11150930000084_GIFARI REIHAN NURRACHMAN

gan Analisis Outer Model.

Cross Loadings PE SI Composite AVE
FC NP NU Reability >0.50
0.444 0.741
ocks > Other Ind. Blocks (in Var.) 0.367 >0.60
0.403 >0.07-0.09 0.707
0.651 0.515 0.460 0.580 0.442
0.595 0.460 0.462 0.517 0.425 0.896 0.679
0.672 0.562 0.595 0.655 0.448
0.568 0.392 0.382 0.519 0.429 0.879 0.745
0.559 0.436 0.494 0.566 0.373 0.838
0.601 0.499 0.496 0.644 0.454 0.864
0.787 0.431 0.380 0.419 0.399
0.844 0.424 0.457 0.457 0.424 0.897
0.840 0.609 0.606 0.744 0.330 0.940
0.448 0.820 0.478 0.432 0.334
0.527 0.894 0.573 0.538
0.579 0.874 0.689 0.628
0.538 0.624 0.913 0.650

99

Variabel Std. Outer BI EE
Indikator Loadings
Number 0.566 Ind. Blo
of User A >0.60 0.533
S 0.519
0.495
NU2 0.924 0.552
0.616
NU3 0.910 0.610
0.602
PE1 0.849 0.546 0.584
0.370
(PE) PE2 0.869 0.583 0.365
Performance PE3 0.865 0.619 0.458
Expectancy PE4 0.860 0.591 0.378

PE5 0.861 0.592

(SI) SI1 0.717 0.365
Social SI2 0.801 0.312
Influence SI3 0.826 0.379

SI4 0.676 0.360

*Melalui: SmartPLS→Calculate→PLS Algorithm.

Keterangan: A.: Accepted, S: Satisfied,
Std.: Standard,

Standar Minumum, Blok Diterima (Memenuhi Standar),

20

Cross Loadings PE SI Composite AVE
FC NP NU Reability >0.50
0.318
ocks > Other Ind. Blocks (in Var.) 0.317 >0.60 0.741
0.347 >0.07-0.09 0.574
0.583 0.652 0.924 0.709 0.408
0.514 0.576 0.910 0.684 0.318 0.935
0.595 0.560 0.656 0.849 0.442
0.615 0.572 0.671 0.869 0.444 0.843
0.563 0.483 0.632 0.865 0.717
0.549 0.523 0.629 0.860 0.801
0.585 0.536 0.620 0.861 0.826
0.407 0.410 0.344 0.346 0.676
0.331 0.293 0.233 0.300
0.435 0.370 0.290 0.431
0.352 0.246 0.172 0.280

AVE: Average Variance Extracted.

00

2. Hasil Analisis Model Struktural
Pengujian structural model (model struktural) atau inner

model pada penelitian kali ini dilakukan melalui enam tahapan,
yaitu pengujian (1) Path Coefficient (β), (2) Coefficient of
Determination (R²), (3) Hypothesis Testing, (4) Effect Size (f2),
(5) Predictive Relevance (Q2), serta (6) Relative Impact (q²)
(J. F. Hair et al., 2014). Pengujian model struktural tersebut
diberlakukan menggunakan standar penilaian dari (J. F. Hair et al.,
2014). Hasil dari pengujian model struktural tersebut secara lebih
jelas dapat dilihat melalui bagian-bagian berikut ini.
a. Path Coefficient (β)

Hasil pengujian path coefficients dapat ditentukan
melalui nilai beta standart (β) yang didapatkan. Nilai beta
standart (β) dapat menilai seberapa signinfikan hubungan
konstruksi antar path (jalur) pada sebuah model (J. F. Hair et
al., 2014, pp. 93 & 116). Apabila nilai beta standart (β) di atas
0.1 maka hasil pengujian path coefficients dapat dianggap
signifikan untuk dipergunakan dalam penelitian.

Dari hasil pengujian yang telah dilakukan, ditemukan
bahwa 5 dari 7 path (jalur) yang digunakan telah memiliki
hubungan yang signifikan karena nilai beta standart (β) telah
di atas 0.1 sesuai dengan standar yang ditetapkan (J. F. Hair et
al., 2017, p. 86).Tujuh path (jalur) tersebut adalah (NP→SI),
(NP→BI), (PE→BI), (EE→BI), (FC→BI), dan ditemukan
tiga path (jalur) pada pengujian path coefficients yang tidak
memiliki hubungan yang kuat yaitu (SI→BI), dan (NU→BI)
karena memiliki nilai beta standart (β) di bawah 0.1. Untuk
lebih jelasnya, hasil nilai beta standart (β) tersebut dapat
dilihat melalui Gambar 4.28 dan Tabel 4.33 di bawah ini.

201

0.5 0.445 0.376
0.4

0.3 0.225

0.165
0.2 0.116

0.1 0.035 0.023

0
NP→SI NP→BI NU→BI PE→BI EE→BI SI→BI FC→BI

Gambar 4.28 Grafik Nilai Beta Standart (β).
Tabel 4.33 Matrix Nilai Beta Standart (β).

Var. BI EE FC NP NU PE SI
Ind.

BI

EE 0.225

FC 0.376

NP 0.116 0.445

NU 0.035

PE 0.165

SI 0.023

*Melalui: SmartPLS→Calculate→PLS Algorithm.→Path Coefficient.

b. Coefficient of Determination (R2)

Hasil pengujian coefficient of determination dapat
ditentukan melalui nilai R-Square (R2) . Nilai R-Square (R2)

dapat merepresentasikan seberapa besar keragaman yang

dimiliki variabel independen dalam menjelaskan varian dari

variabel dependennya (J. F. Hair et al., 2014, p. 80). Apabila
nilai R-Square (R2) di atas nilai 0,25 maka dapat dikatakan

variabel tersebut telah memiliki keragaman yang kecil, apabila

nilai 0,50 atau lebih dapat mengindikasikan variabel telah

memiliki keragaman yang sedang, dan apabila nilai di atas

0,75 maka dapat mengindikasikan variabel telah memiliki

keragaman yang kuat (J. F. Hair et al., 2014, p. 186).

202

Dari hasil pengujian yang dilakukan, ditemukan bahwa
seluruh nilai R-Square (R2) telah lebih dari 0,19 pada variabel
Social Influence (SI) yang mengindikasikan bahwa variabel
tersebut telah memiliki keragaman yang kecil, dan pada
variabel Behavioral Intention (BI) telah ditemukan nilai R-
Square (R2) yang lebih dari 0,50 yang dapat mengindikasikan
bahwa variabel tersebut telah memiliki keragaman yang
sedang (J. F. Hair et al., 2014, p. 186). Untuk lebih jelasnya,
hasil dari nilai R-Square (R2) tersebut dapat dilihat melalui
Gambar 4.29 dan Tabel 4.34 di bawah ini.

0.648 0.198
0.7 SI
0.6
0.5
0.4
0.3
0.2
0.1

0
BI

Gambar 4.29 Grafik Nilai R-Square (R2).
Tabel 4.34 Matrix Nilai R-Square (R2).

Variabel R Square

BI Behavioral Intention 0.648

SI Social Influence 0.198

*Melalui: SmartPLS→Calculate→PLS Algorithm.→R-Square (R2).

c. Hypothesis Testing

Hasil pengujian hypothesis testing dapat ditentukan

melalui nilai t-statistic atau p-value yang ditemukan. Nilai

t-statistic atau p-value pada hypothesis testing dapat menjadi

landasan dalam menerima atau menolak suatu hipotesis

statistik (J. F. Hair et al., 2014, p. 203). Pengujian hypothesis

kali ini akan dilakukan melalui pengujian one tailed arah

203

kanan sesuai dengan hipotesis yang digunakan pada penelitian
kali ini.

Apabila ditemukan (1) nilai t-statistic lebih dari (>)
0.10, dan nilai p-value lebih dari (>) 1.28 maka dapat
dijustifikasikan sebagai penerimaan hipotesis bersifat lemah
(ditandai oleh (*)) dengan level signifikansi (α) 10%, apabila
(2) nilai t-statistic lebih dari (>) 1.64, dan nilai p-value lebih
dari (>) 0.05 maka dapat dijustifikasikan penerimaan hipotesis
bersifat sedang (ditandai oleh (**)) dengan level signifikansi
(α) 5%, dan terakhir apabila ditemukan (3) nilai t-statistic lebih
dari (>) 2.32, dan nilai p-value yang lebih dari (>) 0.01 maka
dapat dijustifikasi sebagai penerimaan hipotesis bersifat kuat
(ditandai oleh (***)) dengan signifikansi level (α) 1%. Diluar
dari standar tersebut, sebuah hipotesis dapat dijustifikasikan
ditolak untuk digunakan pada sebuah penelitian.

Dari hasil pengujian yang telah dilakukan, ditemukan
bahwa 5 dari 7 hipotesis dapat diterima dalam penelitian
kali ini, dan ditemukan 2 hipotesis yang ditolak. Seluruh
hipotesis yang diterima tersebut ditemukan pada variabel
(NP→SI), (NP→BI), (PE→BI), (EE→BI), dan (FC→BI)
yang diidentifikasikan telah diterima dengan kuat (ditandai
oleh (***)) atau dapat diidentifikasikan memiliki tingkat
signifikansi level yang tinggi yaitu 1% karena nilai t-statistic
telah lebih dari (>) 2.32, dan nilai p-value lebih dari (>) 0.01.

Dan ditemukan 2 hipotesis yang diidentifikasikan
ditolak pada penelitian kali ini yaitu pada variabel (NU→BI),
dan (SI→BI) karena baik dari nilai t-statisctic dan p-value
tidak memenuhi standar pengujian yang digunakan (J. F. Hair
et al., 2014, p. 186). Untuk lebih jelasnya, hasil dari nilai t-
statistic dan p-value pada hypothesis testing tersebut dapat
dilihat melalui Tabel 4.35 di bawah ini.

204

Tabel 4.35 Matrix Nilai t-Statistic dan p-Values.

H Path tp Keterangan
Statistics Values

H1+ NP → SI 9.319 0.000*** Diterima Kuat

H2+ NP → BI 2.721 0.003*** Diterima Kuat

H3+ NU → BI 0.585 0.279 Ditolak -

H4+ PE → BI 2.571 0.005*** Diterima Kuat

H5+ EE → BI 3.718 0.000*** Diterima Kuat

H6+ SI → BI 0.518 0.302 Ditolak -

H7+ FC → BI 6.783 0.000*** Diterima Kuat

*Melalui: SmartPLS→Calculate→Bootstrapping→Path Coefficient.

d. Effect Size (f2)
Hasil pengujian effect size dapat ditentukan melalui

nilai f-square (f2) yang dihasilkan. Nilai f-square (f2) dapat
menentukan apakah terjadi perubahan (pengaruh) subtansif
ketika sebuah variabel independen tertentu dihilangkan dari
sebuah model yang digunakan pada sebuah penelitian.

Apabila ditemukan nilai effect size (f2) yang lebih dari
(>) 0,35 menandakan variabel yang dihilangkan tersebut
mempunyai pengaruh subtansif yang kuat, apabila ditemukan
nilai effect size (f2) yang lebih dari (>) 0,15 menandakan
variabel yang dihilangkan mempunyai pengaruh subtansif
yang sedang, dan apabila ditemukan nilai effect size (f2) yang
lebih dari (>) 0,02 menandakan variabel yang dihilangkan
tersebut mempunyai pengaruh subtansif yang lemah.

Dari hasil pengujian yang telah dilakukan, setelah
melakukan penghilangan variabel independen satu persatu
pada model yang diujikan lalu dianalisis secara otomatis
menggunakan perangkat lunak SmartPLS, ditemukan bahwa
2 dari 7 path (jalur) memiliki nilai effect size (f2) yang kuat
yaitu pada path (jalur) (NP→SI), dan (FC→BI) karena nilai
effect size (f2) lebih dari (>) 0,35. Sementara terdapat 2 path

205

(jalur) memiliki nilai effect size (f2) yang lemah yaitu pada
path (jalur) (PE→BI), dan (EE→BI) karena nilai effect size
(f2) yang dihasilkan lebih dari (>) 0,02.

Pada penelitian kali ini terdapat 3 dari 7 path (jalur)
yang tidak memiliki pengaruh subtansif yaitu pada path (jalur)
(NP→BI), (NU→BI), dan (SI→BI) karena nilai effect size (f2)
yang dihasilkan masih di bawah batas standar terendah yang
tidak lebih besar (<) 0,02. Untuk lebih jelasnya, hasil dari nilai
f-square (f2) tersebut dapat dilihat melalui Gambar 4.30 dan
Tabel 4.36 di bawah ini.

0.247
0.25

0.2 0.162
0.15

0.1 0.059

0.05 0.018 0.024 0.001
0.001

0
NP→SI NP→BI NU→BI PE→BI EE→BI SI→BI FC→BI

Gambar 4.30 Visualisasi Nilai f-square (f2).

Tabel 4.36 Matrix Nilai f-Square (f2).

Var. BI EE FC NP NU PE SI
Ind. 0.247

BI

EE 0.059

FC 0.162

NP 0.018

NU 0.001

PE 0.024

SI 0.001

*Melalui: SmartPLS→ Calculate→PLS Algorithm.→f-Square (f2).

206

e. Predictive Relevance (Q2)
Hasil pengujian predictive relevance dapat ditentukan

melalui nilai Stone-Geisser (Q2) yang dihasilkan. Nilai Stone-
Geisser (Q2) dapat membantu mengetahui apakah sebuah
variabel dependen yang digunakan dalam suatu model
penelitian mempunyai keterkaitan prediktif (predictive
relevance) dengan variabel independen dalam model tersebut
(J. F. Hair et al., 2014, p. 186). Apabila ditemukan nilai Q2
yang lebih dari (>) 0 maka variabel yang digunakan telah
memiliki keterkaitan (relevansi prediktif) dengan variabel
independen lainnya (J. F. Hair et al., 2014, p. 186).

Dari hasil pengujian yang telah dilakukan, ditemukan
bahwa seluruh nilai Stone-Geisser (Q2) yang ditemukan telah
lebih dari (>) 0. Hal ini mengindikasikan bahwa seluruh
variabel tersebut telah memiliki keterkaitan (relevansi
prediktif) dengan variabel independen lainnya. Untuk lebih
jelasnya, hasil dari nilai Stone-Geisser (Q2) tersebut dapat
dilihat melalui Tabel 4.37 di bawah ini.

Tabel 4.37 Matrix Nilai Stone-Geisser (Q2).

Variabel Q Square (Q2)

BI Behavioral Intention 0.468

SI Social Influence 0.108

*Melalui: SmartPLS→ Calculate→Blindfolding→Construct Crossvalidated Redudancy.

f. Relative Impact (q2)

Hasil pengujian relative impact dapat ditentukan
melalui nilai q-square (q2) yang dihasilkan. Nilai q-square (q2)

pada pengujian relative impact dapat mengukur dampak relatif

(relative impact) dari relevansi prediktif (predictive relevance
(Q2)). Pengerjaan analisis relative impact hampir sama dengan
proses pengerjaan analisis effect size (f2) yaitu ketika sebuah

variabel independen tertentu dihilangkan dari sebuah model
penelitian. Apabila ditemukan nilai q-square (q2) yang lebih

207

dari (>) 0,35 menandakan variabel yang dihilangkan memiliki
pengaruh relatif yang kuat, apabila ditemukan nilai q-square
(q2) yang lebih dari (>) 0,15 menandakan variabel yang
dihilangkan memiliki pengaruh relatif yang menengah, dan
apabila ditemukan nilai q-square (q2) yang lebih dari (>) 0,02
menandakan variabel yang dihilangkan memiliki pengaruh
relatif lemah.

Dari hasil pengujian yang telah dilakukan, setelah
melakukan penghilangan variabel independen satu persatu
pada model yang diujikan dan dilakukan perhitungan secara
manual sesuai dengan Rumus 2.2 yang telah dijabarkan
sebelumnya pada effect size (f2), ditemukan bahwa 5 dari 7
path (jalur) memiliki nilai q-square (q2) yang lemah yaitu pada
path (jalur) (NP→SI), (EE→BI), (EE→BI), dan (FC→BI)
karena nilai q-square (q2) yang dihasilkan lebih dari (>) 0,02.
Sementara terdapat 1 path (jalur) yang memiliki nilai effect
size (f2) sedang yaitu pada path (jalur) karena nilai effect
size (f2) yang telah dihasilkan lebih dari (>) 0,15.

Dan pada penelitian kali ini terdapat 2 dari 7 path
(jalur) yang tidak memiliki pengaruh relatif yaitu pada
path (jalur) (NU→BI), dan (SI→BI) karena nilai q-square (q2)
yang dihasilkan masih di bawah batas standar terendah yaitu
tidak lebih besar (<) 0,02. Untuk lebih jelasnya, hasil nilai
q-square (q2) tersebut dapat dilihat melalui Tabel 4.38 di
bawah ini.

Tabel 4.38 Matrix Nilai q-Square (q2).

H Path Q2 q2 Ket.

in ex

H1+ NP→SI 0.108 0.000 0.121 Lemah

H2+ NP→BI 0.468 0.464 0.008 Lemah

H3+ NU→BI 0.468 0.469 -0.002 -

H4+ PE→BI 0.468 0.464 0.008 Lemah

208

H Path Q2 q2 Ket.

in ex

H5+ EE→BI 0.468 0.455 0.024 Lemah

H6+ SI→BI 0.468 0.469 -0.002 -

H7+ FC→BI 0.468 0.426 0.079 Lemah

*Melalui: SmartPLS→ Calculate→Blindfolding→Construct Crossvalidated Redudancy
(Dihitung Secara Manual).

Secara lebih jelas, seluruh gabungan hasil pengujian
model struktural (inner model) yang telah dianalisis
menggunakan perangkat lunak SmartPLS tersebut dapat
secara detail dilihat melalui Tabel 4.39 di bawah ini.

209

Tabel 4.39 Matix Gab

Hipotesis Std. β One Tailed R2

No. H Path W >0.1 t p in ex
M >1.28 <0.10 >0.25
1. H1+ 0.445 >2.32 <0.05 >0.50
2. H2+ H 0.116 >2.32 <0.01 >0.75
3. H3+ 0.035
4. H4+ NP→SI 0.165 9.727 0.000 0.198 0.000
5. H5+ 0.225
6. H6+ NP→BI 0.023 2.470 0.007 0.648 0.642
7. H7+ 0.376
NU→BI 0.562 0.287 0.648 0.647

PE→BI 2.517 0.006 0.648 0.639

EE→BI 3.704 0.000 0.648 0.627

SI→BI 0.528 0.299 0.648 0.648

FC→BI 7.023 0.000 0.648 0.591

Keterangan: R2: Coefficient of Determination, >: lebih besa
f2: Effect Size, <: lebih kec
H: Hypotesis, Q2: Predictive Relevance, S: Significan
Std.: Standard, q2: Relative Impact, NS: Not Sig

β: Beta Standart, in: include, Hipot
T: T-statistics, ex: exclude,
p: p-values,
Hipotesis Diterima,
Standar Minumum,

21

bungan Analisis Inner Model.

Q2 q2 Hasil Analisis
f2

in

>0.02 >0 >0.02
>0.15 ex β t p R2 f2 Q2 q2

>0.15

>0.35 >0.35

0.247 0.108 0.000 0.121 S A *** - M PR W

0.018 0.468 0.464 0.008 S A *** Mo - PR W

0.001 0.468 0.469 -0.002 NS R - Mo - PR -

0.024 0.468 0.464 0.008 S A *** Mo W PR W

0.059 0.468 0.455 0.024 S A *** Mo W PR W

0.001 0.468 0.469 -0.002 NS R - Mo - PR -

0.162 0.468 0.426 0.079 S A *** Mo M PR W

ar, A: Accepted, Mo: Moderate,
cil, R: Rejected, W: Weak,
nt, M: Medium,
gnificant, *: Signifikansi 90%, H: High,
**: Signifikansi 95%,
tesis Ditolak. ***: Signifikansi 99%, PR: Predictive Relevance,
-: Tidak Berpengaruh.
10

UTAU

(PE)

Performan
Expectan

Network Externalities H3 (+) (EE)
Effort
(NU) H2 (+) Expectan
Number H1 (+)
of User (SI)
Social
(NP) Influenc
Number
of Peers (FC)
Facilitati
Conditio

Gambar 4.31 Hasil Ana
21

UT

nce
ncy

H4 (+)

t
ncy

H5 (+)

(BI)

Behavioral
use Intention

H6 (+)

l H7 (+)
ce

Keterangan:

ing

ons Penerimaan Hipotesis
Penolakan Hipotesis

alisis Model Pengujian.

11

4.4.2 Interpretasi Statistik Inferensial
1. Interpretasi Model Pengukuran
Setelah mengetahui hasil analisis model pengukuran yang
telah dilakukan sebelumnya, maka 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 untuk dipergunakan pada
penelitian. Hal tersebut dikarenakan:
a. Pengujian Reliabilitas
Hasil pengujian reliabilitas atau pengujian yang dapat
mengukur konsistensi suatu ukuran telah sesuai standar yang
ditentukan, yaitu:
1) Untuk pengujian Individual Item Reliability atau
pengujian yang dapat mengukur seberapa besar korelasi
antara masing-masing indikator yang dapat diukur melalui
nilai outer loading sudah berada di atas standar 0.60
(J. F. Hair et al., 2014, p. 107), dan
2) Untuk pengujian Internal Consistency Reliability atau
pengujian yang dapat mengukur konsistensi skor seluruh
item pada sebuah variabel yang dapat diukur melalui
nilai composite reliability sudah berada di atas standar
0.07-0.09 (J. F. Hair et al., 2014, p. 101).
b. Pengujian Validitas
Hasil pengujian validitas atau pengujian yang dapat
mengukur sejauh mana indikator secara bersama-sama
mengukur apa yang seharusnya diukur telah sesuai standar
yang ditentukan, yaitu:
1) Untuk pengujian Convergent Validity atau pengujian
yang dapat mengukur sejauh mana besaran korelasi antara
indikator yang dimuat pada variabel terkait yang dapat
diukur melalui nilai AVE sudah berada di atas standar
0.50 (J. F. Hair et al., 2014, p. 103), dan

212

2) Untuk pengujian Discriminant Validity atau pengujian
yang dapat mengukur sejauh mana suatu konstruk dapat
benar-benar berbeda dari konstruk lain yang diukur
melalui nilai composite reliability atau nilai blok indikator
sudah lebih tinggi daripada blok indikator lainnya
(J. F. Hair et al., 2014, p. 105).

2. Interpretasi Model Struktural
Setelah mengetahui hasil analisis model struktural yang

telah dilakukan sebelumnya, maka dapat disimpulkan bahwa
terdapat 5 dari 7 hipotesis yang diusulkan pada penelitian kali ini
menurut standar evaluasi model struktural (inner model) dari
(J. F. Hair et al., 2014) telah diterima untuk dipergunakan pada
penelitian kali ini. Hal tersebut lebih jelasnya dapat dijabarkan
pada hasil interpretasi hipotesis dibawah ini.
a. Network Externality (NE)

1) H1. Number of Peers (NP) berpengaruh positif terhadap
Social Influence (SI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis pertama (H1) hasil
pengujian t-statistic telah memiliki nilai 9.319, dan
hasil pengujian p-value telah memiliki nilai 0.000.
Dalam pengujian one tailed nilai tersebut dapat
mengindikasikan penerimaan pada hipotesis penelitian
kali ini dan telah dianggap memiliki hubungan hipotesis
yang kuat dikarenakan nilai t-statistic yang didapatkan
telah melebihi standar ambang atas (>) 2.326 dan nilai
p-value yang dihasilkan telah di bawah dari (<) 0.01
(Ibe, 2014, p. 414).
Temuan lainnya juga diperkuat melalui nilai beta
coefficient (β) 0.445 yang telah lebih besar dari (>) 0.01,
dan nilai effect size (f2) 0.247, serta nilai relative impact

213

(q2) 0.121 yang lebih besar dari (>) 0.02. Hasil tersebut
mengindikasikan bahwa variabel yang sedang diujikan
telah memiliki pengaruh yang signifikan (β), serta masih
terdapatnya pengaruh subtansif (f2) yang kuat, dan relatif
(q2) yang lemah pada variabel yang diujikan tersebut
(J. F. Hair et al., 2014).

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya anggapan responden bahwa
jumlah rekanan mereka (seperti: teman, keluarga/rekan
kerja) atau Number of Peers (NP) telah menggunakan
perangkat IoT, dapat mempengaruhi dorongan sosial
atau Social Influence (SI) mereka dalam menggunakan
perangkat Internet of Things (IoT)”.

Temuan tersebut sedikit banyaknya telah sejalan
dengan hasil penelitian terdahulu dari Chen & Leon. (Lin
et al., 2015), dan Tan & Ooi (Tan & Ooi, 2018) yang
menyatakan bahwa pada praktiknya variabel Number of
Peers (NP) dapat memiliki pengaruh positif terhadap
variabel Social Influence (PE).
2) H2. Number of Peers (NP) berpengaruh positif terhadap
Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).

Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis kedua (H2) hasil
pengujian t-statistic telah memiliki nilai 2.721, dan
hasil pengujian p-value sudah memiliki nilai 0.003.
Dalam pengujian one tailed nilai tersebut dapat
mengindikasikan penerimaan pada hipotesis penelitian
kali ini dan telah dianggap memiliki hubungan hipotesis
yang kuat dikarenakan nilai t-statistic telah melebihi

214

standar ambang atas (>) 2.326, dan nilai p-value telah di
bawah (<) 0.01 (J. F. Hair et al., 2014).

Temuan lainnya juga diperkuat melalui nilai beta
coefficient (β) 0.116 yang telah lebih besar dari (>) 0.01,
serta nilai relative impact (q2) 0,007 ditemukan lebih besar
dari (>) 0.02. Tetapi ditemukan nilai effect size (f2) 0.018
yang ditemukan tidak lebih besar (>) dari standar 0.02.
Hasil tersebut mengindikasikan bahwa dari variabel yang
sedang diujikan telah memiliki pengaruh yang signifikan
(β), serta masih terdapatnya pengaruh relatif (q2) yang
lemah (J. F. Hair et al., 2014), akan tetapi pada penelitian
kali ini ditemukan tidak terdapatnya pengaruh subtansif
(f2) pada variabel yang diujikan tersebut.

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya anggapan responden bahwa
jumlah rekanan mereka atau Number of Peers (NP)
(seperti: teman, keluarga/rekan kerja) telah menggunakan
perangkat IoT, dapat mempengaruhi niat perilaku atau
Behavioral Intention (BI) mereka dalam menggunakan
perangkat Internet of Things (IoT)”.

Temuan tersebut sedikit banyaknya telah sejalan
dengan hasil penelitian terdahulu dari Waei dan Lu (Wei
& Lu, 2014) yang menyatakan bahwa pada praktiknya
variabel Number of Peers (NP) memiliki pengaruh
positif terhadap variabel Behavioral Intention (BI).

215

3) H3. Number of User (NU) berpengaruh positif terhadap
Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).
Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis ketiga (H3) hasil
pengujian t-statistic hanya memiliki nilai 0.585, dan hasil
pengujian p-value sudah melebihi nilai 0.279. Dalam
pengujian one tailed nilai tersebut dapat mengindikasikan
penolakan pada hipotesis penelitian kali ini dan tidak
dianggap memiliki hubungan hipotesis yang kuat
dikarenakan nilai t-statistic belum melebihi standar
ambang bawah (>) 1.28, dan nilai p-value telah di atas (<)
0.10 (Ibe, 2014, p. 414).
Faktor penolakan lainnya juga diperkuat melalui
nilai beta coefficient (β) 0.035 yang tidak lebih besar dari
(>) 0.01, nilai effect size (f2) 0.001, serta nilai relative
impact (q2) -0,002 yang tidak lebih besar dari (>) standar
batas bawah 0.02 (pengaruh kecil). Hasil tersebut
mengindikasikan bahwa dari variabel yang sedang
diujikan tidak memiliki pengaruh yang signifikan (β),
serta tidak ditemukannya pengaruh subtansif (f2), dan
relatif (q2) pada variabel yang diujikan tersebut (J. F. Hair
et al., 2014).
Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya kepercayaan yang dimiliki
responden bahwa telah dan akan banyak pengguna atau
Number of User (NU) yang akan menggunakan perangkat
IoT, tidak mempengaruhi niat perilaku atau Behavioral
Intention (BI) mereka untuk menggunakan perangkat
Internet of Things (IoT)”.

216

Temuan tersebut dapat terjadi karena berbagai
macam faktor. Berdasarkan data yang berhasil ditemukan,
penolakan hipotesis tersebut salah satunya dapat terjadi
karena responden belum percaya bahwa saat ini dan
kedepannya akan ada lebih banyak pengguna yang
menggunakan perangkat IoT. Penolakan hipotesis
tersebut juga ditemukan pada penelitian terdahulu dari
Lin et al. (Lin et al., 2015) yang menyatakan bahwa pada
praktiknya variabel Number of User (NU) tidak
memiliki pengaruh positif terhadap variabel Behavioral
Intention (BI).
b. Unified Theory of Acceptance & Use Technology (UTAUT)
4) H4. Performance Expectancy (PE) berpengaruh positif
terhadap Behavioral Intention (BI) konsumen dalam
penggunaan perangkat Internet of Things (IoT).

Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis keempat (H4) hasil
pengujian t-statistic sudah memiliki nilai 2.571,
dan hasil pengujian p-value sudah memiliki nilai 0.005.
Dalam pengujian one tailed nilai tersebut dapat
mengindikasikan penerimaan pada hipotesis penelitian
kali ini dan telah dianggap memiliki hubungan hipotesis
yang kuat dikarenakan nilai t-statistic telah melebihi
standar ambang atas (>) 2.326, dan nilai p-value telah di
bawah (<) 0.01 (Ibe, 2014, p. 414).

Temuan lainnya juga diperkuat melalui nilai beta
coefficient (β) 0.165 yang telah lebih besar (>) dari 0.01,
nilai effect size (f2) 0.024, serta nilai relative impact (q2)
0,008 telah lebih besar (>) dari 0.02 (pengaruh lemah).
Hasil tersebut mengindikasikan bahwa dari variabel yang
sedang diujikan telah memiliki pengaruh yang signifikan
(β), serta masih terdapatnya pengaruh subtansif (f2), dan

217

relatif (q2) pada variabel yang diujikan tersebut (J. F. Hair
et al., 2014).

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan:
“semakin tingginya kepercayaan responden bahwa
menggunakan perangkat IoT dapat meningkatkan
pekerjaan (kegiatan) atau Performance Expectancy (PE)
mereka, maka dapat mempengaruhi niat perilaku atau
Behavioral Intention (BI) mereka dalam menggunakan
perangkat Internet of Things (IoT)”.

Temuan tersebut sedikit banyaknya telah sejalan
dengan hasil penelitian terdahulu dari Pal et al. (Pal et al.,
2018), Lee & Shin (W. Lee & Shin, 2019), dan Sinaga
(Sinaga, 2019) yang menyatakan bahwa pada praktiknya
variabel Performance Expectancy (PE) dapat memiliki
pengaruh positif terhadap Behavioral Intention (BI).
5) H5. Effort Expectancy (EE) berpengaruh positif terhadap
Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).

Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis kelima (H5) hasil
pengujian t-statistic sudah memiliki nilai 3.550, dan hasil
pengujian p-value sudah memiliki nilai 0.000. Dalam
pengujian one tailed nilai tersebut dapat mengindikasikan
penerimaan pada hipotesis penelitian kali ini dan telah
dianggap memiliki hubungan hipotesis yang kuat
dikarenakan nilai t-statistic telah melebihi standar ambang
atas (>) 2.326, dan nilai p-value telah di bawah (<) 0.01
(Ibe, 2014, p. 414).

218

Temuan lainnya juga diperkuat melalui nilai beta
coefficient (β) 0.220 yang telah lebih besar dari (>) 0.01,
nilai effect size (f2) 0.057, serta nilai relative impact (q2)
0,024 telah lebih besar dari (>) 0.02. Hasil tersebut
mengindikasikan bahwa dari variabel yang sedang
diujikan telah memiliki pengaruh yang signifikan (β),
serta masih terdapatnya pengaruh subtansif (f2), dan
relatif (q2) pada variabel yang diujikan tersebut (J. F. Hair
et al., 2014).

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya kepercayaan responden
bahwa perangkat IoT akan mudah digunakan atau
Effort Expectancy (EE), maka dapat mempengaruhi
niat perilaku atau Behavioral Intention (BI) dalam
menggunakan perangkat Internet of Things (IoT)”.

Temuan tersebut sedikit banyaknya telah sejalan
dengan hasil penelitian terdahulu dari Pal et al. (Pal et al.,
2018) yang menyatakan bahwa pada praktiknya variabel
Effort Expectancy (EE) dapat memiliki pengaruh
positif terhadap variabel Behavioral Intention (BI).
6) H6. Social Influence (SI) berpengaruh positif terhadap
Behavioral Intention (BI) konsumen dalam penggunaan
perangkat Internet of Things (IoT).

Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis keenam (H6) hasil
pengujian t-statistic hanya memiliki nilai 0.518, dan hasil
pengujian p-value sudah melebihi nilai 0.302. Dalam
pengujian one tailed nilai tersebut dapat mengindikasikan
penolakan pada hipotesis penelitian kali ini dan tidak
dianggap memiliki hubungan hipotesis yang kuat

219

dikarenakan nilai t-statistic belum melebihi standar
ambang bawah (>) 1.28, dan nilai p-value telah di atas (<)
0.10 (Ibe, 2014, p. 414).

Faktor penolakan lainnya juga diperkuat melalui
nilai beta coefficient (β) 0.023 yang tidak lebih besar dari
(>) 0.01, nilai effect size (f2) 0.001, serta nilai relative
impact (q2) -0,002 yang tidak lebih besar dari (>) standar
batas bawah 0.02 (pengaruh kecil). Hasil tersebut
mengindikasikan bahwa dari variabel yang sedang
diujikan tidak memiliki pengaruh yang signifikan (β),
serta tidak ditemukannya pengaruh subtansif (f2), dan
relatif (q2) pada variabel yang diujikan tersebut (J. F. Hair
et al., 2014).

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya pengaruh sosial (seperti:
teman, keluarga/rekan kerja) yang dimiliki responden atau
Social Influence (SI) untuk menggunakan perangkat IoT,
tidak mempengaruhi niat perilaku atau Behavioral
Intention (BI) mereka untuk menggunakan perangkat
Internet of Things (IoT)”.

Temuan tersebut dapat terjadi karena berbagai
macam faktor. Berdasarkan data yang berhasil ditemukan,
penolakan hipotesis tersebut salah satunya dapat terjadi
karena sampai saat ini responden belum mengindikasikan
pengaruh sosial yang mereka miliki dapat meningkatkan
niat perilaku mereka dalam menggunakan perangkat IoT.
Penolakan hipotesis tersebut juga ditemukan pada hasil
penelitian terdahulu dari Pal et al. (Pal et al., 2018) yang
menyatakan bahwa pada praktiknya variabel Social

220

Influence (SI) tidak memiliki pengaruh positif terhadap
variabel Behavioral Intention (BI).
7) H7. Facilitating Conditions (FC) berpengaruh positif
terhadap Behavioral Intention (BI) konsumen dalam
penggunaan perangkat Internet of Things (IoT).

Berdasarkan hasil analisis model struktural,
ditemukan bahwa pada hipotesis ketujuh (H7) hasil
pengujian t-statistic sudah memiliki nilai 6.783, dan
hasil pengujian p-value sudah memiliki nilai 0.000.
Dalam pengujian one tailed nilai tersebut dapat
mengindikasikan penerimaan pada hipotesis penelitian
kali ini dan telah dianggap memiliki hubungan hipotesis
yang kuat dikarenakan nilai t-statistic telah melebihi
standar ambang atas (>) 2.326, dan nilai p-value telah di
bawah (<) 0.01 (Ibe, 2014, p. 414).

Temuan lainnya juga diperkuat melalui nilai beta
coefficient (β) 0.165 yang telah lebih besar dari (>) 0.01,
nilai effect size (f2) 0.024, serta nilai relative impact (q2)
0.079 yang telah lebih besar dari (>) 0.02. Hasil tersebut
mengindikasikan bahwa dari variabel yang sedang
diujikan telah memiliki pengaruh yang signifikan (β),
serta masih terdapatnya pengaruh subtansif (f2), dan relatif
(q2) yang lemah pada variabel yang diujikan tersebut (J.
F. Hair et al., 2014).

Dengan hadirnya temuan tersebut, berdasarkan
jumlah sampel, kriteria subjek, serta batasan yang
digunakan dalam penelitian kali ini, dapat disimpulkan
bahwa: “semakin tingginya kesiapan responden pada
infrastuktur yang mereka punya atau Facilitating
Conditions (FC), dapat mempengaruhi niat perilaku
atau Behavioral Intention (BI) mereka dalam
menggunakan perangkat Internet of Things (IoT)”.

221

Temuan tersebut sedikit banyaknya telah sejalan
dengan hasil penelitian terdahulu dari Lee & Shin (W. Lee
& Shin, 2019), serta Sinaga (Sinaga, 2019) yang
menyatakan bahwa pada praktiknya variabel Facilitating
Conditions (FC) dapat memiliki pengaruh positif
terhadap variabel Behavioral Intention (BI).

222

BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan Penelitian
Berdasarkan hasil analisis penerapan faktor Network Externalities

pada model UTAUT untuk mengetahui niat perilaku urban konsumen Pulau
Jawa dalam penggunaan perangkat Internet of Things, dapat ditarik dua
kesimpulan yang ditemukan dalam penelitian kali ini, di antaranya:
1. Ditemukannya 5 faktor yang dapat mempengaruhi niat perilaku

urban konsumen Pulau Jawa dalam penggunaan perangkat IoT.
Diantaranya adalah faktor jumlah rekanan menggunakan

(Number of Peers), harapan kinerja (Performance Expectancy), harapan
usaha (Effort Expectancy), dan kondisi fasilitas (Facilitating Conditions)
yang pada penelitian kali ini memiliki pengaruh positif untuk membuat
urban konsumen di Pulau Jawa memiliki niat perilaku (Behavioral
Intention) penggunaan perangkat IoT. Selain itu, faktor jumlah rekanan
yang menggunakan (Number of Peers) ternyata juga memiliki pengaruh
positif untuk mendorong pengaruh sosial (Social Influence) urban
konsumen Pulau Jawa dalam menggunakan perangkat tersebut.

Temuan di atas dapat mengindikasikan bahwa saat ini urban
konsumen di Pulau Jawa menganggap banyak rekanan dekat mereka
(Number of Peers) yang telah menggunakan perangkat konsumen IoT
yang menjadi salah satu faktor pengaruh yang diberikan pengguna pada
studi pendahuluan, dan harapan kinerja (Performance Expectancy),
harapan usaha (Effort Expectancy), serta kondisi fasilitas (Facilitating
Conditions) mereka akan perangkat konsumen IoT telah siap dan
memenuhi harapan/kriteria untuk membuat naiknya dorongan sosial
(Social Influence) dan niat perilaku (Behavioral Intention) mereka pada
penggunaan perangkat tersebut.

223

Diluar itu, dari hasil analisis juga ditemukan 2 akar permasalahan
utama yang ternyata dapat membuat kurangnya niat perilaku urban
konsumen di Pulau Jawa dalam menggunakan perangkat IoT.
Hal tersebut diantaranya terjadi pada faktor jumlah rekanan
menggunakan (Number of User) yang tidak berpengaruh positif terhadap
pengaruh sosial (Social Influence), dan faktor pengaruh sosial (Social
Influence) yang juga tidak berpengaruh positif dalam mendorong niat
perilaku (Behavioral Intention) penggunaan perangkat IoT.

Temuan tersebut menandakan bahwa saat ini urban konsumen di
Pulau Jawa masih belum menginginkan penggunaan perangkat IoT
dikarenakan mereka masih menganggap secara luas belum banyak
pengguna (Number of User) perangkat konsumen IoT yang kedepannya
akan menggunakan perangkat tersebut, dan lingkungan sosial mereka
(Social Influence) seperti: teman/keluarga/dll. belum cukup kuat
mendorong niat perilaku (Behavioral Intention) mereka dalam
penggunaan perangkat tersebut.

Kedua temuan di atas dapat menjadi acuan jawaban rumusan
masalah pertama yang telah dirancang pada penelitian kali ini,
yaitu berdasarkan hasil analisis ditemukan 5 faktor yang dapat
mempengaruhi niat perilaku urban konsumen Pulau Jawa dalam
penggunaan perangkat IoT, dan 2 faktor lainnya yang menjadi pengaruh
urban konsumen di Pulau Jawa enggan menggunakan perangkat tersebut
karena kedua faktor tersebut tidak dapat mempengaruhi niat perilaku
mereka dalam penggunaan perangkat tersebut.
2. Ditemukannya pemanfaatan faktor Network Externalities kedalam
model UTAUT yang sebagian besar memiliki pengaruh positif untuk
menganalisis niat perilaku urban konsumen Pulau Jawa dalam
penggunaan perangkat IoT.

Hal tersebut dapat terlihat 2 hipotesis penelitian pada faktor
Network Externality yang diterima yaitu pada variabel jumlah rekanan
menggunakan (Number of Peers) yang ditemukan memiliki pengaruh
positif terhadap niat perilaku (Behavioral Intention) dan pengaruh sosial

224

(Social Influence), terkecuali pada 1 hipotesis dari variabel Number of
User yang ditemukan tidak memiliki pengaruh positif terhadap niat
perilaku (Behavioral Intention) urban konsumen Pulau Jawa dalam
penggunaan perangkat IoT.

Temuan tersebut sedikit banyaknya dapat menjadi acuan jawaban
rumusan masalah kedua yang dirancang pada penelitian kali ini, yaitu
ditemukannya 2 pengaruh hipotesis positif (diterima) dan 1 hipotesis
yang tidak berpengaruh (ditolak) dalam pemanfaatan faktor Network
Externalities kedalam model UTAUT untuk menganalisis niat perilaku
urban konsumen Pulau Jawa dalam penggunaan perangkat IoT.

5.2 Implikasi Penelitian
5.2.1 Implikasi Praktis
Terdapat implikasi praktis yang berhasil ditemukan pada
penelitian kali ini, yaitu adalah: Diketahui bahwa terdapat 2
permasalahan yang dapat mempengaruhi kurangnya niat
perilaku urban konsumen di Pulau Jawa dalam penggunaan
perangkat IoT.
Hal tersebut dapat dilihat pada 2 hipotesis penelitian yang
ditolak pada penelitian kali ini yaitu pada variabel (Number of User)
yang ditemukan tidak memiliki pengaruh positif terhadap pengaruh
sosial (Social Influence), dan variabel pengaruh sosial (Social
Influence) yang tidak memiliki pengaruh positif terhadap niat perilaku
(Behavioral Intention) penggunaan perangkat IoT. Penolakan
hipotesis tersebut salah satunya dapat menjadi rujukan dalam
menjawab implikasi praktis yang telah dibuat pada manfaat penelitian
pertama penelitian kali ini.
Hadirnya 2 penolakan tersebut mengindikasikan bahwa
berdasarkan jumlah sampel, kriteria subjek, serta batasan yang
digunakan pada penelitian, saat ini responden masih menganggap
belum banyak pengguna perangkat konsumen IoT yang secara
luas (Number of User) akan menggunakan perangkat tersebut

225

kedepannya dan hal ini menurut hasil analisis dapat membuat tidak
berpengaruhnya dorongan sosial (Social Influence) mereka dalam
penggunaan perangkat tersebut. Temuan lainnya juga menemukan
bahwa saat ini cenderung masih rendahnya dorongan sosial seperti
dari teman/keluarga (Social Influence) yang dimiliki konsumen
sehingga hal tersebut dapat membuat turunnya niat perilaku
(Behavioral Intention) konsumen dalam menggunakan perangkat
tersebut.

Hal ini secara tidak langsung dapat mendukung studi awal
yang telah ditemukan yaitu memang saat ini pengguna di Indonesia
khususnya di Pulau Jawa merasa pengguna perangkat konsumen
IoT secara luas saat ini dan kedepannya masih belum banyak
yang akan menggunakan dan lingkungan sosial mereka belum cukup
kuat mendorong untuk penggunaan perangkat konsumen IoT.
Hal tersebutlah yang membuat mereka saat ini masih enggan untuk
memiliki niat penggunaan perangkat konsumen IoT.

Solusi dari permasalahan tersebut secara praktis dapat
diusulkan oleh peneliti dengan menabambahkan kembali pengaruh-
pengaruh sosial bagi pengguna dalam penggunaan perangkat
konsumen IoT seperti menyebarkan dan mempublikasikan secara luas
baik pada Media Masa (Mass Media Influence) atau Media Sosial
seperti pada penelitian dari Zahid dan Tan (Tan & Ooi, 2018; Zahid
& Din, 2019) agar kedepannya konsumen IoT di Indonesia dapat
mengetahui dan menggunakan perangkat tersebut kedepannya.

Solusi di atas dilakukan sebagai upaya mendorong naiknya
jumlah pengguna yang akan menggunakan perangkat IoT (Number of
User) kedepannya. Diluar itu, solusi di atas juga dapat membantu
menambahkan dorongan sosial (Social Influence) dari lingkungan
sekitar konsumen (seperti: teman/keluarga/dll.) pada penggunaan
perangkat IoT kedepannya, karena semakin tingginya lingkungan
sosial mereka yang telah menggunakan perangkat tersebut dapat
membuat naiknya niat perilaku konsumen dalam menggunakan

226

perangkat tersebut kedepannya. Tentu diperlukan peninjauan lebih
mendalam terkait solusi tersebut karena masih bersifat praktis
berdasarkan hasil tinjauan dari sudut pandang peneliti dengan kondisi
dukungan data penelitian yang ditemukan.
5.2.2 Implikasi Teoritis

Terdapat implikasi teoritis yang berhasil ditemukan pada
penelitian kali ini, yaitu adalah: Diketahui bahwa penerapan
kebaharuan pada faktor Network Externalities kedalam model
UTAUT terbukti dapat digunakan untuk mengetahui niat
perilaku konsumen dalam penggunaan perangkat IoT.

Hal tersebut ditunjukkan oleh diterimanya 2 dari 3 hipotesis
penelitian dalam faktor Network Externalities, yaitu pada variabel
Number of Peers dan Number of User yang memiliki pengaruh positif
terhadap niat perilaku (Behavioral Intention) penggunaan urban
konsumen Pulau Jawa dalam penggunaan perangkat IoT, terkecuali
pada 1 hipotesis dalam variabel Number of User yang tidak memiliki
relevansi positif terhadap niat perilaku (Behavioral Intention) dalam
penggunaan perangkat IoT. Hal tersebut dapat menegaskan bahwa
sesuai dengan manfaat penelitian kedua yaitu pemanfaatan faktor
Network Externalities kedalam model UTAUT dapat dipergunakan
untuk mengetahui niat perilaku penggunaan perangkat IoT.

5.3 Keterbatasan Penelitian
Setelah proses penelitian selesai dilakukan, terdapat setidaknya tiga

keterbatasan yang ditemukan pada penelitian kali ini, di antaranya adalah:
1. Sampel penelitian terbatas hanya pada enam provinsi di Pulau Jawa.

Hal tersebut awalnya diterapkan karena pertimbangan sampel yang lebih
mewakili, dan menimbang waktu, biaya, serta tenaga yang lebih
memungkinkan untuk dilakukan hanya pada enam wilayah di provinsi
Pulau Jawa. Keterbatasan penelitian kali ini ditemukan dengan tidak
diterapkannya sampel secara keseluruhan di semua wilayah (provinsi) di
Indonesia.

227

2. Pengembangan variabel penelitian terbatas hanya pada dua variabel
terbaru dari faktor Network Externality yaitu Number of Peers dan
Number of User yang diterapkan kedalam model UTAUT. Diluar dari itu
masih banyak variabel terbaru yang dapat dikembangkan pada penelitian
selanjutnya agar faktor peninjauan penerimaan konsumen terhadap
perangkat IoT dapat diketahui secara lebih jelas dan menyeluruh.

3. Belum diterapkannya proses analisis secara menyeluruh terutama pada
data deskriptif yang ditemukan. Data deskriptif hanya dipergunakan
sebagai informasi umum dalam mengetahui sebaran demografi dan profil
responden yang telah mengisi survei melalui instrumen kuesioner pada
penelitian kali ini.

5.4 Saran Pengembangan
Karena terdapatnya tiga keterbatasan penelitian yang telah dijabarkan

tersebut, maka pada penelitian kali ini terdapat tiga saran pengembangan yang
dapat digunakan pada penelitian selanjutnya, di antaranya adalah:
1. Sesuai dengan keterbatasan penelitian pertama, sebaran sampel pada

penelitian selanjutnya sebisa mungkin dapat diperluas.
Hal tersebut dapat dilakukan dengan menimbang seluruh

wilayah (provinsi) di Indonesia apabila waktu, biaya, tenaga dapat
memungkinkan. Dengan semakin meluasnya sebaran sampel yang
digunakan, maka peninjauan penerimaan penggunaan perangkat IoT
khususnya untuk urban konsumen di Indonesia dapat diketahui secara
mendetail.
2. Sesuai dengan keterbatasan penelitian kedua, penggunaan variabel
terbaru dapat diterapkan pada penelitian selanjutnya.

Hal tersebut dapat dilakukan seperti contohnya penambahan
variabel dependen Penggunaan Sesungguhnya (Actual Use) dan
Kelanjutan Penggunaan (Continuing Using) yang ditemukan pada
penelitian tedahulu dari Al-Qeisi & Hegazy tentang Internet Banking
Usage (Al-Qeisi & Hegazy, 2015), Kupfer et al. tentang Decision
Using a Technology (Kupfer et al., 2016), dan penelitian dari Ameen &

228

Willis tentang Smartphone Adoption (Ameen & Willis, 2018) dapat
dipergunakan untuk mengukur apakah responden yang ditemukan akan
benar-benar menggunakan perangkat IoT, dan akan terus menggunakan
perangkat IoT tersebut kedepannya.

Selain penggunaan kedua variabel dependen tersebut, secara
praktis untuk pengembangan perangkat konsumen IoT di Pulau Jawa
dapat diusulkan pengkajian faktor penyebaran media masa dan media
sosial (Mass Media Influence) agar kedepannya lebih banyak pengguna
yang akan menggunakan perangkat IoT, seperti yang telah dilakukan
pada penelitian Zahid dan Tan (Tan & Ooi, 2018; Zahid & Din, 2019)
tetang Mobile Tourism.
3. Sesuai dengan keterbatasan penelitian ketiga, proses analisis juga dapat
dikembangkan dengan memanfaatkan data deskriptif penelitian yang
telah didapatkan.

Hal tersebut dapat dilakukan dengan menerapkan proses analisis
lebih lanjut seperti penggunaan teknik Cross-Tabulation Analysis untuk
melakukan proses analisis silang pada data demografis masing-
masing temuan deskriptif yang didapatkan, ataupun melakukan proses
analisis Partial Least Square Multi-Group Analysis (PLS-MGA) untuk
menganalisis relasi (hubungan) dari temuan deskriptif dengan variabel
(hipotesis) yang diujikan pada sebuah penelitian. Penerapan tersebut
secara praktik telah dilakukan pada penelitian terdahulu dari Subiyakto
et al. (Subiyakto et al., 2021), Karahoca et al. (Karahoca et al., 2018), dan
Hsiao (Hsiao & Lun, 2017) yang telah menerapkan proses Cross-
Tabulation Analysis melalui perangkat lunak IBM SPSS, dan analisis
PLS-MGA melalui perangkat lunak SmartPLS untuk mengeksplorasi
data hasil penelitian secara lebih mendetail.

229

DAFTAR PUSTAKA

Accenture. (2020). Technology Vision 2021. https://doi.org/10.7748/nm.13.3.4.s3

Al-Qeisi, K., & Hegazy, A. (2015). Consumer Online Behaviour: A perspective on

Internet Banking Usage in Three Non-western Countries. Procedia Economics

and Finance, 23(April 2014), 386–390. https://doi.org/10.1016/s2212-

5671(15)00347-0

Aldossari, M. Q., & Sidorova, A. (2020). Consumer Acceptance of Internet of

Things (IoT): Smart Home Context. Journal of Computer Information

Systems, 60(6), 507–517. https://doi.org/10.1080/08874417.2018.1543000

Alraja, M. N., Farooque, M. M. J., & Khashab, B. (2019). The Effect of Security,

Privacy, Familiarity, and Trust on Users’ Attitudes Toward the Use of the IoT-

Based Healthcare: The Mediation Role of Risk Perception. IEEE Access, 7,

111341–111354. https://doi.org/10.1109/ACCESS.2019.2904006

Ameen, N., & Willis, R. (2018). A generalized model for smartphone adoption and

use in an Arab context: A cross-country comparison. Information Systems

Management, 35(3), 254–274.

https://doi.org/10.1080/10580530.2018.1477300

Amir, N., Jabeen, F., & Niaz, S. (2020). A Brief Review of Conditions,

Circumstances and Applicability of Sampling Techniques in Computer

Science Domain. IEEE 23rd International Multi-Topic Conference, 6.

https://doi.org/10.1109/INMIC50486.2020.9318209

Anderson, D. R. (2020). Statistics. Britannica.

https://www.britannica.com/science/statistics

APJII. (2020). Laporan Survei Internet APJII 2019-2020 (Q2). In Asosiasi

Penyelenggara Jasa Internet Indonesia (Vol. 2020). https://apjii.or.id/survei

Asosiasi IoT Indonesia. (2020). IoT & Automation 2020. Asosiasi IoT Indonesia,

1–24.

Baba, N. M., & Baharudin, A. S. (2020). Determinants of users’ Intention to use

Smartwatch. Advances in Intelligent Systems and Computing, 97(18), 4738–

4750. https://doi.org/10.1007/978-3-030-33582-3_92

230

Badan Pusat Statistik. (2020). Persentase Penduduk Daerah Perkotaan menurut

Provinsi, 2010-2035. Badan Pusat Statistik.

https://www.bps.go.id/statictable/2014/02/18/1276/persentase-penduduk-

daerah-perkotaan-menurut-provinsi-2010-2035.html

Badan Pusat Statistik Provinsi Banten. (2020). Penduduk Menurut Kelompok Umur

dan Jenis Kelamin di Provinsi Banten (Jiwa), 2018-2020. Badan Pusat

Statistik.

Badan Pusat Statistik Provinsi Jawa Barat. (2020). Jumlah Penduduk Menurut

Kelompok Umur di Provinsi Jawa Barat, 2010-2020. Badan Pusat Statistik.

https://jabar.bps.go.id/dynamictable/2020/06/03/606/jumlah-penduduk-

menurut-kelompok-umur-di-provinsi-jawa-barat-2010-2020.html

Bajaj, P., Almugari, F., Tabash, M. I., Alsayani, M. K., & Saleem, I. (2020). Factors
influencing consumer’s adoption of internet of things: an empirical study from

Indian context Factors influencing consumer’s adoption of internet of things:

an empirical study from Indian context. International Journal of Business
Innovation and Research, X(April), 0–24.

Beecham Research. (2021). World of IoT Sector Map. Beecham Research.

http://www.beechamresearch.com/article.aspx?id=42

BPS DI Yogyakarta. (2018). Penduduk menurut Kelompok Umur dan Jenis

Kelamin di D.I. Yogyakarta, 2017-2025. Badan Pusat Statistik.

https://yogyakarta.bps.go.id/dynamictable/2018/01/29/76/proyeksi-

penduduk-menurut-kelompok-umur-dan-jenis-kelamin-di-d-i-yogyakarta-x-

1000-2017-2025.html

BPS Jakarta. (2020). Jumlah Penduduk Provinsi DKI Jakarta Menurut Kelompok

Umur dan Jenis Kelamin, 2018-2020. Badan Pusat Statistik.

BPS Jawa Tengah. (2019). Jumlah Penduduk Menurut Kelompok Umur dan Jenis

Kelamin di Provinsi Jawa Tengah, 2019. Badan Pusat Statistik.

BPS Jawa Timur. (2017). Jumlah Penduduk Menurut Kelompok Umur dan Jenis

Kelamin di Provinsi Jawa Timur, 2017. Badan Pusat Statistik.

https://jatim.bps.go.id/statictable/2019/10/15/1923/jumlah-penduduk-

menurut-kelompok-umur-dan-jenis-kelamin-di-provinsi-jawa-timur-jiwa-

2017-.html

231

Chatterjee, S. (2020). Factors impacting behavioral intention of users to adopt iot
in India: From security and privacy perspective. International Journal of
Information Security and Privacy, 14(4), 92–112.
https://doi.org/10.4018/IJISP.2020100106

Chen, C. C., Leon, S., & Nakayama, M. (2018). Converting music streaming free
users to paid subscribers: Social influence or hedonic performance.
International Journal of Electronic Business, 14(2), 128–145.
https://doi.org/10.1504/IJEB.2018.094870

Chen, C. fei, Xu, X., & Arpan, L. (2017). Between the technology acceptance model
and sustainable energy technology acceptance model: Investigating smart
meter acceptance in the United States. Energy Research and Social Science,
25, 93–104. https://doi.org/10.1016/j.erss.2016.12.011

Creswell, J. W. (2012). Research Design: Pendekatan Kuantitatif, Kualitatif,dan
Mixed (Edisi Ketiga). In Pustaka Pelajar (Edisi Keti). Pustaka Pelajar.

Davis, F. D. (1985). A Technology Acceptance Model for Empirically Testing New
End-User Information Systems: Theory and Results [Massachusetts Institute
of Technology]. In MIT Sloan School of Management.
https://doi.org/oclc/56932490

de Boer, P. S., van Deursen, A. J. A. M., & van Rompay, T. J. L. (2019). Accepting
the Internet-of-Things in our homes: The role of user skills. Telematics and
Informatics, 36, 147–156. https://doi.org/10.1016/j.tele.2018.12.004

Dillon, A., & Morris, M. G. (1996). User Acceptance of Information Technology:
Theories and Models. Annual Review of Information Science and Technology,
31(January 1996), 3–32.

Economides, N., & Himmelberg, C. (1994). Critical Mass and Network Evolution
in Telecommunications. In Telecommunications Policy Research Conference.
https://doi.org/10.4324/9780203811191-11

EET EDN Asia. (2018). EET Recommend Market Guiding eBook. In EET EDN
Asia.

Gerald van Belle, Lloyd Fisher, Patrick J. Heagerty, T. L. (1996). T-Tables. In
Biostatistics: A Methodology for the Health Sciences (2nd Edition). Wiley-
Interscience.

232

https://faculty.washington.edu/heagerty/Books/Biostatistics/TABLES/t-
Tables/
Hair, J., Black, W., Babin, B., & Anderson, R. (2014). Multivariate Data Analysis
(Seventh Edition). In Pearson Education Limited 2014.
Hair, J. F., Hult, T. M., Ringle, C. M., & Sarstedt, M. (2014). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM). In Sage.
Hair, J. F., Hult, T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM). In Sage.
Handayani, T., & Sudiana, S. (2017). Analisis Penerapan Model Utaut (Unified
Theory of Acceptance and Use of Technology) Terhadap Perilaku Pengguna
Sistem Informasi (Studi Kasus: Sistem Informasi Akademik Pada Sttnas
Yogyakarta). Angkasa: Jurnal Ilmiah Bidang Teknologi, 7(2), 165.
https://doi.org/10.28989/angkasa.v7i2.159
Hardani, Andriani, H., Ustiawaty, J., Utami, E. F., Istiqomah, R. R., Fardani, R. A.,
Sukmana, D. J., & Auliya, N. H. (2020). Metode Penelitian Kualitatif &
Kuantitatif. In H. Abadi (Ed.), CV. Pustaka Ilmu. CV. Pustaka Ilmu Group
Yogyakarta.
Haryono, S., & Wardoyo, P. (2013). Structural Equation Modeling. In Intermedia
Personalia Utama. https://doi.org/10.4135/9781412983907.n1909
Hasnunidah, N. (2017). Metodologi Penelitian Pendidikan (Edisi Pert). Media
Akademi.
Hidayat, M. T. (2019). Pengukuran Penerimaan Pengguna Dompet Elektronik
Berbasis Server Di Tangerang Selatan Menggunakan Utaut 2 (Studi Kasus:
Go-Pay, Ovo, Linkaja Dan Dana). In Universitas Islam Negeri Syarif
Hidayatullah (Vol. 2).
Hsiao, & Lun, K. (2017). What drives smartwatch adoption intention? Comparing
Apple and non-Apple watches. Library Hi Tech, 35(1), 186–206.
https://doi.org/10.1108/LHT-09-2016-0105
Hubert, M., Blut, M., Brock, C., Zhang, R. W., Koch, V., & Riedl, R. (2019). The
influence of acceptance and adoption drivers on smart home usage. European
Journal of Marketing, 53(6), 1073–1098. https://doi.org/10.1108/EJM-12-
2016-0794

233

Ibe, O. C. (2014). Fundamentals of Applied Probability and Random Processes:

Second Edition. In Fundamentals of Applied Probability and Random

Processes: Second Edition. https://doi.org/10.1016/C2013-0-19171-4

Idris, M. (2020). Daftar UMP 2021 Provinsi Se-Pulau Jawa, Siapa Tertinggi dan

Terendah? Kompas.

https://money.kompas.com/read/2020/11/02/071348026/daftar-ump-2021-

provinsi-se-pulau-jawa-siapa-tertinggi-dan-terendah?page=all

Karahoca, A., Karahoca, D., & Aksöz, M. (2018). Examining intention to adopt to

internet of things in healthcare technology products. Kybernetes, 47(4), 742–

770. https://doi.org/10.1108/K-02-2017-0045

Katz, M. L., & Shapiro, C. (1985). Network Externalities, Competition, and

Compatibility. The American Economic Review, 75(3), 424–440.

http://links.jstor.org/sici?sici=0002-

8282%28198506%2975%3A3%3C424%3ANECAC%3E2.0.CO%3B2-M

Khanna, A., & Kaur, S. (2020). Internet of Things (IoT), Applications and

Challenges: A Comprehensive Review. In Wireless Personal Communications

(Vol. 114, Issue 2). Springer US. https://doi.org/10.1007/s11277-020-07446-

4

Kim, Y., Park, Y., & Choi, J. (2017). A study on the adoption of IoT smart home

service: using Value-based Adoption Model. Total Quality Management and

Business Excellence, 28(9–10), 1149–1165.

https://doi.org/10.1080/14783363.2017.1310708

Kitchenham, & Charters, S. (2007). Guidelines for performing Systematic

Literature Reviews in Software Engineering. In EBSE Technical Report.

Klobas, J. E., McGill, T., & Wang, X. (2019). How perceived security risk affects

intention to use smart home devices: A reasoned action explanation.

Computers and Security, 87, 101571.

https://doi.org/10.1016/j.cose.2019.101571

KOMINFO. (2017). Survey Penggunaan TIK 2017 Serta Implikasinya terhadap

Aspek Sosial Budaya Masyarakat. In Pusat Penelitian dan Pengembangan

Aplikasi Informatika dan Informasi dan Komunikasi Publik Badan Penelitian

dan Pengembangan Sumber Daya Manusia.

234

Kraut, R., Patterson, M., Lundmark, V., Kiesler, S., Mukopadhyay, T., & Scherlis,

W. (1998). Internet Paradox: A Social Technology That Reduces Social

Involvement and Psychological Well-Being? American Psychologist, 53(9),
1017–1031. https://doi.org/10.1037/0003-066X.53.9.1017

Kupfer, A., Schöb, S., Ableitner, L., & Tiefenbeck, V. (2016). Technology adoption

vs. continuous usage intention: Do decision criteria change when using a

technology? AMCIS 2016: Surfing the IT Innovation Wave - 22nd Americas

Conference on Information Systems, August.

Lavrakas, P. J. (2018). Encyclopedia of Survey Research Methods. In SAGE

Publications, Inc.

Lee, J. M., & Kim, H. J. (2020). Determinants of adoption and continuance

intentions toward Internet-only banks. International Journal of Bank
Marketing, 38(4), 843–865. https://doi.org/10.1108/IJBM-07-2019-0269

Lee, W., & Shin, S. (2019). An empirical study of consumer adoption of Internet of

Things services. International Journal of Engineering and Technology
Innovation, 9(1), 1–11.

Lin, T. C., Wu, S., Wang, K. I., & Tsai, M. C. (2015). Factors Affecting Third-

Generation Mobile Services: Applying the Purchase Intention Model. Journal
of Organizational Computing and Electronic Commerce, 25(1), 47–75.

https://doi.org/10.1080/10919392.2015.990778
Lu, Y., Papagiannidis, S., & Alamanos, E. (2020). Adding “Things” to the Internet:

Exploring the Spillover Effect of Technology Acceptance. Journal of
Marketing Management, 1–22.

Mahmudah, D. (2018). Upaya Pemberdayaan TIK dan Perlindungan Generasi Z di
Era Digital. Majalah Semi Ilmiah Populer Komunikasi Massa, 1(1), 45–58.

Margrit, A. (2018). Perempuan Indonesia Paling Banyak Gunakan Internet untuk

Media Sosial. Teknologi Bisnis.

https://teknologi.bisnis.com/read/20181128/105/863944/perempuan-

indonesia-paling-banyak-gunakan-internet-untuk-media-sosial

Mital, M., Chang, V., Choudhary, P., Papa, A., & Pani, A. K. (2018). Adoption of

Internet of Things in India: A test of competing models using a structured

equation modeling approach. Technological Forecasting and Social Change,

235

136, 339–346. https://doi.org/10.1016/j.techfore.2017.03.001
Momani, A., & Jamous, M. (2017). The Evolution of Technology Acceptance

Theories. International Journal of Contemporary Computer Research, 1(1),
51–58. https://www.researchgate.net/publication/316644779
Mordor Intelligence. (2021a). Consumer IoT Market - Growth, Trends, Covid-19
Impact, and Forecasts (2021 - 2026). Mordor Intelligence.
https://www.mordorintelligence.com/industry-reports/consumer-iot-market
Mordor Intelligence. (2021b). Industrial Internet of Things (IIoT) Market - Growth,
Trends, Covid-19 Impact, And Forecasts (2021-2026). In Mordor Intelligence.
https://www.mordorintelligence.com/industry-reports/industrial-internet-of-
things-iiot-market
Pal, D., Funilkul, S., Charoenkitkarn, N., & Kanthamanon, P. (2018). Internet-of-
Things and Smart Homes for Elderly Healthcare: An End User Perspective.
IEEE Access, 6, 10483–10496.
https://doi.org/10.1109/ACCESS.2018.2808472
Princi, E., & Krämer, N. C. (2020). Out of Control – Privacy Calculus and the Effect
of Perceived Control and Moral Considerations on the Usage of IoT
Healthcare Devices. Frontiers in Psychology, 11(November).
https://doi.org/10.3389/fpsyg.2020.582054
Revilla, M. A., Saris, W. E., & Krosnick, J. A. (2014). Choosing the Number of
Categories in Agree-Disagree Scales. Sociological Methods and Research,
43(1), 73–97. https://doi.org/10.1177/0049124113509605
Rogers, E. M. (1962). Diffusion of Innovations. In A Division of Macmillan
Publishing Co., Inc. (Third Edit). The Free Press.
Salkind, N. J. (2010). Encyclopedia of Research Design. In SAGE Publications,
Inc.
Sandu, & Ali, M. (2015). Dasar Metodologi Penelitian. In Literasi Media
Publishing.
Sharma, G. (2017). Pros and cons of different sampling techniques. International
Journal of Applied Research, 3(7), 749–752. www.allresearchjournal.com
Sinaga, M. (2019). Adoption of IoT at Home in Indonesia. University of Twente,
January, 1–55.

236

Sisinni, E., Saifullah, A., Han, S., Jennehag, U., & Gidlund, M. (2018). Industrial
Internet of Things: Challenges, Opportunities, and Directions. IEEE
Transactions on Industrial Informatics, 14(11), 4724–4734.
https://doi.org/10.1109/TII.2018.2852491

Statista. (2021). Projected Market Revenue of the Internet of Things (IoT) and
Analytics Worldwide, from 2015 to 2021. In Statista Research Department (p.
1).

Subiyakto, A., Ahlan, A. R., Kartiwi, M., & Sukmana, H. T. (2015). Influences of
the Input Factors towards Success of An Information System Project Article.
Telkomnika (Telecommunication Computing Electronics and Control), 13(2),
686–693. https://doi.org/10.12928/TELKOMNIKA.v13i2.1323

Subiyakto, A., Iswati, N., Ratnawati, S., Lebba, L., Saputra, D., & Sulhi, A. (2021).
Trend Using Da’wah Video through Social Media Applications among
Indonesian Young Muslims. The 9th International Conference on Cyber and
IT Service Management (CITSM.

Sugiyono. (2015). Metode Penelitian Pendidikan: Pendekatan Kuantitatif,
Kualitatif dan R&D. In Alfabeta. Alfabeta.

Taherdoost, H. (2018). Sampling Methods in Research Methodology; How to
Choose a Sampling Technique for Research. SSRN Electronic Journal,
January 2016. https://doi.org/10.2139/ssrn.3205035

Tan, G. W. H., & Ooi, K. B. (2018). Gender and age: Do they really moderate
mobile tourism shopping behavior? Telematics and Informatics, 35(6), 1617–
1642. https://doi.org/10.1016/j.tele.2018.04.009

Tsourela, M., & Nerantzaki, D. M. (2020). An internet of things (Iot) acceptance
model. assessing consumer’s behavior toward iot products and applications.
Future Internet, 12(11), 1–23. https://doi.org/10.3390/fi12110191

Tullis, T., & Albert, B. (2013). Self-Reported Metrics. In Measuring the User
Experience (pp. 121–161). https://doi.org/10.1016/b978-0-12-415781-
1.00006-6

Venkatesh, Morris, Davis, & Davis. (2003a). User Acceptance of Information
Technology: Toward a Unified View. MIS Quarterly, 27(3), 425.
https://doi.org/10.2307/30036540

237

Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003b). User

acceptance of information technology: Toward a unified view. MIS Quarterly:

Management Information Systems, 27(3), 425–478.

https://doi.org/10.2307/30036540

Wahono, R. S. (2007). A Systematic Literature Review of Software Defect

Prediction: Research Trends, Datasets, Methods and Frameworks. Journal of

Software Engineering, 1(1), 1–16. https://doi.org/10.3923/jse.2007.1.12

We Are Social, & Hootsuite. (2020). Digital Data Indonesia 2020. In We Are Social.

Wei, P. S., & Lu, H. P. (2014). Why do people play mobile social games? An

examination of network externalities and of uses and gratifications. Internet

Research, 24(3), 313–331. https://doi.org/10.1108/IntR-04-2013-0082

World Economic Forum. (2020). The Future of Jobs Report 2020. In World

Economic Forum. https://www.weforum.org/reports/the-future-of-jobs-

report-2018%0Ahttp://reports.weforum.org/future-of-jobs-2016/shareable-

infographics/%0Ahttp://reports.weforum.org/future-of-jobs-2016/chapter-1-

the-future-of-jobs-and-skills/%0Ahttps://www.weforum.org/rep

Wu, L. H., Wu, L. C., & Chang, S. C. (2016). Exploring Consumers’ Intention to

Accept Smartwatch. Computers in Human Behavior, 64, 383–392.

https://doi.org/10.1016/j.chb.2016.07.005

Yang, H., Lee, W., & Lee, H. (2018). IoT Smart Home Adoption: The Importance

of Proper Level Automation. Journal of Sensors, 2018.

https://doi.org/10.1155/2018/6464036

Zahid, H., & Din, B. H. (2019). Determinants of intention to adopt e-government

services in Pakistan: An imperative for sustainable development. Resources,

8(3). https://doi.org/10.3390/resources8030128

238

LAMP

23

PIRAN

39

Lampiran. Surat Keputusan Pembimbing Skripsi.
240

Lampiran. Kuesioner Penelit
24

tian 1 (Melalui Google Form).
41

Lampiran. Kuesioner Penelit
24

tian 2 (Melalui Google Form).
42