB: Theory of Planned

(Var. Ind): TA: Technology Anxiety, EA: Expert Advice, PI: Personal Innov
Demonstrability, VB: Visibility, IM: Image, RA: Relative Advantag

9

Intention R A Total
HB AW COS COM SPR NS SS CS IoTS TTF AT Path

BI AI AD IU

(13) 1 01
02
(18) (18) 2 11
11
0 02

(19) 0 99

4) 0 12
01
(11) (15) 0
(16)

(18) (18) 1

(2) 1

(18) (6) (18) (13)

(8) 37
4

(4)

(21)

1 4 1 0 1 1 2 3 4 4 22 54 19 11 18 58 149 207

cceptance and Use of Technology, VAM: Value-Based Adaptation Model, TAM: Technology Acceptance
d Behavior, TTF: Task Technology Fit, TRA: Theory of Reasoned Action.
vativeness, UC: User Character, CB: Compatibility, CM: Complexity, TB: Trialability, RD: Result
ge, AT: Attitude Toward, SN: Subjective Norm, BI: Behavioral Intention, PV: Perceived Vulnerability,

97

SV: Severity, PU: Perceived Usefulness, PEOU: Perceived Ease o
PBC: Perceived Behavioral Control, TC: Task Characteristics, TC: Te
EE: Effort Expectancy, FC: Facilitating Conditions, HB: Habit, HM:
OWOM: Online Word-of-Mouth, IOTS: IoT Skills, MS: Mobile Skills,
IPV: Internet Perceived Value, TC: Technology Commitment, A
AE: Achievement Emotions, LE: Loss Emotions, EJ: Enjoyment, PR: P
Appropriation, HC: Hindering Condition, CV: Convenience, CI: C
RMR: Performance (Risk), TR: Time (Risk), HR: Health Risk, SF:
TR: Trust, ST: Status, SC: Social Conformity, PC: Perceived Cost.

(Var. Dep): DA: Design Aestetics, RA: Relative Advantage, IN: Innovativeness, UC
Emotions, DE: Deterrence Emotions, AE: Achievement Emotions, LE
CR: Cyber Resilience, PV: Perceived Value, PS: Perceived Sacri
CX: Complexity, COS: Control Over Secure, AC: Actual Control, PC:
& Privacy Risk, SC: Security, RS: Risk, PR: Performance (Risk), TR:
Risk, TR: Trust, CN: Convenience, ST: Status, EU: Prc. Ease of U
SN: Subjective Norm, SC: Social Conformity, HM: Hedonic Motivati
Word-of-Mouth, TC: Task Characteristics, THC: Technology Charact
Skills, SS: Social Skills, CS: Creative Skills, RD: Result Dem
IN: Interconnectedness, RB: Reliability, AT: Attitude Toward, PB
CAI: Confirmation of Actual Usage, PUB: Potential use Behavior.

(Keterangan): R: Rejected, A: Accepted (Hipotesis) Hipotesis Diterima

9

of Use, PV: Perceived Value, PB: Perceived Benefit, PS: Perceived Sacrifice, AC: Actual Control,
echnology Characteristics, TTF: Task Technology Fit, SI: Social Influeunce, PE: Performance Expectancy,
Hedonic Motivation, PV: Price Value, FM: Familiarity, OE: Openness Experience, VS: Variety Seeking,
, IN: Invormation, NS: Navigation Skills, SS: Social Skills, CS: Creative Skills, IWB: Internet Well-being,
AU: Automation, MC: Moral Consederation, CS: Challenge Emotions, DE: Deterrence Emotions,
Perceived Reliability, CB: Controllability, IC: Interconnectedness, DA: Design Aestetics, FA: Facilitated
Cognitive Instrumentals, SP: Security (Privacy), SPR: Security & Privacy Risk, PVR: Perceived Risk,
: Safety, CR: Cyber Resilience, COS: Control Over Secure, PPE: Problem Perception (Environment),

C: User Character, MC: Moral Consederation, EM: Enjoyment, OE: Openness Experience, CE: Challenge
E: Loss Emotions, IWB: Internet Well-Being, IPV: Internet Perceived Value, CI: Cognitive Instrumentals,
ifice, PB: Perceived Benefit, VS: Variety Seeking, TK: Task, FM: Familirity, COM: Compatibility,
: Prc. Control, TR: Trialability, IM: Image, PV: Prc. Vulnerability, SE: Severity, SA: Safety, SPR: Security
: Time (Risk), PR: Privacy, PP: Problem Perception, PV: Price Value, CS: Cost, HB: Habit, HR: Health
Use, US: Prc. Usefulness, PE: Performance Expectancy, EE: Effort Expectancy, SI: Social Influeunce,
ion, FA: Facilitated Appropriation, PF: Facilitating Conditions, HC: Hindering Condition, WM: Online
teristics, TTF: Task Technology Fit, IoTs: IoT Skills, MS: Mobile Skills, IN: Invormation, NS: Navigation
monstrability, VS: Visibility, TC: Technology Commitment, AU: Automation, CN: Controllability,
BC: Prc. Behavioral Control, BI: Behavioral Intention, AW: Awareness, COS: Control Over Secure,

Hipotesis Ditolak.

98

3.3.4 Tren Penelitian Terdahulu
Berdasarkan pemetaan penelitian di atas, ditemukan beberapa

tren penelitian terdahulu yang paling banyak digunakan baik dari sisi
model, maupun penggunaan serta pengembangan variabel yang
telah dilakukan. Untuk lebih jelasnya, tren penelitian terdahulu
beserta penjelasannya tersebut dapat dilihat melalui Gambar 3.4-3.6
di bawah ini.

30 DOI/IDT, 27
TAM, 23
25
UTAUT, 18
20
Model TRA, 14

15

10 UTAUT 2, 4
TPB, 6

VAM, 4 TTF, 4
5

PMT, 2

0

Gambar 3.4 Grafik Model Paling Banyak Digunakan.

Dari tren penelitian terdahulu ditemukan bahwa, model
penerimaan konsumen terhadap penggunaan perangkat IoT yang
paling banyak digunakan adalah model Diffusion Innovation Theory
(DOI) dan Technology Acceptance Model (TAM). Meskipun model
DOI dan TAM merupakan model yang cenderung lampau dalam
pengembangannya yaitu sejak tahun 1962 (Rogers, 1962) dan 1985
(Davis, 1985), tetapi pada sejumlah penelitian terdahulu justru model
DOI dan TAM-lah yang paling banyak digunakan untuk menjawab
permasalahan penerimaan konsumen terhadap perangkat IoT.

99

14

12

10

Variabel Independen 8 SC, 8

6 PR, 6 PR, 6

4 TR, 4 PR, 4 M

INS, 3 I

2 CN, 2 SS, 2 H

SPR, 1 CI, 1 HC, 1 FA, 1 EY, 1 LE, 1 MC, 1 TC, 1 VS
0 OWoM, 1 PB, 1 IWB, 1 HR, 1 IC, 1 DA, 1 CB, 1 PR, 1 DE, 1

Gambar 3.5 Grafik Variabe

10

PEoU, 13

CB, 12

PU, 10

AT, 8

RA, 7

SI, 6 TB, 6

PE, 5 PBC, 5

MS, 4 BI, 4 RD, 4 PI, 4

IS, 3 EE, 3 IM, 3 VB, 3

HM, 2 FC, 2 PV, 2 SN, 2 CP, 2

S, 1 OE, 1 PV, 1 FM, 1 HB, 1 TTF, 1 TC, 1 AC, 1 SV, 1
1 CE, 1 IPV, 1 CS, 1 AU, 1 UC, 1 PV, 1 PS, 1 AE, 1

el Independen Paling Banyak Digunakan.

00

70

60

BI, 54
50

Variabel Dependen 40

30

AT, 22

20 AI, 19
IU, 18
TTF, 4 CS, 3 SS,
10 AD, 11 IoTS, 4
INS, 1
CAI, 2
0 SPR, 1 PUB, 1

Gambar 3.6 Grafik Variab

10

US, 24

EU, 17

AW, 4 FA, 2 PV, 3 RS, 5
TR, 3
2 PE, 2
COS, 1
HB, 1 WB, 1 PR, 1 CT, 1 BN, 1

bel Dependen Paling Banyak Digunakan.

01

Sementara pada penggunaan variabelnya sendiri, dalam
penelitian terdahulu secara garis besar ditemukan variabel independen
atau eksogen yang paling banyak digunakan untuk menjawab
permasalahan penerimaan konsumen terhadap penggunaan IoT adalah
variabel Kemudahan Penggunaan (Perceived Ease of Use), Manfaat
Dirasakan (Perceived Usefulness) dari model TAM, serta variabel
Kesesuaian (Compatibility) dari model DOI. Sementara pada variabel
dependen atau endogennya variabel yang paling banyak digunakan
adalah niat perilaku (Behavioral Intention).

Diluar itu, secara lebih detail telah banyak penelitian yang
mengembangkan variabel terbaru untuk menjawab permasalahan
tersebut seperti penggunaan variabel kepercayaan (Trust (TR)),
variabel privasi dan keamanan (Privacy (PC), Security (SC), Security
& Privacy Risk (SPR)), variabel resiko (Perceived Risk (PR),
Performance Risk (PVR), Time Risk (TR)), variabel harga atau biaya
(Perceived Cost (PC) dan Price Value (PV)), variabel keahlian
penggunaan (IoT Skills (IoTS), Mobile Skills (MS), Invormation
Navigation Skills (INS)), serta variabel tampilan (Design Aestetics
(DA)) pada penerimaan penggunaan perangkat konsumen IoT.

Variabel lain yang juga dikembangkan dan digunakan pada
penelitian sebelumnya adalah variabel emosi dan moral konsumen
(Moral Consederation (MC), Challenge Emotions (CE), Deterrence
Emotions (DE), Achievement Emotions (AE) dan Loss Emotions
(LE)), variabel kefamiliaran (keakraban) dan keinginan penggunaan
(Familiarity (FM), Openness Experience (OE), Variety Seeking
(VS)), variabel kontrol penggunaan (Actual Control (AC), Perceived
Behavioral Control (PBC)), variabel keuntungan dalam penggunaan
(Perceived Benefit (PB), variabel kecocokan penggunaan (Task
Characteristics (TC), Technology Characteristics (TC), dan Task
Technology Fit (TFT)), variabel kesulitan yang dirasakan (Effort
Expectancy (EE)), variabel dorongan subjektif (Subjective Norm
(SN), Habit (HB), Hedonic Motivation (HM), Social Influeunce (SI)),

102

dan lain sebagainya yang telah dijabarkan lebih detail pada Tabel 3.4
sebelumnya.
3.3.5 Kebaharuan Penelitian

Dengan kurang dimanfaatkannya model UTAUT pada
penelitian terdahulu, padahal model tersebut memiliki keunggulan
dengan lebih komprehensif dari model-model sebelumnya karena
telah menggabungkan delapan model penerimaan teknologi terdahulu
termasuk kedua model yang banyak digunakan pada topik kali ini
yaitu model DOI dan TAM (Venkatesh et al., 2003a), maka pada
penelitian kali ini model UTAUT akan peneliti usulkan untuk
digunakan guna mengetahui bagaimana niat perilaku urban konsumen
Pulau Jawa dalam penggunaan perangkat IoT.

Selain penggunaannya, pada penelitian kali ini model
UTAUT juga akan dikembangkan dengan menerapkan faktor
Eksternalitas Jaringan (Network Externalities) kedalam model
UTAUT. Hal tersebut dilakukan karena merujuk data tren penelitian
terdahulu, sampai saat ini belum ada penerapan faktor tersebut untuk
mendukung model UTAUT, dan faktor tersebut juga dinilai dapat
meningkatkan penerapan model UTAUT dengan menambahkan
faktor subjektif pengguna pada presepsi besaran penggunaan
perangkat konsumen IoT sesuai dengan masalah awal yang telah
ditemui pada studi pendahuluan yang telah dibahas pada latar
belakang sebelumnya.

Melalui penerapan faktor Eksternalitas Jaringan (Network
Externalities) kedalam model UTAUT, diharapkan faktor-faktor yang
dapat mempengaruhi niat perilaku urban konsumen di Pulau Jawa
dalam penggunaan perangkat IoT secara lebih komprehensif dapat
diketahui sesuai dengan tujuan penelitian yang ingin dicapai pada
penelitian kali ini.

103

3.4 Model Usulan Penelitian
3.4.1 Model Penelitian
Dalam menjalankan proses analisis terkait niat perilaku urban
konsumen Pulau Jawa dalam penggunaan perangkat Internet
of Things (IoT) seperti yang telah dijelaskan pada bagian kebaharuan
penelitian sebelumnya, pada penelitian kali ini peneliti akan
menggunakan model Unified Theory of Acceptance and Use
of Technology (UTAUT) yang diadaptasi dari penelitian Venkatesh
et al. pada tahun 2003 (Venkatesh et al., 2003b). Pemilihan model
tersebut dilakukan karena model UTAUT saat ini masih belum terlalu
banyak dimanfaatkan untuk meneliti penerimaan penggunaan
konsumen IoT pada penelitian terdahulu. Padahal model tersebut
merupakan model pembaharuan dan penggabungan yang lebih
komprehensif (menyeluruh) dari delapan model penerimaan teknologi
sebelumnya (Venkatesh et al., 2003b).
Model UTAUT sendiri terdiri atas 4 variabel yaitu variabel
Harapan Kinerja (Performance Expectancy), Harapan Usaha (Effort
Expectancy), Pengaruh Sosial (Social Influence), dan Kondisi yang
Memfasilitasi (Facilitating Conditions). Selain empat variabel
tersebut, pada penelitian kali ini peneliti juga memodifikasi model
UTAUT dengan menambahkan faktor Eksternalitas Jaringan
(Network Externalities) yang didalamnya berisikan dua variabel
tambahan yaitu Jumlah Pengguna yang Menggunakan (Number
of Users), dan variabel Jumlah Rekanan yang Menggunakan (Number
of Peers) yang modelnya diadaptasi dari penelitian Katz dan Shapiro
pada tahun 1985 (Katz & Shapiro, 1985).
Penggunaan faktor tersebut diterapkan karena pertama sampai
saat ini sesuai dengan sebaran penelitian terdahulu, belum ada
penelitian yang secara khusus membahas penggunaan faktor
Eksternalitas Jaringan (Network Externalities) kedalam model
UTAUT untuk mengetahui niat perilaku penggunaan perangkat
Internet of Things (IoT). Alasan kedua diharapkan dengan adanya

104

faktor tersebut, pengukuran dapat diperluas dengan meninjau faktor
subjektif ketika responden menganggap bahwa telah banyak orang
lain (Number of Users), dan rekanan responden (Number of Peers)
seperti teman, keluarga atau rekan kerja telah dan akan menggunakan
teknologi IoT (Kraut et al., 1998), maka akan semakin tertarik
responden tersebut untuk ikut menggunakan teknologi IoT
(Economides & Himmelberg, 1994) sesuai temuan studi awal yang
telah dibahas sebelumnya.

Dari model serta variabel tambahan yang telah diusulkan
di atas, maka pada penelitian kali ini model usulan penelitian akan
terdiri dari 7 variabel dengan 24 indikator yaitu variabel Harapan
Kinerja (Performance Expectancy) dengan 5 indikator, Harapan
Usaha (Effort Expectancy) dengan 3 indikator, Pengaruh Sosial
(Social Influence) dengan 4 indikator yang didalamnya terdapat
1 indikator terbaru yaitu Pengaruh Media Massa (Mass Media
Influence), Kondisi yang Memfasilitasi (Facilitating Conditions)
dengan 3 indikator, Jumlah Pengguna Menggunakan (Number of
Users) dengan 3 indikator, dan Jumlah Rekanan yang Menggunakan
(Number of Peers) dengan 3 indikator. Model usulan yang telah dibuat
tersebut secara lebih detail dapat dilihat melalui Gambar 3.7 dan
Tabel 3.5 di bawah ini.

105

UTAUT

(PE)

Performanc
Expectanc

Network Externalities H3 (+) (EE)
Effort
(NU) Expectanc
Number
of User (SI)
Social
(NP) H2 (+) Influence
H1 (+)
Number (FC)
of Peers Facilitatin
Condition

Gambar 3.7 Model
10

T (BI)

ce Behavioral
cy use Intention

H4 (+)
cy

H5 (+)

H6 (+)

H7 (+)
e

ng
ns

l Usulan Penelitian.
06

Tabel 3.5 Detail Mod

Model Variabel Hipotesis Jalu
Independen

(NE) 1. (NP) Number of Peers 1. H1+ NP→
Network 2. (NU) Number of User 2. H2+ NP→
Externalities

3. H3+ NU→

3. (PE) Performance Expectancy 4. H4+ PE→

4. (EE) Effort Expectancy 5. H5+ EE→

(UTAUT) 5. (SI) Social Influence 6. H6+ SI→
Unified Theory

of Acceptance

and use of
Technology 6. (FC) Facilitating Conditions 7. H7+ FC→

TOTAL Dependen -
7. (BI) Behavioral Intention 77

7

10

del Usulan Penelitian.

ur Jumlah Referensi Digunakan
Terakhir
Item Model

→SI (C. fei Chen et al., 2017; Tan & Ooi, 2018)
→BI
→BI 3 (Katz & (Lin et al., 2015; Tan & Ooi, 2018; Wei &
→BI Shapiro, Lu, 2014)
→BI
→BI 1985)

→BI 3 (J. M. Lee & Kim, 2020; Lin et al., 2015;
Wei & Lu, 2014)

5 (W. Lee & Shin, 2019; Sinaga, 2019)

3 (W. Lee & Shin, 2019; Sinaga, 2019)

4 (Venkatesh (Tan & Ooi, 2018; Zahid & Din, 2019) &
et al., (W. Lee & Shin, 2019; Sinaga, 2019; Wu et
2003b) al., 2016)

3 (Aldossari & Sidorova, 2020; W. Lee &
Shin, 2019; Sinaga, 2019)

3-
24

07

3.4.2 Variabel dan Indikator Penelitian
Seperti yang telah dijabarkan di atas, terdapat setidaknya

7 variabel serta 24 indikator yang akan digunakan pada penelitian kali
ini. Secara lebih jelas penjabaran variabel serta indikator tersebut
dapat dilihat melalui Tabel 3.6 dan 3.7 di bawah ini.

Tabel 3.6 Penjelasan Variabel Penelitian.

No. Kode Variabel Pengertian Ref.

1. NP Number Sejauh mana kepercayaan seseorang bahwa (Katz & Shapiro, 1985)
of Peers rekanan mereka (seperti: teman, keluarga/
rekan kerja) telah/akan menggunakan
Internet of Things.

2. NU Number Sejauh mana kepercayaan seseorang
of User bahwa telah/akan banyak orang yang
menggunakan Internet of Things.

3. PE Performance Sejauh mana kepercayaan seseorang bahwa
Expectancy Internet of Things akan meningkatkan
pekerjaan (kegiatan) mereka.

4. EE Effort Sejauh mana kepercayaan seseorang bahwa (Venkatesh et al., 2003b)
Expectancy Internet of Things akan mudah digunakan.

5. SI Social Sejauh mana pengaruh orang-orang penting
Influence (seperti: teman, keluarga/rekan kerja)
dalam menggunakan Internet of Things.

6. FC Facilitating Sejauh mana kepercayaan seseorang bahwa
Conditions infrastruktur teknis mereka mendukung
dalam penggunaan Internet of Things.

7. BI Behavioral Sejauh mana niat perilaku seseorang dalam
Intention penggunaan Internet of Things.

108

Tabel 3.7 Penjelasa

Variabel No. Kode Indikator

1. NP1 Most Peers Using Sejauh mana ke
2. NP2 menggunakan I
3. NP3
(NP) Many Peers Using Sejauh mana ke
Number menggunakan I
of Peers

Future Peers Using Sejauh mana ke
rekanan mereka

4. NU1 Number User Using Sejauh mana ke
pengguna Intern

(NU) 5. NU2 More User Using Sejauh mana ke
Number akan ada lebih b
of User

6. NU3 Widespread User Using Sejauh mana ke
berkembang di

(PE) 7. PE1 Perceived Usefulness Sejauh mana ke
akan membantu

Performance

Expectancy 8. PE2 Extrinsic Motivation Sejauh mana pr
berperan pentin

10

an Indikator Penelitian. Referensi
Variabel
Pengertian
(Katz &
epercayaan seseorang bahwa sebagian besar rekanan mereka Shapiro,
Internet of Things.
1985)
epercayaan seseorang bahwa akan lebih banyak rekanan mereka
Internet of Things. (Venkatesh
et al.,
epercayaan seseorang bahwa kedepannya akan lebih banyak 2003b)
a menggunakan Internet of Things.

epercayaan seseorang bahwa kedepannya akan lebih banyak
net of Things.

epercayaan seseorang bahwa dalam beberapa tahun kedepan
banyak pengguna Internet of Things.

epercayaan seseorang bahwa Internet of Things akan
masa depan.

epercayaan seseorang bahwa menggunakan Internet of Things
u memudahkan kegiatan mereka.

resepsi seseorang bahwa menggunakan Internet of Things
ng dalam mencapai hasil kegiatan mereka.

09

Variabel No. Kode Indikator

9. PE3 Job-fit Sejauh mana ke
akan meningkat

10. PE4 Relative Advantage Sejauh mana ke
akan lebih baik.

11. PE5 Outcome Expectations Sejauh mana ke
akan meningkat

12. EE1 Complexity Sejauh mana ke
akan mudah dip

(EE) 13. EE2 Perceived Ease of Use Sejauh mana ke
Effort akan bebas dari
Expectancy

14. EE3 Ease of Use Sejauh mana ke
tidak akan sulit

15. SI1 Mass Media Influence Sejauh mana pe
penggunaan Int

(SI) 16. SI2 Subjective Norm Sejauh mana pe
Social Internet of Thin
Influence

17. SI3 Social Factors Sejauh mana do
Internet of Thin

11

Pengertian Referensi
Variabel
epercayaan seseorang bahwa menggunakan Internet of Things
tkan efektifitas kegiatan mereka.

epercayaan seseorang bahwa menggunakan Internet of Things
.

epercayaan seseorang bahwa menggunakan Internet of Things
tkan hasil kegiatan mereka.

epercayaan seseorang bahwa menggunakan Internet of Things
pahami.

epercayaan seseorang bahwa menggunakan Internet of Things
i usaha.

epercayaan seseorang bahwa penggunaan Internet of Things
dipelajari.

engaruh media masa dan media sosial seseorang terhadap
ternet of Things.

engaruh lingkungan sosial seseorang terhadap penggunaan
ngs.

orongan lingkungan sosial seseorang terhadap penggunaan
ngs.

10

Variabel No. Kode Indikator

18. SI4 Image Sejauh mana ke
akan menaikkan

19. FC1 Perceived Sejauh mana ke

Behavioral Control Internet of Thin

(FC) 20. FC2 Facilitating Conditions Sejauh mana ke
Facilitating Internet of Thin
Conditions

21. FC3 Compatibility Sejauh mana ke
akan sesuai den

(BI) 22. BI1 Intention to Use Sejauh mana ni
Behavioral 23. BI2 Planning to Use untuk membant
Intention 24. BI3 Prediction to Use
Sejauh mana re
sesegera mungk

Sejauh mana pr
di masa depan.

11