11150930000084_GIFARI REIHAN NURRACHMAN

Pengertian Referensi
Variabel
epercayaan seseorang bahwa menggunakan Internet of Things
n status sosial mereka.

esiapan pengetahuan dasar seseorang terhadap penggunaan
ngs.

esiapan kondisi sumber daya seseorang terhadap penggunaan
ngs.

epercayaan seseorang bahwa menggunakan Internet of Things
ngan kebutuhan.

iat perilaku seseorang terhadap penggunaan Internet of Things
tu kegiatan mereka.

encana perilaku seseorang terhadap penggunaan Internet of Things
kin.

rediksi perilaku seseorang terhadap penggunaan Internet of Things

11

3.4.3 Hipotesis Penelitian
Merujuk model usulan pada Table 3.7 serta penjelasan

variabel dan indikator penelitian di atas, maka dalam penelitian kali
ini ditetapkan 7 hipotesis yang diambil melalui 7 variabel (6 variabel
independen dan 1 variabel dependen) yang diasumsikan dapat saling
berhubungan (mempengaruhi) untuk mengetahui niat perilaku urban
konsumen di Pulau Jawa dalam penggunaan perangkat Internet of
Things. Untuk lebih jelasnya berikut merupakan detail penjelasan dari
variabel serta hipotesis yang digunakan dalam model usulan kali ini.
1. Number of Peers (NP)

Number of Peers (Jumlah Rekanan Menggunakan)
merupakan sebuah variabel yang berasal dari faktor Network
Externalities (Eksternalitas Jaringan) dari rumpun ilmu ekonomi
yang dikemukakan oleh Katz dan Shapiro pada tahun 1985.
Number of Peers dapat digunakan untuk mengukur sejauh mana
tingkat ekspektasi konsumen terhadap rekanan dekat seperti
teman, keluarga/rekan kerja dalam penggunaan perangkat
Internet of Things (IoT) (Katz & Shapiro, 1985). Semakin banyak
rekanan dekat mereka yang menggunakan perangkat IoT maka
semakin tinggi niat perilaku (Behavioral Intention) mereka dalam
penggunaan perangkat tersebut.

Pada penelitian kali ini variabel Number of Peers (Jumlah
Rekanan yang Menggunakan) akan ditinjau melalui 3 indikator
yaitu Most Peers Using (Sebagian Rekanan Menggunakan),
Many Peers Using (Banyak Rekanan Menggunakan), Future
Peers Using (Perkembangan Penggunaan Kedepan) dari seluruh
indikator yang diusulkan oleh (Katz & Shapiro, 1985). Pemilihan
seluruh indikator tersebut dikarenakan telah dirasa cocok dan
sesuai untuk diterapkan pada penelitian kali ini.

Variabel Number of Peers pada penelitian terdahulu
(diluar topik penelitian) juga telah banyak digunakan untuk
mengukur niat perilaku (Behavioral Intention) penggunaan suatu

112

teknologi seperti pada penelitian dari (Lin et al., 2015) tentang
penerimaan 3G Mobile Services, penelitian dari (Tan & Ooi,
2018) tentang Mobile Tourism, dan telah terbukti berpengaruh
positif (diterima) pada penelitian dari (Wei & Lu, 2014) dalam
mengukur niat perilaku penggunaan Mobile Social Games.

Variabel Number of Peers dalam beberapa penelitian
terdahulu juga dapat digunakan untuk mengukur Social Influence
(Pengaruh Sosial) konsumen karena semakin banyak Number
of Peers (Jumlah Rekanan Menggunakan) perangkat Internet
of Things (IoT) dapat meningkatkan Social Influence (Pengaruh
Sosial) mereka dalam menggunakan perangkat IoT. Penggunaan
peninjauan tersebut telah ditemukan dari beberapa penelitian
terdahulu dan terbukti berpengaruh positif (diterima) pada
penelitian dari (C. C. Chen et al., 2018) tentang penggunaan
Music Streaming, dan penelitian dari (Tan & Ooi, 2018) tentang
Mobile Tourism yang menghubungkan variabel Number of Peers
kedalam variabel Social Influence untuk mengukur penerimaan
penggunaan teknologi.

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Number of Peers (Jumlah Rekanan yang Menggunakan)
pada penelitian terdahulu telah terbukti berpengaruh positif
(diterima) dalam mengukur Social Influence (Pengaruh Sosial)
serta mengukur niat perilaku (Behavioral Intention) konsumen
dalam penggunaan teknologi, maka pada penelitian kali ini
peneliti mengambil hipotesis pertama dan kedua yaitu:
H1. Number of Peers (NP) berpengaruh positif terhadap

Social Influence (SI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
H2. Number of Peers (NP) berpengaruh positif terhadap
Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).

113

2. Number of User (NU)
Number of User (Jumlah Pengguna Menggunakan)

merupakan sebuah variabel berikutnya yang berasal dari faktor
Network Externalities (Eksternalitas Jaringan). Number of User
dapat digunakan untuk meninjau sejauh mana pengaruh
ekspektasi konsumen bahwa telah dan akan lebih banyak orang
(pengguna secara luas) yang akan menggunakan perangkat
Internet of Things (IoT) (Katz & Shapiro, 1985). Semakin tinggi
konsumen percaya bahwa nantinya akan semakin banyak orang
yang telah dan akan menggunakan perangkat Internet of Things
(IoT), maka semakin tinggi pula niat perilaku mereka dalam
penggunaan perangkat Internet of Things (IoT).

Pada penelitian kali ini variabel Number of User (Jumlah
Pengguna yang Menggunakan) akan diukur melalui 3 indikator
yaitu Number User Using (Jumlah Pengguna Menggunakan),
More User Using (Banyak Pengguna Menggunakan), dan
Widespread User Using (Perkembangan Penggunaan Pengguna)
dari seluruh indikator yang diusulkan oleh (Katz & Shapiro,
1985). Pemilihan indikator tersebut dikarenakan telah dirasa
cocok dan sesuai untuk diterapkan pada penelitian kali ini.

Variabel Number of User pada beberapa penelitian
terdahulu juga telah banyak digunakan untuk mengukur niat
perilaku (Behavioral Intention) dalam penggunaan suatu
teknologi seperti pada penelitian dari (Lin et al., 2015) tentang
penerimaan 3G Mobile Service, dan telah ditemukan berpengaruh
positif (diterima) pada penelitian dari (Wei & Lu, 2014) tentang
niat penggunaan Mobile Social Games, serta penelitian dari
Banks (J. M. Lee & Kim, 2020) tentang adopsi Internet.

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Number of User (Jumlah Pengguna yang Menggunakan)
pada penelitian terdahulu telah terbukti berpengaruh positif dalam
mengukur niat perilaku (Behavioral Intention) konsumen pada

114

penggunaan perangkat Internet of Things, maka pada penelitian
kali ini peneliti mengambil hipotesis ketiga yaitu:
H3. Number of User (NU) berpengaruh positif terhadap

Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
3. Performance Expectancy (PE)
Performance Expectancy (Harapan Kinerja) merupakan
sebuah variabel dari model UTAUT yang dapat dipergunakan
untuk mengukur sejauh mana kepercayaan konsumen bahwa
menggunakan perangkat Internet of Things (IoT) akan membantu
mereka mendapatkan keuntungan dalam kinerja dan kegiatan
mereka sehari-hari (Venkatesh et al., 2003b). Semakin tinggi
konsumen percaya bahwa menggunakan perangkat Internet
of Things (IoT) akan membantu mereka mendapatkan keuntungan
pada kinerja dan kegiatan mereka sehari-hari, maka semakin
tinggi niat perilaku (Behavioral Intention) mereka dalam
penggunaan perangkat Internet of Things (IoT).
Pada penelitian kali ini variabel Performance Expectancy
(Harapan Kinerja) akan diukur melalui 3 indikator yaitu
Perceived Usefulnes (Manfaat yang Dirasakan), Job-fit
(Kesesuaian Pekerjaan), dan Outcome Expectations (Harapan
Hasil) dari 5 indikator yang diusulkan oleh (Venkatesh et al.,
2003b). Pemilihan 3 indikator tersebut dikarenakan dirasa lebih
cocok dan lebih sesuai diterapkan pada kasus penelitian kali ini.
Variabel Performance Expectancy pada beberapa
penelitian terdahulu juga telah banyak ditemukan berpengaruh
positif (diterima) untuk mengukur niat perilaku (Behavioral
Intention) penggunaan suatu teknologi seperti pada penelitian
dari (Pal et al., 2018) tentang penerimaan Smart Home for Elderly
Healthcare, penelitian dari (W. Lee & Shin, 2019) tentang
Consumer Adoption IoT Services, dan penelitian dari (Sinaga,
2019) tentang Adoption IoT at Home.

115

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Performance Expectancy (Harapan Kinerja) pada
penelitian terdahulu telah terbukti berpengaruh positif (diterima)
dalam mengukur niat perilaku (Behavioral Intention) konsumen
pada penggunaan suatu teknologi, maka pada penelitian kali ini
peneliti mengambil hipotesis keempat yaitu:
H4. Performance Expectancy (PE) berpengaruh positif

terhadap Behavioral Intention (BI) konsumen dalam
penggunaan perangkat Internet of Things (IoT).
4. Effort Expectancy (EE)
Effort Expectancy (Harapan Usaha) juga merupakan
sebuah variabel dari model UTAUT yang dapat mengukur sejauh
mana tingkatan ekspetasi konsumen atau seberapa percaya
konsumen bahwa perangkat teknologi Internet of Things (IoT)
akan cukup mudah mereka gunakan dalam penggunaan sehari-
hari (Venkatesh et al., 2003b). Semakin konsumen percaya bahwa
menggunakan teknologi Internet of Things (IoT) akan cukup
mudah mereka gunakan, maka semakin tinggi niat perilaku
(Behavioral Intention) dalam menggunakan perangkat Internet
of Things (IoT).
Pada penelitian kali ini, variabel Effort Expectancy
(Harapan Upaya) akan diukur melalui 3 indikator yaitu
Complexity (Kompleksitas), Perceived Ease of Use (Kemudahan
Penggunaan yang Dirasakan), Ease of Use (Kemudahan
Penggunaan) dari seluruh indikator yang diusulkan oleh
(Venkatesh et al., 2003b). Pemilihan seluruh indikator tersebut
dikarenakan indikator tersebut telah dirasa cocok serta sesuai
untuk diterapkan pada penelitian kali ini.
Variabel Effort Expectancy (Harapan Upaya) pada
beberapa penelitian terdahulu juga telah terbukti berpengaruh
positif dalam mengukur niat perilaku (Behavioral Intention)
konsumen pada penggunaan perangkat Internet of Things (IoT)

116

seperti penelitian dari (Sinaga, 2019) tentang Adoption IoT at
Home, serta penelitian dari (W. Lee & Shin, 2019) tentang
Consumer Adoption IoT Services dan telah terbukti memiliki
pengaruh positif (diterima) pada penelitian dari (Pal et al., 2018)
tentang penerimaan Smart Home for Elderly Healthcare.

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Effort Expectancy (Harapan Upaya) pada penelitian
terdahulu telah terbukti berpengaruh positif (diterima) dalam
mengukur niat perilaku (Behavioral Intention) konsumen pada
penggunaan teknologi, maka pada penelitian kali ini peneliti
mengambil hipotesis kelima bahwa:
H5. Effort Expectancy (EE) berpengaruh positif terhadap

Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
5. Social Influence (SI)
Social Influence (Pengaruh Sosial) juga merupakan
sebuah variabel dari model UTAUT yang dapat mengukur atau
meninjau sejauh mana tingkat pengaruh lingkungan sosial
konsumen dalam penggunaan perangkat teknologi Internet
of Things (IoT) (Venkatesh et al., 2003b). Semakin banyak
pengaruh atau dorongan dari lingkungan sosial yang diterima
konsumen dalam penggunaan teknologi Internet of Things (IoT)
maka dapat membuat semakin tinggi niat perilaku (Behavioral
Intention) konsumen dalam penggunaan perangkat Internet of
Things (IoT) pada kegiatan mereka sehari-hari.
Pada penelitian kali ini, variabel Social Influence
(Pengaruh Sosial) akan diukur melalui 4 indikator yaitu
Subjective Norm (Norma Subjektif), Image (Citra), Social
Factors (Faktor Sosial) dari seluruh indikator yang diusulkan
oleh (Venkatesh et al., 2003b) dan didalamnya ditambahkan
1 variabel terbaru (tambahan) yaitu Mass Media Influence
(Pengaruh Media Masa) yang diadaptasi dari penelitian (Zahid &

117

Din, 2019)tentang E-Government Services, dan penelitian dari
(Tan & Ooi, 2018) tentang Mobile Tourism. Pemilihan dan
penambahan indikator tersebut dirasa lebih cocok, sesuai, serta
dapat mendukung untuk diterapkan pada penelitian kali ini.

Variabel Social Influence (Pengaruh Sosial) pada
beberapa penelitian terdahulu juga telah digunakan seperti
penelitian dari (Pal et al., 2018) tentang penerimaan Smart Home
for Elderly Healthcare dan telah terbukti berpengaruh positif
(diterima) dalam mengukur niat perilaku (Behavioral Intention)
konsumen pada penggunaan perangkat Internet of Things (IoT)
seperti pada penelitian dari (Wu et al., 2016) tentang Consumers
Intention Accept Smartwatch, penelitian dari (W. Lee & Shin,
2019) tentang Consumer Adoption IoT Services, serta penelitian
dari (Sinaga, 2019) tentang Adoption IoT at Home.

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Social Influence (Pengaruh Sosial) pada beberapa
penelitian terdahulu telah terbukti berpengaruh positif (diterima)
dalam mengukur niat perilaku (Behavioral Intention) konsumen
pada penggunaan suatu teknologi, maka pada penelitian kali ini
peneliti mengambil hipotesis keenam bahwa:
H6. Social Influence (SI) berpengaruh positif terhadap

Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
6. Facilitating Conditions (FC)
Facilitating Conditions (Kondisi yang Memfasilitasi)
merupakan sebuah variabel terakhir dari model UTAUT yang
dapat meninjau sejauh mana tingkat kemampuan (kesiapan)
fasilitas atau sumber daya yang dimiliki konsumen dalam
menggunakan perangkat Internet of Things (IoT) (Venkatesh et
al., 2003b). Semakin banyak atau semakin siap konsumen merasa
sumber daya dan fasilitas yang mereka miliki dalam penggunaan
perangkat Internet of Things (IoT), maka dapat membuat semakin

118

tinggi niat perilaku (Behavioral Intention) mereka dalam
penggunaan perangkat Internet of Things (IoT).

Pada penelitian kali ini, variabel Facilitating Conditions
(Kondisi yang Memfasilitasi) akan diukur melalui 3 indikator
yaitu Perceived Behavioral Control (Kontrol Perilaku
yang Dipersepsikan), Facilitating Conditions (Kondisi yang
Memfasilitasi), Compatibility (Kesesuaian) dari seluruh indikator
yang diusulkan oleh (Venkatesh et al., 2003b). Pemilihan seluruh
indikator tersebut dikarenakan telah dirasa cocok dan sesuai
untuk diterapkan pada penelitian kali ini.

Variabel Facilitating Conditions (Kondisi Yang
Memfasilitasi) pada beberapa penelitian terdahulu juga telah
digunakan seperti pada penelitian dari (Aldossari & Sidorova,
2020) tentang Consumer Acceptance IoT Smart Home, dan telah
terbukti berpengaruh positif (diterima) dalam mengukur niat
perilaku (Behavioral Intention) konsumen dalam penggunaan
perangkat Internet of Things (IoT) seperti pada penelitian dari
(W. Lee & Shin, 2019) tentang Consumer Adoption IoT Services,
dan penelitian dari (Sinaga, 2019) tentang Adoption IoT at Home.

Berdasarkan penjelasan di atas yang menegaskan bahwa
variabel Facilitating Conditions (Kondisi Yang Memfasilitasi)
pada penelitian terdahulu telah terbukti berpengaruh positif
(diterima) dalam mengukur niat perilaku (Behavioral Intention)
konsumen pada penggunaan suatu teknologi, maka pada
penelitian kali ini peneliti mengambil hipotesis ketujuh atau
terakhir bahwa:
H7. Facilitating Conditions (FC) berpengaruh positif terhadap

Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).

119

3.4.4 Kuesioner Penelitian
Perancangan kuesioner (pertanyaan pengujian) pada penelitian

kali ini akan dibagi menjadi tiga tahapan pertanyaan yang bersifat
tertutup (close ended questionnaire) di antaranya adalah:
1. Format pertanyaan umum, yang berisi data yang dimiliki

responden seperti jenis kelamin, usia, domisili, pekerjaan, dll.
yang dianalisis melalui statistik deskriptif,
2. Format profil responden, seperti keakraban dengan teknologi
informasi (TI) dan teknologi Internet of Things (IoT) yang juga
dianalisis melalui statistik deskriptif, dan
3. Format pertanyaan kuesioner, yang berisi pertanyaan kuesioner
dengan faktor Network Externalities pada model UTAUT untuk
mengetahui niat perilaku urban konsumen di Pulau Jawa dalam
penggunaan perangkat Internet of Things (IoT) yang akan
dianalisis melalui statistik inferensial.

Untuk lebih jelasnya format perancangan kuesioner tersebut
dapat secara detail dilihat melalui Tabel 3.8-3.11 di bawah ini.

Tabel 3.8 Format Pertanyaan Umum (Bagian Pertama).

PERTANYAAN UMUM

No.

Pertanyaan Pilihan Jawaban

Nama Lengkap 1) (Isian)

- Nomor Telepon 1) (Isian)

1) □ Laki-Laki
1. Jenis Kelamin

2) □ Perempuan

1) □ 20 – 25
2. Usia

2) □ 26 – 30

1) □ DKI Jakarta

2) □ Banten

3. Domisili 3) □ Jawa Barat

4) □ Jawa Tengah

5) □ DI Yogyakarta

120

PERTANYAAN UMUM

No.

Pertanyaan Pilihan Jawaban

6) □ Jawa Timur

1) □ PNS/TNI/POLRI

2) □ Pegawai Swasta

3) □ Wirausaha/Freelance
4. Pekerjaan

4) □ Pelajar/Mahasiswa

5) □ Fresh Graduate/Belum Bekerja

6) □ Lainnya

1) □ Rp 0 – Rp 5.000.000

2) □ Rp 6.000.000 – Rp 10.000.000

5. Gaji 3) □ Rp 11.000.000 – Rp 15.000.000

4) □ Rp 16.000.000 – Rp 20.000.000

5) □ ≥ Rp 20.000.000

1) □ SD/MI

2) □ SMP/MTs

6. Pendidikan 3) □ SMA/SMK/MA

4) □ Diploma (D1/D2/D3/D4)

5) □ Strata (S1/S2/S3)

1) □ Memiliki
7. Pendidikan Bidang IT

2) □ Tidak Memiliki

8. Pelatihan & 1) □ Memiliki
Sertifikasi Bidang IT 2) □ Tidak Memiliki

121

Tabel 3.9 Format Pertanyaan P

PERTANYAAN PROFIL RESPONDEN – 1 (Pertama)
Terkait dengan bidang Informasi dan Teknologi (IT)
No.

Pertanyaan (Umum)

1. Saya memiliki pengetahuan pada bidang Informasi dan Teknologi (IT).
2. Saya memiliki pemahaman pada bidang Informasi dan Teknologi (IT).
3. Saya memiliki keterampilan pada bidang Informasi dan Teknologi (IT).
4. Saya memiliki pengalaman pada bidang Informasi dan Teknologi (IT).
No. Pertanyaan (Mendetail)

Saya memiliki pengalaman pada bidang Informasi dan Teknologi (IT) tersebu
5. sekitar …

(* Pilih salah satu jawaban)

12

Profil Responden (Bagian Kedua).

Pilihan Jawaban

Sangat Tidak Netral Setuju Sangat
Tidak Setuju Setuju Setuju

□ □□□ □
□ □
□ □□□ □
□ □
□□□

□□□

Pilihan Jawaban

1) □ 0 Tahun Terakhir
ut 2) □ 1 - 3 Tahun Terakhir

3) □ 4 - 6 Tahun Terakhir
4) □ 7 - 9 Tahun Terakhir
5) □ > 10 Tahun Terakhir

22

No. Pertanyaan (Mendetail)

6. Saya telah menggunakan perangkat Informasi dan Teknologi (IT) sebanyak …
(* Pilih salah satu jawaban)

7. Saya menggunakan perangkat Informasi dan Teknologi (IT) seperti …
(* Dapat pilih lebih dari satu jawaban)

8. Saya menggunakan perangkat Informasi dan Teknologi (IT) tersebut selama …
(* Pilih salah satu jawaban)

12

Pilihan Jawaban
1) □ 0 Perangkat
2) □ 1 - 3 Perangkat
… 3) □ 4 - 6 Perangkat
4) □ 7 - 9 Perangkat
5) □ > 10 Perangkat
1) □ Smartphone
2) □ Laptop
3) □ Personal Komputer (PC)
4) □ Tablet
5) □ Lainnya/Tidak Ada
1) □ 0 Tahun Terakhir
2) □ 1 - 3 Tahun Terakhir
… 3) □ 4 - 6 Tahun Terakhir
4) □ 7 - 9 Tahun Terakhir
5) □ > 10 Tahun Terakhir

23

Tabel 3.10 Format Pertanyaan P

PERTANYAAN PROFIL RESPONDEN – 2 (Kedua)
Terkait dengan perangkat Internet of Things (IoT)
No.

Pertanyaan (Umum)

9. Saya memiliki pengetahuan tentang perangkat Internet of Things (IoT).
10. Saya memiliki pemahaman tentang perangkat Internet of Things (IoT).
11. Saya memiliki keterampilan tentang perangkat Internet of Things (IoT).
12. Saya memiliki pengalaman tentang perangkat Internet of Things (IoT).
No. Pertanyaan (Mendetail)

Saya telah memiliki pengalaman pada penggunaan perangkat Internet of Thin
13. (IoT) tersebut sekitar…

(* Pilih salah satu jawaban)

12

Profil Responden (Bagian Kedua).

Pilihan Jawaban

Sangat Tidak Netral Setuju Sangat
Tidak Setuju Setuju Setuju

□ □□□ □
□ □
□ □□□ □
□ □
□□□

□□□

Pilihan Jawaban

1) □ 0 Tahun Terakhir
ngs 2) □ 1 - 3 Tahun Terakhir

3) □ 4 - 6 Tahun Terakhir
4) □ 7 - 9 Tahun Terakhir
5) □ > 10 Tahun Terakhir

24

No. Pertanyaan (Mendetail)

14. Saya telah menggunakan perangkat Informasi dan Teknologi (IT) sebanyak …
(* Pilih salah satu jawaban)

15. Saya telah menggunakan perangkat-perangkat Internet of Things (IoT) sepert
(* Dapat pilih lebih dari satu jawaban)

16. Saya menggunakan perangkat Internet of Things (IoT) tersebut selama …
(* Pilih salah satu jawaban)

12

Pilihan Jawaban
1) □ 0 Perangkat
2) □ 1 - 3 Perangkat
… 3) □ 4 - 6 Perangkat
4) □ 7 - 9 Perangkat
5) □ > 10 Perangkat
1) □ Smart Home
2) □ Smart Watch
ti … 3) □ Smart TV
4) □ Smart Security System
5) □ Lainnya/Tidak Ada
1) □ 0 Tahun Terakhir
2) □ 1 - 3 Tahun Terakhir
3) □ 4 - 6 Tahun Terakhir
4) □ 7 - 9 Tahun Terakhir
5) □ > 10 Tahun Terakhir

25

Tabel 3.11 Format Pertanyaa

No. Konstruk PERTANYAA
Item Pertanyaan (Pe

Variabel Indikator

1. Most NP1 Saya percaya sebagian besar rekanan
Peers Using keluarga/rekan kerja) telah menggun

1. (NP) 2. More NP2 Saya percaya akan lebih banyak reka
Number Peers Using keluarga/rekan kerja) yang menggun
of Peers

3. Future NP3 Saya percaya rekanan saya (seperti:
Peers Using akan terus menggunakan Internet of

4. Number User NU1 Saya percaya jumlah pengguna Inter
Using bertambah.

2. (NU) 5. More NU2 Saya percaya akan lebih banyak pen
Number User Using dalam beberapa tahun kedepan.
of User

6. Widespread NU3 Saya percaya pengguna Internet of T
User Using terus berkembang di masa depan.

12

an Kuesioner (Bagian Ketiga).

AN KUESIONER Pilihan Jawaban Adopsi Ref.
engujian) STS TS N S SS Terakhir Var.

n saya (seperti: teman, □ □ □ □ □ (C. C. Chen
nakan Internet of Things.
et al., 2018;
anan saya (seperti: teman,
nakan Internet of Things. Lin et al.,

teman, keluarga/rekan kerja) □ □ □ □ □ 2015; Tan &
Things di masa depan.
Ooi, 2018;

Wei & Lu, (Katz & Shapiro, 1985)

□□□□□ 2014)

rnet of Things akan semakin □□□□□
ngguna Internet of Things
Things di Indonesia akan (J. M. Lee &
□ □ □ □ □ Kim, 2020;

Lin et al.,
2015; Wei &

Lu, 2014)

□□□□□

26

No. Konstruk PERTANYAA
Item Pertanyaan (Pe

Variabel Indikator

7. Perceived PE1 Saya percaya menggunakan Internet
Usefulness kegiatan saya sehari-hari.

8. Extrinsic PE2 Saya percaya menggunakan Internet
Motivation dalam kegiatan saya sehari-hari.

(PE) Job-fit PE3 Saya percaya menggunakan Internet
3. Performance 9. efektifitas kegiatan saya sehari-hari.

Expectancy

10. Outcome PE4 Saya percaya menggunakan Internet
Expectations saya menyelesaikan kegiatan sehari-

11. Relative PE5 Saya percaya menggunakan Internet
Advantage kualitas kegiatan sehari-hari menjad

(EE) 12. Complexity EE1 Saya percaya Internet of Things tida

4. Effort Perceived
Ease of Use
Expectancy 13. EE2 Saya percaya mudah menguasai pen

12

AN KUESIONER Pilihan Jawaban Adopsi Ref.
engujian) STS TS N S SS Terakhir Var.

t of Things akan memudahkan □ □ □ □ □

t of Things akan berguna □□□□□

(W. Lee & (Venkatesh et al., 2003b)
t of Things akan meningkatkan □ □ □ □ □ Shin, 2019;
. Sinaga,

2019)

t of Things akan membuat □□□□□
-hari menjadi lebih cepat.

t of Things akan meningkatkan □ □ □ □ □
di lebih baik.

ak akan sulit digunakan. □ □ □ □ □ (W. Lee &
nggunaan Internet of Things.
Shin, 2019;

□□□□□ Sinaga,
2019)

27

No. Konstruk PERTANYAA
Item Pertanyaan (Pe

Variabel Indikator

14. Ease of Use EE3 Saya percaya mudah membuat Inter
apa yang saya ingin lakukan.

15. Mass Media SI1 Saya sering melihat artikel/iklan/ula
Influence pada media masa ataupun media sos

16. Subjective SI2 Saya sering disarankan untuk mengg
Norm lingkungan sosial saya (seperti: tema
(SI)

5. Social Saya akan menggunakan Internet of

Influence 17. Social Fators SI3 sosial saya (seperti: teman, keluarga

menggunakannya.

18. Image SI4 Saya percaya menggunakan Internet
banyak prestise (gengsi) pada status

6. (FC) 19. Perceived FC1 Saya memiliki pengetahuan dasar un
Facilitating Behavioral Internet of Things.
Conditions
Control

12

AN KUESIONER Pilihan Jawaban Adopsi Ref.
engujian) STS TS N S SS Terakhir Var.
rnet of Things melakukan
□□□□□

asan tentang Internet of Things (Tan & Ooi,
sial. □ □ □ □ □ 2018; Zahid

& Din, 2019)

gunakan Internet of Things oleh □ □ □ □ □
an, keluarga/rekan kerja).

(W. Lee &

Things karena lingkungan Shin, 2019;
a/rekan kerja)
□□□□□ Sinaga,

2019; Wu et

al., 2016)

t of Things akan mendatangkan □ □ □ □ □
sosial saya.

ntuk menggunakan (Aldossari &
□ □ □ □ □ Sidorova,

2020; W.

28

No. Konstruk PERTANYAA
Item Pertanyaan (Pe

Variabel Indikator

20. Facilitating FC2 Saya memiliki sumber daya (seperti
Conditions listrik yang memadai dll.) untuk men

21. Compatibility FC3 Saya percaya menggunakan Internet
mendukung kegiatan saya sehari-har

22. Intention BI1 Saya berniat menggunakan Internet
to Use kegiatan sehari-hari.

7. (BI) 23. Planning BI2 Saya berencana untuk menggunakan
Behavioral to Use kondisi memungkinkan.
Intention

24. Prediction BI3 Saya memprediksi akan menggunak
to Use di masa mendatang.

Keterangan: STS: Sangat Tidak Setuju, TS: Tidak Setuju, N: Netral, S: Setuju, SS: Sang

12

AN KUESIONER

engujian) Pilihan Jawaban Adopsi Ref.
STS TS N S SS Terakhir Var.
i: konektifitas internet, daya
nggunakan Internet of Things. □□□□□ Lee & Shin,
2019;
t of Things akan cocok □□□□□ Sinaga,
ri. 2019)

of Things untuk membantu □□□ □□ (Hubert et
n Internet of Things jika □□□ □□ al., 2019;
kan Internet of Things □□□ □□ Sinaga,

2019)

gat Setuju.

29

3.5 Ruang Lingkup Penelitian
3.5.1 Objek dan Subjek Penelitian
1. Objek Penelitian
Objek penelitian kali ini ditetapkan pada perangkat
konsumen Internet of Things (IoT) atau dapat disebut dengan
C-IoT seperti perangkat otomatisasi rumah (smart home, smart
security system), perangkat dikenakan (smart wearable/
smart watch), perangkat elektronik C-IoT (smart TV, smart
temostrat), dan lain-lain.
Perangkat C-IoT dipilih karena saat ini perangkat tersebut
paling banyak digunakan oleh pengguna di seluruh dunia dalam
menunjang kegiatan mereka (Mordor Intelligence, 2021a, pp. 3–
4; Sisinni et al., 2018, p. 9), dan pada penelitian kali ini peneliti
ingin menjawab mengapa perangkat tersebut secara praktik
kurang banyak digunakan khususnya di Pulau Jawa (Asosiasi IoT
Indonesia, 2020, p. 15).
2. Subjek Penelitian
Subjek penelitian kali ini merupakan konsumen yang akan
atau sudah menggunakan perangkat konsumen Internet of Things
(C-IoT) di wilayah urban Pulau Jawa. Terdapat beberapa kriteria
khusus dalam penentuan subjek yang akan digunakan pada
penelitian kali ini, di antaranya adalah memiliki usia 20-30 tahun
serta paham pada penggunaan perangkat C-IoT, atau setidaknya
akrab dengan pemanfaatan teknologi informasi serta internet bagi
konsumen yang bukan pengguna perangkat C-IoT. Penentuan
kriteria tersebut dipilih karena:
a. Kriteria usia 20-30 tahun menurut data dari (KOMINFO,
2017) merupakan kriteria usia yang memiliki tingkat adopsi
teknologi tertinggi di Indonesia khususnya pada wilayah
Pulau Jawa.
b. Kriteria pengguna internet dan teknologi informasi sendiri
merupakan kriteria dasar yang harus dimiliki dalam

130

penggunaan perangkat C-IoT (Khanna & Kaur, 2020) agar
perangkat tersebut dapat berfungsi dengan baik.
c. Penggunaan kriteria tersebut pada penelitian terdahulu juga
telah dimanfaatkan untuk mengukur penerimaan konsumen
terhadap penerimaan perangkat IoT seperti pada penelitian
dari (W. Lee & Shin, 2019), (Karahoca et al., 2018), dan
(de Boer et al., 2019).
3.5.2 Lokasi dan Waktu Penelitian
1. Lokasi Penelitian

Lokasi penelitian akan diterapkan pada seluruh wilayah
urban Pulau Jawa yang tersebar pada enam provinsi yaitu DKI
Jakarta, Banten, Jawa Barat, Jawa Tengah, Jawa Timur, dan
DI Yogyakarta. Penerapan wilayah tersebut dikarenakan wilayah
urban (perkotaan) Pulau Jawa menurut data yang ditemukan
merupakan wilayah episentrum dengan dominasi pengguna
teknologi informasi dan internet paling besar di Indonesia (APJII,
2020; KOMINFO, 2017; We Are Social & Hootsuite, 2020).
Pengguna internet dan teknologi informasi sendiri merupakan
kriteria subjek yang digunakan pada penelitian kali ini.
2. Waktu Penelitian

Berdasarkan kerangka penelitian yang telah ditetapkan
pada Gambar 3.1 di atas, maka waktu yang diterapkan pada
penelitian kali ini akan dilakukan pada pembagian yang berbeda-
beda berdasarkan alokasi waktu yang dibutuhkan. Tabel 3.12
di bawah dapat menjelaskan secara detail waktu pelaksanaan
yang akan dilakukan pada penelitian kali ini.

Tabel 3.12 Waktu Pelaksanaan Penelitian.

Fase Tujuan Bulan (2021)
Mei Jun Jul Agu Sep Okt
Perumusan Masalah X
1. X

Penemuan Objek Permasalahan

131

Fase Tujuan Bulan (2021)
Mei Jun Jul Agu Sep Okt

Studi Literatur XX

Pemetaan Penelitian Sebelumnya X
2. X

Penentuan Gap Penelitian

Penentuan Kebaharuan Penelitian X

Penemuan Model Usulan X

3. Pengujian Model Usulan X

Penentuan Sampel Pengujian X

Pengumpulan Data Kuesioner XXX
4. X

Data Kusioner Terkumpul

Analisis Data Penelitian X
5. X

Hasil Analisis Data Penelitian

Interpretasi Hasil X
6. X

Hasil Interpretasi Data Penelitian

Penulisan Laporan XXXX

7. Hasil & Kesimpulan Pelaporan X

Saran Penelitian Selanjutnya X

3.6 Populasi dan Sampel Penelitian
3.6.1 Populasi Penelitian
Seperti yang telah disebutkan sebelumnya, pada penelitian kali
ini populasi penelitian akan ditetapkan pada wilayah urban Pulau Jawa
yang terbagi pada enam provinsi dengan usia 20-30 tahun sesuai
dengan kriteria subjek penelitian.
Melalui proses perhitungan berdasarkan sebaran data
persentase BPS pada wilayah urban di seluruh provinsi Pulau Jawa
(Badan Pusat Statistik, 2020) dan batasan rentang usia 20-30 tahun
(Badan Pusat Statistik Provinsi Banten, 2020; Badan Pusat Statistik
Provinsi Jawa Barat, 2020; BPS DI Yogyakarta, 2018; BPS Jakarta,
2020; BPS Jawa Tengah, 2019; BPS Jawa Timur, 2017), ditemukan
bahwa total populasi yang akan digunakan pada penelitian kali ini

132

berjumlah 15.920.103 orang yang tersebar melalui enam provinsi
di Pulau Jawa yaitu provinsi DKI Jakarta sebanyak 1.653.707 orang,
Banten sebanyak 1.461.143 orang, DI Yogyakarta sebanyak 452.449
orang, Jawa Barat sebanyak 6.429.184 orang, Jawa Timur sebanyak
3.226.804 orang, dan Jawa Tengah sebanyak 2.696.815 orang. Untuk
lebih jelasnya sebaran populasi penelitian tersebut dapat dilihat
melalui Tabel 3.13 di bawah ini.

Tabel 3.13 Sebaran Populasi Penelitian.

Provinsi Penduduk (2020) Populasi
(Pulau Jawa) Penelitian
Total 20-30 Th. Urban (%)

DKI Jakarta 10.557.810 1.653.707 100,0% 1.653.707

Banten 11.904.562 2.090.333 69,9% 1.461.143
DI Yogyakarta 3.882.300 606.500 74,6% 452.449

Jawa Barat 49.935.858 8.169.230 78,7% 6.429.184

Jawa Timur 39.292.972 5.899.094 54,7% 3.226.804

Jawa Tengah 34.718.204 5.256.951 51,3% 2.696.816
Total 150.291.706 23.675.815 67,24% 15.920.103

Keterangan: Perhitungan Populasi Penelitian = Urban (%) x Umur (20-30 th).

3.6.2 Sampel Penelitian
1. Teknik Sampling Digunakan
Pada penelitian kali ini teknik sampling bertujuan atau
purposive sampling akan digunakan pada proses pengambilan
sampel penelitian untuk memilih sampel (responden) secara
eksklusif berdasarkan kriteria yang telah dipertimbangkan
(Salkind, 2010, p. 1298). Penggunaan teknik sampling bertujuan
pada praktiknya telah digunakan pada beberapa penelitian
terdahulu seperti (Hsiao & Lun, 2017) tentang penerimaan
Smartwatch, penelitian dari (Karahoca et al., 2018) tentang niat
penggunaan Healthcare IoT, dan penelitian dari (W. Lee & Shin,
2019) tentang Adoption IoT untuk konsumen untuk mengetaui

133

penerimaan konsumen pada penggunaan perangkat Internet of
Things (IoT).

Penggunaan sampling bertujuan pada penelitian kali ini
juga akan diambil secara stratified atau berstrata dengan alasan
sebaran populasi yang digunakan pada penelitian kali ini
cenderung tidak merata pada setiap wilayahnya. Oleh karena itu
untuk membuat populasi tersebut dapat terbagi secara merata,
pada penelitian kali ini populasi akan dibagi terlebih dahulu
kedalam kelompok kecil sesuai strata wilayahnya (provinsi)
masing-masing (Salkind, 2010, p. 1214). Hal ini seperti yang
dilakukan pada penelitian terdahulu dari (Handayani & Sudiana,
2017) dan (Hidayat, 2019).
2. Proses Pengambilan Sampel
a. Sampel Utama Penelitian

Proses pengambilan sampel pada penelitian kali ini
dimulai dengan menerapkan formula slovin untuk membuat
batasan jumlah sampel yang akan digunakan. Rumus/
formula slovin pada penelitian terdahulu telah digunakan
untuk menentukan total besaran sampel yang pada penelitian
ini digunakan untuk mengetahui penerimaan konsumen pada
penggunaan Internet of Things seperti pada penelitian dari
(Sinaga, 2019).

Rumus slovin pada penelitian kali ini diterapkan
dengan penentuan batas toleransi kesalahan atau Margin
of Error (MoE) sebesar 5% (0,05) agar tingkat kesalahan
sampel penelitian menjadi semakin kecil. Menurut
(Sugiyono, 2015, p. 331) untuk populasi dengan jumlah
besar, nilai persentase batas kesalahan pengambilan sampel
yang masih dapat ditolerir berkisar 10% atau 0,1. Tetapi
untuk menghindari kesalahan maka dalam penelitian kali ini
digunakan batas tingkat kesalahan sebesar 5% atau 0,05 agar
tingkat kesalahan sampel menjadi mengecil.

134

Merujuk Tabel 3.13 di atas, dapat diketahui bahwa
jumlah populasi yang akan digunakan dalam penelitian kali
ini adalah 15.920.103 orang yakni seluruh penduduk di
provinsi pulau Jawa dengan rentang usia antara 20-30 tahun.
Melalui perhitungan dengan rumus slovin, ditemukan bahwa
jumlah total sampel yang akan digunakan pada penelitian
kali ini berjumlah 400 responden. Hasil perhitungan dari
rumus slovin tersebut secara lebih jelas dapat dilihat melalui
bagian Rumus 3.1 di bawah ini.

n = . . = 400 (Rumus 3.1 Perhitungan
+( . . . ) Rumus Slovin)

Menurut (Sugiyono, 2015, p. 131) penentuan total
sampel tersebut (yaitu 400 orang) cukup memenuhi standar
dan dapat mewakili populasi karena:
1) Ukuran sampel yang layak dalam suatu penelitian dapat

di antara 30 sampai 500 orang. Pada penelitian kali ini
sampel telah berjumlah 400 orang yang menandakan
sampel penelitian sudah cukup mewakili rata-rata
populasi yang telah ditentukan.
2) Jika suatu penelitian menggunakan analisis multivariate,
maka jumlah anggota sampel minimal adalah 10 kali dari
jumlah variabel yang diteliti. Karena penelitian kali
ini juga menggunakan analisis multivariate dengan
jumlah total 7 variabel pada model penelitian (dapat
dilihat pada Tabel 3.5) maka jika dikalikan 10, total
sampel yang seharusnya dibutuhkan pada penelitian
kali ini hanya 70 orang. Pada penelitian ini sampel
yang digunakan berjumlah 400 orang dan hal tersebut
juga menandakan bahwa sampel kali ini cukup
merepresentasi populasi penelitian.

135

3) Selain itu pada penelitian terdahulu ditemukan sampel
yang digunakan berkisar pada angka yang sama yaitu
100-500 responden yang secara lebih detail sebarannya
dapat dilihat melalui Tabel 3.14 di bawah ini.

Tabel 3.14 Sebaran Sampel Penelitian Terdahulu.

Sebaran Refensi Total
Sampel 16
(Aldossari & Sidorova, 2020; Alraja et
100-500 al., 2019; Bajaj et al., 2020; Chatterjee,
2020; Hsiao & Lun, 2017; Hubert et al.,
2019; Karahoca et al., 2018; Kim et al.,
2017; W. Lee & Shin, 2019; Mital et al.,
2018; Pal et al., 2018; Princi & Krämer,
2020; Sinaga, 2019; Wu et al., 2016;
Yang et al., 2018)

500-1000 (Baba & Baharudin, 2020; C. fei Chen et 4
<1000 al., 2017; Lu et al., 2020; Tsourela & 1
Nerantzaki, 2020)

(de Boer et al., 2019)

Setelah ditetapkan total 400 responden, tahapan
selanjutnya dilakukan dengan membagikan sampel kedalam
strata (stratified) untuk membaginya secara lebih merata
pada wilayah masing-masing seperti yang telah dilakukan
pada penelitian dari (Handayani & Sudiana, 2017), dan
(Hidayat, 2019). Untuk membagi sampel tersebut secara
merata pada penelitian kali ini digunakan rumus sampling
fraction (Lavrakas, 2018, pp. 789–790) yang hasil
pembagiannya dapat dilihat melalui Tabel 3.15 di bawah ini.

Tabel 3.15 Perhitungan Sampel Penelitian.

Provinsi Populasi Sampling Sampel
(P. Jawa) Penelitian Fraction 42

DKI 1.653.707 1.653.707
Jakarta 15.920.103 x 400 = 41.52

136

Provinsi Populasi Sampling Sampel
(P. Jawa) Penelitian Fraction 37

Banten 1.461.143 1.461.143 x 400 = 36.68
15.920.103

DI 452.449 452.449 x 400 = 11.36 11
Yogyakarta 15.920.103 162
81
Jawa 6.429.184 6.429.184 x 400 = 161.52 68
Barat 15.920.103

Jawa 3.226.804 3.226.804 x 400 = 81.04
Timur 15.920.103

Jawa 2.696.816 2.696.816 x 400 = 67.72
Tengah 15.920.103

Total 15.920.103 15.920.103 x 400 = 400 400
15.920.103

Dengan adanya proses perhitungan yang telah
dilakukan di atas menunjukkan bahwa, pada penelitian kali
ini ditentukan 400 orang yang akan digunakan dalam sampel
penelitian yang di antaranya terbagi menjadi 42 orang dari
provinsi DKI Jakarta, 37 orang dari provinsi Banten,
11 orang dari provinsi DI Yogyakarta, 162 orang dari
provinsi Jawa Barat, 81 orang dari provinsi Jawa Timur, dan
68 orang dari provinsi Jawa Tengah dengan kriteria usia
20-30 tahun dan mengerti penggunaan perangkat IoT, atau
setidaknya akrab dengan pemanfaatan teknologi informasi
(smartphone, laptop, ataupun tablet) sesuai dengan kriteria
subjek penelitian yang digunakan pada penelitian kali ini.
b. Sampel Pilot Studi

Selain 400 responden utama yang akan digunakan,
karena proses penelitian yang diterapkan akan jauh lebih baik
apabila melewati proses pilot studi (Salkind, 2010, p. 1069)
untuk menguji variabel serta indikator (pengukuran) yang
digunakan telah memiliki kesesuaian untuk dipergunakan
atau tidak, maka dibutuhkan 50 responden tambahan yang

137

akan diterapkan dalam proses studi pendahuluan (pilot studi).
Penentuan 50 responden untuk studi pendahuluan (pilot
studi) tersebut telah dirasa telah cukup mewakili karena
menimbang referensi dari (Sugiyono, 2015, p. 131) yang
menyatakan bahwa jumlah sampel minimum yang dapat
digunakan adalah 30 responden.

3.7 Pengumpulan Data Penelitian
3.7.1 Sumber Data Penelitian
1. Data Primer
Pada penelitian ini data primer didapat dari 400 responden
yang telah mengisi survei melalui instrumen kuesioner secara
cross-sectional data collection atau data penelitian yang
disebarkan kepada responden dalam satu waktu (Lavrakas, 2018,
p. 170). Sebaran data penelitian tersebut telah dikumpulkan mulai
dari 27 Juli sampai 17 September 2021 (± 1,5 bulan).
2. Data Sekunder
Pada penelitian kali ini data sekunder diambil dari artikel
jurnal yang telah dituangkan pada bagian penelitian terdahulu
untuk mendukung dasar state of the art (alur pengembangan
penelitian), serta data-data dari buku, laporan, dan informasi
pendukung lain guna menjadi bahan dukungan yang dapat
digunakan dalam perancangan penelitian kali ini.
3.7.2 Teknik Pengumpulan Data
Pada penelitian kali ini, teknik pengumpulan data yang
digunakan di antaranya adalah studi literatur dan (angket) kuesioner.
Penjelasan lebih detail mengenai teknik pengumpulan data yang akan
digunakan dalam penelitian kali ini dapat dilihat melalui bagian-
bagian di bawah ini.

138

1. Studi Literatur
Data studi literatur didapat dari artikel (jurnal), skripsi/

tesis, buku laporan, dll. Untuk lebih jelasnya data sebaran studi
literatur yang digunakan pada penelitian kali ini secara jelas dapat
dilihat melalui Tabel 3.16 di bawah ini.

Tabel 3.16 Sebaran Data Studi Literatur.

No. Referensi Digital Jenis Digunakan

World Economic Forum,

1. Asosiasi IoT Indonesia, Statista, Laporan BAB
KOMINFO, BPS, Mordor I & III

Intelligence, We Are Social, dll.

Google Books, Researchgate, Buku, Artikel BAB
2. Institutional Repository (Survei) I - III

UIN Jakarta, dll. Artikel (Riset), BAB
Skripsi/Tesis I-V

2. Kuesioner
Kuesioner pada penelitian kali ini akan disebarkan melalui

pertanyaan yang bersifat tertutup (close ended questionnaire)
atau memiliki arti bahwa penyusun kuesioner (peneliti) telah
membatasi pilihan jawaban yang akan diberikan kepada
responden (Lavrakas, 2018, p. 96). Pada penelitian kali ini pilihan
jawaban dibatasi melalui lima skala likert dengan alasan kualitas
validitas (ketepatan) yang lebih baik (Revilla et al., 2014).

Penyebaran kuesioner akan dilakukan melalui media
daring (online) menggunakan alat bantu pembuatan kuesioner
Google Form melalui sejumlah media sosial (seperti: facebook,
twitter, whatsapp, telegram, line, dll.) untuk membantu membuat
dan mengumpulkan hasil analisis penelitian.

139

3.7 Analisis dan Interpretasi Penelitian
3.7.1 Analisis Data Penelitian
Mengacu pada proses analisis data penelitian yang
dicontohkan pada referensi dari (Creswell, 2012, p. 173) dan telah
dilakukan pada penelitian sebelumnya. Pada penelitian kali ini
setidaknya terdapat dua tahapan utama dalam proses analisis data
penelitian kuantitatif di antaranya merupakan analisis deskriptif dan
analisis statistik inferensial. Untuk lebih jelasnya kedua proses
analisis data penelitian tersebut dapat dijabarkan secara detail melalui
bagian di bawah ini.
1. Analisis Deskriptif
Pada tahapan pertama, peneliti akan melakukan analisis
data deskriptif responden (sampel penelitian) yang akan
dikelompokkan melalui alat bantu pengolahan data Microsoft
Excel 2016 dengan dua tahapan pengelompokkan yang pertama
tentang pertanyaan umum berdasarkan jenis kelamin, usia,
domisili, pekerjaan, gaji (pendapatan), pendidikan serta
pengalaman pendidikan dan pelatihan/sertifikasi mereka dalam
bidang informasi dan teknologi (IT).
Kedua adalah pertanyaan profil responden yang
dikelompokkan dalam pengetahuan, pemahaman, keterampilan,
pengalaman, penggunaan perangkat serta jenis perangkat, dan
lama penggunaan perangkat IT (seperti: smartphone, laptop,
tablet, dll.) dan perangkat IoT (seperti: smart home, smart watch,
smart TV dll.) untuk mengetahui dasar demografis dari responden
yang diambil dalam pengukuran niat perilaku urban konsumen
Pulau Jawa dalam penerimaan penggunaan Internet of Things.
Penerapan statistik deskriptif pada penelitian kali ini
hanya ditujukan untuk menganalisis dan mendeskripsikan data
yang terkumpul sebagaimana mestinya tanpa membuat
kesimpulan yang berlaku secara umum atau general pada
populasi penelitian (Sandu & Ali, 2015, p. 111). Hal ini

140

diterapkan hanya untuk mengetahui sebaran data responden yang
telah didapatkan pada penelitian kali ini.
2. Analisis Statistik Inferensial

Pada tahapan kedua, setelah data responden dari survei
melalui instrumen kuesioner berhasil dikumpulkan, data tersebut
akan dianalisis menggunakan statistik inferensial dengan teknik
analisis multivariate generasi kedua PLS-SEM. Penggunaan
analisis statistik inferensial dalam penelitian kali ini dikarenakan
penelitian kali ini menggunakan sampel untuk menggeneralisasi
populasi (Sugiyono, 2015, p. 208).

Karena data yang digunakan berbentuk ordinal maka
dalam penelitian kali ini akan menerapkan statistik non-
parametrik dalam pengerjaannya. Sementara penggunaan teknik
multivariate generasi kedua PLS-SEM pada analisis inferensial
digunakan untuk mengembangkan/mengeksplorasi teori yang
akan dibuat dalam penelitian kali ini yang diterapkan untuk
menganalisis faktor Network Externalities pada model UTAUT
guna mengetahui niat perilaku urban konsumen Pulau dalam
penggunaan perangkat Internet of Things.

Analisis statistik inferensial dengan teknik PLS-SEM
pada penelitian kali ini akan diolah dengan bantuan perangkat
lunak SmartPLS versi 3.3.3. Penggunaan teknik PLS-SEM
dengan alat bantu SmartPLS tersebut pada penelitian terdahulu
telah banyak digunakan untuk meninjau niat perilaku dalam
penggunaan perangkat Internet of Things seperti pada penelitian
dari (Karahoca et al., 2018) tentang Adopsi IoT Healthcare,
penelitian dari (Baba & Baharudin, 2020) tentang user Intention
use IoT, penelitian dari (Aldossari & Sidorova, 2020) tentang
Consumer Acceptance IoT Smart Home dan pada beberapa
penelitian lainnya.

141

Proses analisis data statistik inferensial tersebut akan
dilakukan melalui dua tahapan pengujian yaitu analisis
measurement model (outer model) reflektif, dan analisis
structural model (inner model).

Analisis measurement model (outer model) reflektif akan
dilakukan melalui empat proses yaitu pengujian (1) indicator
item reliability, dan (2) internal consistency reliability untuk
mengetahui validitas dari variabel serta indikator yang
digunakan, serta pengujian (3) convergent validity, dan
(4) discriminant validity untuk mengetahui reliabilitas dari
variabel serta indikator yang digunakan, serta analisis structural
model (inner model) yang dilakukan melalui proses pengujian
(1) path ceofficient (β), (2) coefficient of determination (R2),
(3) hypothesis testing, (4) effect size (f2), (5) predictive relevance
(Q2), dan (6) relative impact (q2) melalui standar evaluasi PLS-
SEM yang telah ditetapkan sebelumnya (J. F. Hair et al., 2014).
3.7.2 Interpretasi Hasil Penelitian

Pada tahap interpretasi hasil penelitian, peneliti akan
menampilkan hasil analisis deskriptif dari responden sesuai dengan
kondisi yang terjadi dilapangan melalui fitur pivot tabel dari Microsoft
Excel 2016 dan juga menterjemahkan hasil data kuesioner yang telah
terkumpul melalui proses analisis statistik inferensial dengan metode
PLS-SEM melalui alat bantu pengolahan data statistik SmartPLS.

Selain proses interpretasi, hasil pengujian yang didapat
nantinya juga akan dibandingkan dan diberikan sebuah diskusi dengan
data literatur penelitian terdahulu terkait dengan topik pada penelitian
kali ini yaitu penerimaan penggunaan perangkat IoT untuk konsumen.
Hasil interpretasi dari penelitian tersebut nantinya akan lebih jelas
dijabarkan melalui bagian hasil penelitian selanjutnya.

142

3.8 Instrumen Penelitian
Dalam melakukan proses penelitian, terdapat beberapa instrumen

yang akan digunakan pada penelitian kali ini. Beberapa instrumen pendukung
yang digunakan dalam penelitian kali ini tersebut secara jelas dapat dilihat
melalui Tabel 3.17 berikut ini.

Tabel 3.17 Instrumen Penelitian.

No. Tipe Jenis Model Fungsi (Alat)
Laptop HP ProBook
1. Perangkat 4441s Pembuatan Penulisan, Analisis,
Keras Mouse Wireless B170 dan Pengolahan Data Penelitian
Microsoft Word
Google Chrome 2016 Pembuatan Penulisan Penelitian
Microsoft Excel
Perangkat 91.0 Pembuatan Kuesioner Penelitian
Lunak SmartPLS
2.

2016 Pengolah Hasil Analisis
3.3.3 Penelitian

143

BAB IV
HASIL DAN PEMBAHASAN

4.1 Sebaran Data Penelitian
Sebaran data penelitian yang telah ditemukan pada penelitian kali ini

didapatkan melalui survei dengan instrumen kuesioner yang dibuat
menggunakan Google Form dengan target 450 responden (seperti yang telah
dijelaskan pada sampel penelitian sebelumnya). Sebaran data tersebut dibagi
dengan 50 di antaranya digunakan untuk pilot studi dan 400 lainnya
digunakan untuk data utama penelitian. Data responden yang telah didapatkan
tersebut tersebar di seluruh provinsi Pulau Jawa dengan kriteria memiliki usia
20-30 tahun dan paham penggunaan perangkat konsumen IoT, atau
setidaknya akrab dengan pemanfaatan teknologi informasi serta internet bagi
bukan pengguna perangkat konsumen IoT sesuai dengan lokasi penelitian dan
subjek penelitian yang digunakan pada penelitian kali ini.

Penyebaran kuesioner tersebut telah diambil secara daring (online)
melalui sejumlah media sosial (seperti: facebook, twitter, whatsapp,
telegram, line, dll.) selama ± 1,5 bulan mulai dari 19 Juli–17 September 2021
hingga target sampel penelitian terpenuhi (450 responden). Total responden
yang berhasil terkumpul dalam penelitian kali ini berjumlah 468 orang, tetapi
sebanyak 18 diputuskan untuk tidak dipergunakan karena ditemukannya
redudansi dan data pengisian yang tidak lengkap. Untuk lebih jelasnya
sebaran data responden yang telah terkumpul beserta waktu pengisiannya
tersebut dapat dilihat melalui Tabel 4.1 dan Gambar 4.1 di bawah ini.

Tabel 4.1 Data Sebaran Responden.

Tidak Valid Jumlah Valid Jumlah TOTAL
Data Tidak Lengkap 10 Digunakan Pilot Studi 50
Data Redudan (Berulang) 8 Digunakan Penelitian 400 468
Total Tidak Valid 18 450
Total Valid

144

60
Pilot Studi

50

40

30

20 14 13 12 11
9 9 45
10 7 10 9 6 6 5 5 5 4 7 5 5
10 6 2
3 3

0 Juli 19 2021
Juli 20 2021
Juli 21 2021
Juli 22 2021
Juli 23 2021
Juli 24 2021
Juli 26 2021
Juli 27 2021
Juli 28 2021
Juli 29 2021
Juli 30 2021
Juli 31 2021
Agustus 5 2021
Agustus 6 2021
Agustus 7 2021
Agustus 8 2021
Agustus 9 2021
Agustus 10 2021
Agustus 11 2021
Agustus 12 2021
Agustus 13 2021
Agustus 14 2021
Agustus 15 2021
Agustus 16 2021
Agustus 17 2021
Agustus 18 2021
Agustus 19 2021

Keterangan: Data Diambil dan Diektraksi Menggunakan Microsoft Excel 2019 melalui P

Gambar 4.1 Data Sebara
Dengan kuantitas penyebaran yang hampir serupa, ditemukan b
terjadi pada tanggal 23, 29 Agustus dan 7 September 2021 dengan ma
(pertumbuhan) menurut data linier yang telah dibuat, ditemukan kualit

14

45 an Pengisian Kuesioner. Pivot Tabel. Agustus 20 2021 9
Agustus 21 2021 11
bahwa tren data pengisian terjadi secara flukuatif. Pengisian terbanyak Agustus 22 2021 Penelitian
ayoritas pengisian lebih dari 30 responden per-harinya. Secara growth Agustus 23 2021 10 36
tas pengisian kuesioner cenderung terus meningkat setiap harinya. Agustus 24 2021 6
Agustus 25 2021
Agustus 26 2021 13
Agustus 27 2021
Agustus 28 2021 89
Agustus 29 2021
Agustus 30 2021 32
Agustus 31 2021
September 1 2021 8
September 2 2021
September 3 2021 5
September 4 2021
September 5 2021 4
September 6 2021
September 7 2021 5
September 8 2021
September 9 2021 10
September 10 2021 6
September 11 2021
September 12 2021 3
September 13 2021
September 14 2021 4
September 15 2021
Total September 16 2021 50
September 17 2021
8
5

15

Linear (Total) 5352642

4.2 Analisis Pilot Studi
Pada penelitian kali ini tahapan pilot studi dilakukan untuk menguji

apakah variabel serta indikator (item pengukuran) yang telah digunakan
memiliki kesesuaian atau tidak. Pengujian pilot studi secara praktik telah
dilakukan pada beberapa penelitian terdahulu seperti penelitian dari (Hsiao &
Lun, 2017), (Alraja et al., 2019), (Lu et al., 2020), dan (Kim et al., 2017)
tentang penerimaan konsumen dalam penggunaan perangkat IoT yang dapat
diukur melalui peninjauan outer model bersifat reflektif sesuai dengan arah
jalur (path) yang digunakan pada penelitian kali ini.

Selanjutnya proses evaluasi model pengukuran (outer model) akan
dilakukan melalui dua proses pengujian yaitu pengujian reliabilitas
(individual item reliability, internal consistency reliability), dan pengujian
validitas (convergent validity, discriminant validity) (J. F. Hair et al., 2014, p.
91). Proses tersebut akan dilakukan melalui standar nilai yang
direkomendasikan oleh (J. F. Hair et al., 2014) dan akan diujikan pada
50 orang responden dari seluruh provinsi di Pulau Jawa sesuai dengan kriteria
subjek penelitian yang digunakan pada penelitian kali ini. Jumlah total
50 responden tersebut dirasa sudah cukup mewakili untuk dijadikan sampel
dalam pilot studi menimbang referensi dari (J. Hair et al., 2014; Sugiyono,
2015, p. 131) yang menyatakan jumlah sampel minimum yang dapat
digunakan adalah 30 responden.

146

4.2.1 Hasil Analisis Pilot Studi
Setelah dilakukan analisis outer model untuk men

SmartPLS 3.3.3, didapatkan hasil pengujian yang secara

Tabel 4.2 Hasil Gabungan

Variabel Indikator Outer BI EE
Loadings 0.789 0.521
(BI) 0.897 0.635
Behavioral BI1 0.789 0.763 0.490
Intention BI2 0.897 0.531 0.850
BI3 0.763 0.600 0.871
(EE) EE1 0.850 0.595 0.844
Effort EE2 0.871 0.347 0.416
Expectancy EE3 0.844 0.605 0.427
FC1 0.639 0.417 0.573
(FC) FC2 0.853 0.278 0.318
Facilitating FC3 0.753 0.461 0.563
Conditions NP1 0.706 0.506 0.545
NP2 0.867
(NP) NP3 0.803
Number
of Peers

14

ngetahui hasil validitas dan reliabilitas pada pilot studi menggunakan
lebih detail dapat dilihat melalui Tabel 4.2 di bawah ini.

n Analisis Outer Model (Pilot Studi).

Cross Loadings PE SI Composite AVE
FC NP NU 0.603 0.580 Reability 0.670
0.460 0.333 0.345 0.702 0.617 0.731
0.542 0.469 0.586 0.649 0.436 0.858 0.568
0.537 0.493 0.696 0.584 0.517 0.631
0.537 0.664 0.482 0.553 0.517 0.891
0.561 0.498 0.397 0.642 0.423
0.578 0.410 0.521 0.356 0.467 0.795
0.639 0.381 0.368 0.580 0.406
0.853 0.479 0.573 0.554 0.499 0.836
0.753 0.438 0.486 0.238 0.423
0.328 0.706 0.322 0.465 0.398
0.519 0.867 0.430 0.579 0.290
0.506 0.803 0.548

47

Variabel Outer BI EE
Indikator Loadings 0.480 0.420
0.568 0.500
(NU) NU1 0.833 0.692 0.516
Number NU2 0.895 0.596 0.543
of User NU3 0.923 0.556 0.530
PE1 0.787 0.733 0.579
(PE) PE2 0.749 0.626 0.657
Performance PE3 0.847 0.708 0.512
Expectancy PE4 0.844 0.569 0.401
PE5 0.831 0.527 0.306
(SI) SI1 0.657 0.313 0.393
Social SI2 0.751 0.464 0.488
Influence SI3 0.710
SI4 0.762

14

Cross Loadings PE SI Composite AVE
FC NP NU 0.597 0.290 Reability 0.783
0.502 0.508 0.833 0.693 0.407 0.660
0.624 0.515 0.895 0.762 0.444 0.915
0.580 0.455 0.923 0.787 0.419 0.520
0.592 0.496 0.687 0.749 0.394 0.907
0.454 0.452 0.685 0.847 0/490
0.559 0.438 0.592 0.844 0.572 0.812
0.604 0.474 0.673 0.831 0.535
0.513 0.386 0.567 0.545 0.657
0.426 0.321 0.278 0.428 0.751
0.449 0.361 0.458 0.290 0.710
0.406 0.407 0.262 0.417 0.762
0.391 0.239 0.232

48

4.2.2 Interpretasi Hasil Pilot Studi
Setelah mengetahui hasil tersebut, dapat disimpulkan bahwa

seluruh variabel serta indikator yang digunakan pada penelitian kali
ini menurut standar evaluasi model pengukuran (outer model) dari
(J. F. Hair et al., 2014) telah valid dan dapat dipergunakan pada
proses penelitian kedepannya. Hal tersebut dikarenakan:
1. Hasil pengukuran reliabilitas atau pengujian yang berfungsi

mengukur konsistensi suatu ukuran pada pilot studi telah sesuai
standar yang ditentukan, yaitu:
1) Untuk pengujian Individual Item Reliability atau pengujian

yang mengukur seberapa besar korelasi antara masing-
masing indikator yang diukur melalui nilai outer loading
sudah berada di atas standar 0.60 (J. F. Hair et al., 2014, p.
107), dan
2) Pengujian Internal Consistency Reliability atau pengujian
yang mengukur konsistensi skor seluruh item pada sebuah
variabel yang diukur melalui nilai composite reliability sudah
berada di atas standar 0.07-0.09 (J. F. Hair et al., 2014, p.
101).
2. Hasil pengukuran validitas atau pengujian yang berfungsi
mengukur sejauh mana indikator secara bersama-sama mengukur
apa yang seharusnya diukur pada pilot studi telah sesuai standar
yang ditentukan, yaitu:
1) Untuk pengujian Convergent Validity atau pengujian yang
mengukur sejauh mana besaran korelasi antara variabel
manifest (indikator) yang dapat dimuat pada variabel terkait
yang diukur melalui nilai AVE sudah berada di atas standar
0.50 (J. F. Hair et al., 2014, p. 103), dan
2) Pengujian Discriminant Validity atau pengujian yang
mengukur sejauh mana suatu konstruk benar-benar berbeda
dari konstruk lain yang diukur melalui nilai composite

149