103
MENGUKUR TINGKAT PENERIMAAN TEKNOLOGI MOBILE APPS DI KALANGAN MAHASISWA DI
YOGYAKARTA
Sisnuhadi
Fakultas Bisnis Universitas Kristen Duta Wacana
Jl. Dr. Wahidin 21, Yogyakarta 55224ABSTRACT
The purpose of this study is to measure the acceptance of mobile apps technology using Unified Theory of Acceptance and Use of Technology (UTAUT) in Yogyakarta and its surrounding areas. The study found that constructs such as performance expectancy, effort expectancy, and social influence positively influence behavioral intention. While facilitating conditions and behavioral intention have positive impact on use behavior. This study also validated that UTAUT model can be used to measure the acceptance of mobile apps.
Keywords: UTAUT, technology acceptance, mobile apps
ABSTRAK
Penelitian ini bertujuan untuk mengukur tingkat penerimaan teknologi mobile apps di Yogyakarta dan sekitarnya dengan menggunakan model Unified Theory of Acceptance and Use of Technology (UTAUT). Hasil penelitian ini menunjukkan bahwa konstruk-konstruk kemudahan penggunaan teknologi, kinerja yang diharapkan, dan pengaruh sosial secara positif berpengaruh pada keinginan untuk menggunakan teknologi. Sedangkan fasilitas yang disediakan dan keinginan menggunakan teknologi berpengaruh secara positif pada keputusan untuk menggunakan teknologi. Dari hasil penelitian ini juga memvalidasi bahwa model UTAUT dapat dipergunakan untuk mengukur tingkat penerimaan mobile apps.
Kata kunci: UTAUT, penerimaan teknologi, mobile apps
PENDAHULUAN
Perkembangan teknologi informasi di Indonesia dewasa ini sangat pesat. Asosiasi Penyelenggara Jasa Internet Indonesia (APJII) melaporkan bahwa pada tahun 2012 penggunaan Internet di perkotaan Indonesia mencapai 24,23% (APJII, 2012). Dari jumlah tersebut, 65% pengguna Internet Indonesia sebagian besar terkoneksi melalui ponsel pintar dan mayoritas pengguna internet berusia 18-25 tahun (APJII, 2012). Pengguna pada kategori usia ini memiliki sifa sangat aktif dalam menggunakan tehnologi digital dan memiliki kecakapan yang cukup baik dalam
mengoperasikan teknologi berbasis internet (APJII, 2014). Data survey APJII tersebut menunjukkan bahwa adopsi pengguna Internet di Indonesia cukup tinggi dan bertumbuh sejalan dengan peningkatan teknologi serta perubahan gaya hidup masyarakat.
Penggunaan internet yang sangat tinggi dan perubahan gaya hidup masyarakat ini diresepon oleh organisasi. Organisasi- organisasi mulai banyak menggunakan program-program berbasis aplikasi untuk mempermudah interaksi antara organisasi tersebut dengan para stakeholdernya.
Apps (applications) atau aplikasi itu sendiri didifinisikan sebagai program khusus
104
yang dapat di unduh dan diinstalkan ke dalam smartphone. Sedangkan mobil apps menurut Buyens (2001) berasal dari kata application dan mobile. Application (aplikasi) adalah program dibuat untuk mempermudah pengguna mencapai tujuannya. sedangkan mobile berarti mudah berpindah tempat (Purnama, 2010). Oleh karenanya, mobile apps dapat di artikan sebagai sebuah program aplikasi yang mudah digunakan secara berpindah - pindah dari satu tempat ke tempat yang lain. Mobile apps ini dapat di jalankan dengan menggunakan perangkat nirkabel, telepon seluler, PDA, pager, smartphone, dan perangkat sejenisnya.
Beberapa organisasi di Indonesia yang telah menggunakan mobile apps adalah:
1. Retail: Tokopedia mobile apps, bukalapak 2. Jasa Rumah Tangga: sejasa, homejoy, go-
clean, happyFresh, gomaid 3. Penginapan: SirBnB
4. Perbankan: Investree, Modalku, KoinWorks, LendingClub
5. Transportasi: Uber, Grab, Lyft, Task Rabbit, Go-Jek, Blu-Jek
6. Asuransi: Malacca EZ
7. Rekrutmen pegawai: www.urbanhire.com
Di masa depan, mobile apps ini akan semakin banyak digunakan oleh organisasi.
Sementara itu sampai saat ini belum ada penelitian empiris yang secara komprehensif meneliti tentang penerimaan teknologi mobile Apps.
Dewasa ini terdapat banyak teori yang membahas tentang model penerimaan teknologi. Dalam penelitian ini dipergunakan model Unified Theory of Acceptance and Use of Technology (UTAUT) dari Venkatesh et al.
(2003) yang telah dimodifikasi. Venkatesh et al. (2003) mengembangkan model UTAUT tersebut berdasarkan pada delapan model penerimaan penggunaan teknologi yang telah dibuat oleh peneliti-peneliti sebelumnya.
Venkatesh et al. (2003) mengembangkan dan memvalidasi UTAUT model untuk mengukur keinginan menggunakan teknologi informasi.
Menurut Venkatesh et al. (2003) penggunaan teknologi (use behavior) dipengaruhi oleh keinginan untuk menggunakan (behavioral intention) dan infrastruktur yang tersedia (facilitating conditions). Sementara itu, keinginan untuk menggunakan teknolgi
(bevahioral intention) diperngaruhi oleh kinerja yang diharapkan (performance expectancy) dari teknologi, kemudahan penggunaan (effort expectancy) teknologi, dan pengaruh sosial (social influence).
Model UTAUT dari Venkatesh et al.
(2003) ini telah dipergunakan untuk meneliti penerimaan teknologi di berbagai bidang, misalnya, penggunaan ICT di organisasi pemerintah di India (Gupta, et al., (2008), Adopsi ICT kesehatan di Thailand (Kijsanayotin et al., 2009); penggunaan m- commerce di Arab Saudi (Alkhunaizan dan Love, 2012) dan pada penggunaan mobilestock trading (Tai and Ku, 2013).
Namun demikian, model UTAUT belum pernah digunakan untuk mengukur tingkat penerimaan teknologi mobile Apps. Penelitian ini merupakan replikasi dari penelitian- penelitian tentant aplikasi UTAUT sebelumnya. Beberapa alasan melakukan replikasi model adalah: menggali penemuan- penemuan baru (Hogarth et al., 1988; Kacmar et al., 1999) atau mengkonfirmasi temuan- temuan sebekumnya (Szajna, 1996; Compeau et al., 1999; Agarwal and Karahanna, 2000).
Oleh karenanya, penelitian ini dilakukan untuk menerapkan model UTAUT di bidang penggunaan mobile apps dan mengiterpretasi- kan hasilnya agar dapat menjustifikasi model UTAUT sebagai instrument untuk penelitian selanjutnya dalam mengukur penggunaan dan penerimaan teknologi.
LITERATURE REVIEW DAN PENGEMBANGAN HIPOTESIS
Unified Theory of Acceptance and Use of Technology (UTAUT) diusulkan oleh Venkatesh et al. (2003). Venkatesh et al.
(2003) mengembangkan UTAUT dengan cara mengintegrasikan delapan model yaitu:
Theory of Reasoned Action (TRA), Technology Acceptance Model (TAM), Motivational Model (MM), Theory of Planned Behavior (TPB), gabungan Theory of Planned Behavior dan Technology Acceptance Model (C-TPB-TAM), Model of PC Utilization (MPCU), Innovation Diffusion Theory (IDT), dan Social Cognitive Theory (SCT). Model UTAUT mengatasi kelemahan-kelemahan yang terdapat pada ke delapan model tersebut (Venkatesh et al., 2003).
105
Delapan model yang digunakan olehVenkatesh et al. (2003) untuk menyusun model UTAUT adalah: Theory of Reasoned Action (TRA), Technology Acceptance Model (TAM), Motivational Model (MM), Theory of Planned Behavior (TPB), Model Combining the Technology Acceptance Model and Theory of Planned Behavior (C-TAM-TPB), Model of PC Utilization (MPCU), Innovation Diffusion Theory (IDT), and Social Cognitive Theory (SCT).
Model UTAUT terdiri dari beberapa dimensi seperti kinerja mobile apps yang diharapkan (performance expectancy), usaha yang diperlukan untuk menggunakan mobile apps (effort expectancy), dan pengaruh sosial
(social influence) yang mempengaruhi keinginan untuk menggunakan mobil apps (behavioral intention). Selanjutnya, behavioral intention dan kondisi yang memfasilitasi penggunaan mobile apps (facilitating conditions) merupakan prediktor dari keputusan untuk menggunakan mobile apps (use behavior). Model UTAUT telah menunjukkan sebagai model yang handal untuk menganalisis perilaku pengadopsian dan penggunaan system (Al-Qeisi, 2009).Gambar 1 menunjukkan model UTAUT.
Performance Expectancy (PE)
Effort
Expectancy (EE)
Behavioral Use
Intension (BI) Behavior (UB) Social
Influence (SI)
Facilitating Conditions (FC)
Gambar 1.
Model UTAUT
Venkatesh et al. (2003), mendifinisikan performance expectancy sebagai tingkat keyakinan individu bahwa jika menggunakan teknologi akan mempermudah pekerjaannya.
Dalam penelitian ini, performance expectancy berkaitan dengan keyakinan pengguna bahwa mobile app mempermudah mereka dalam melakukan aktivitas yang mereka kehendaki sehingga menimbulkan keinginan untuk menggunakan mobile app tersebut.
Beberapa studi terdahulu melaporkan bahwa terdapat hubungan positif antara performance expectancy dan keinginnan menggunakan teknologi. . Gupta, Dasgupta, and Gupta (2008) melaporkan bahwa performance expectancy mempunyai pengaruh positif pada keinginan untuk menggunakan
ICT di organisasi pemerintah di India.
Sedangkan Kijsanayotin et al. (2009) menemukan bahwa kinerja dari teknologi yang diharapkan (performance expectancy) merupakan salah satu faktor yang mempengaruhi adopsi ICT kesehatan di Thailand. Selanjutnya, Alkhunaizan dan Love (2012) menemukan bahwa performance expectancy berpengaruh pada keinginan untuk menggunakan m-commerce di Arab Saudi.
Sementara itu, Tai and Ku (2013) dalam risetnya tentang keiningnan investor untuk mengadopsi mobile stock trading menemukan bahwa performance expectancy secara signifikant berpengaruh pada behavioral intention pada penggunaan mobile stock trading.
106
Berdasarkan pada hasil temuan di atas, dapat disimpulkan bahwa performance expectancy mempunyai hubungan dengan keinginan untuk mendopsi mobile app. Oleh karenanya disusun hipotesis sebagai berikut:
H1: Performance Expectancy secara positif dan signifikan berpengaruh pada keinginan untuk menggunakan (behavioral intention) mobile app.
Effort expectancy berhubungan dengan tingkat kemudahan dalam menggunakan system (Venkatesh et al., 2003).
Pengguna tidak memerlukan banyak waktu dan usaha untuk menggunakan system.
Tingkat kemudahan ini akan berpengaruh pada kecendurungan pengguna untuk menggunakan system tersebut.
Banyak studi melaporkan adanya pengaruh signifikan dari effort expectancy terhadap behavioral intention dan pengadopsian teknologi. Wang et al. (2009) melaporkan bahwa effort expectancy secara signifikan berpengaruh pada keinginan individu dalam penggunaan M-Learning.
Sementara Sin et al. (2013) menemukan bahwa effort expectancy mempunyai pengaruh signifikan pada keinginan untuk menggunakan internet marketing di Korea Selatan. Khatimah and Halim (2014) menemukan bahwa effort expectancy berhubungan secara positif pada keinginan untuk menggunakan e-Money di Indonesia.
Berdasarkan diskusi di atas, effort expectancy merupakan salah satu faktor yang mempengaruhi keinginan untuk menggunakan teknologi. Hal ini disebabkan karena mobile apps sangat mudah dipergunakan untuk membantu aktivitas pengguna. Oleh karenanya dpat dibuat hipotesis sebagai berikut:
H2: Effort expectancy secara positif dan sitsignifikan berpengaruh pada keinginan untuk menggunakan (behavioral intention) mobile app.
Pengaruh sosial (social influence) adalah pengaruh orang-orang penting yang menyarankan penggunaan system (Venkatesh et al., 2003). Banyak studi dilakukan untuk menginvestigasi pengaruh sosial (social influence) pada keinginan untuk menggunakan
teknologi. Menurut Alkhunaizan and Love (2012), social influences) secara signifikan berpengaruh pada keinginan untuk menggunakan (behavior intention) e- commerce di Saudi Arabia. Dalam perspektif blogging, social influence secara signifikan berpengaruh pada penggunaan blog. Pengguna blog secara sukarela bergabung pada aktivitas blog karena dipengaruhi oleh aktivitas para pengguna blog yang lain (Hsu dan Lin, 2008).
H3: Social influences secara positif dan signifikan mempengaruhi keinginan untuk menggunakan (behavioral intention) mobile app.
Facilitating conditions adalah tersedianya sarana dan maupun prasarana teknis (PC, laptop, smartphone, jaringan internet, dan teknologi) yang membantu penggunaan program ICT (Venkatesh et al., 2003). Penelitian-penelitian lain menemukan bahwa facilitating conditions berpengaruh langsung pada penggunaan ICT. Seperti misalnya, Sin et al. (2013) melaporkan bahwa facilitating conditions berhubungan dengan penggunaan pemasaran Internet di Malaysia dan Korea. Sementara itu, Yu (2012) menemukan bahwa facilitating conditions berpengaruh pada perilaku individu dalam menggunakan mobile banking. Oleh karenanya disusun hipotesis sebagai berikut:
H4: Facilitating conditions berpengaruh positif pada keputusan untuk menggunakan (behavioral intention) mobile app.
Selanjutnya, menurut Venkatesh et al.
(2003), keinginan untuk menggunakan merupakan prediktor dari keputusan untuk menngunakan suatu teknologi, oleh karena itu, disusun hipotesis sebagai berikut:
H5: Behavioural intention berpengaruh secara langsung pada penggunaan (user behavior) mobile apps.
METODA PENELITIAN Populasi dan Sampel
107
Obyek penelitian yang akan digunakan dalampenelitian ini adalah e-commerce yang secara khusus difokuskan pada penggunaan mobile apps. Obyek ini dipilih karena perkembangan penggunaan mobile apps di Indonesia yang cukup tinggi. Populasi dalam penelitian ini adalah seluruh mahasiswa yang ada di Yogyakarta dan sekitarnya yang sudah pernah melakukan transaksi dengan menggunakan mobile apps. Jumlah sampel yang digunakan penelitian ini adalah sebanyak 300 responden.
Pengumpulan Data
Data diperoleh dengan menggunakan kuesioner. Kuesioner yang akan digunakan berisi pertanyaan-pertanyaan tentang dimensi- dimensi yang tergambar dalam model penelitian ini. Rencana penyebaran kuesioner dilakukan langsung ke responden yang masuk kriteria penelitian.
Operasionalisasi Instrumen Penelitian Instrument penelitian mengadopsi instrument yang dikembangkan oleh Venkatesh et al.
(2003). Instrumen ini sudah divalidasi oleh banyak peneliti (Wild et al., 2011;
Attugquayefio and Addo, 2014). Instrumen ini menggunakan skala likert dengan 5 pilihan jawaban (1 untuk sangat tidak setuju sampai dengan 5 untuk sangat setuju).
Pilot-Test
Untuk menentukan validitas dan reliabilitas instrument penelitian, maka diadakan pilot test. . Kuesioner yang akan dijuji validitas dan reliabilitasnya di kelompokkan menjadi enam bagian, yaitu: (1) performance expectancy (PE); (2) effort expectancy (EE); (3) social influence (SI); (4) facilitating conditions (FC);
(5) behavioral intention (BI); and (6) use behavior (UB). Kuesioner diberikan kepada 30 mahasiswa yang pernah menggunakan mobile apps dari beberapa Perguruan Tinggi yang ada di Yogyakarta dan sekitarnya. Responden untuk pilot test ini dipilih secara acak.
Uji validitas dilakukan dengan cara melihat nilai dari corrected-item total correlation. Nilai corrected-item total correlation yang rendah (<0,30), menunjukkan
bahwa indikator tersebut tidak mengukur konstruk yang dimaksudkan (Hackman et al., 2006; Sundin et al., 2008), sehingga tidak valid dan tidak bisa dipergunakan untuk analisis selanjutnya.
Sedangkan reliabilitas dari pertanyaan diuji dengan Cronbach’s alpha. Reliabilitas menunjuk pada konsistensi internal dari indikator terhadap konstruk (Dunn et al., 1994). Korelasi yang tinggi antar pertanyaan dalam variable yang sama atau Cronbach’s alpha yang besar menunjukkan bahwa indikator tersebut reliabel (Straub et al., 2004). Tingkat Cronbach’s alpha yang diterima adalah 0.7 (Hair et al., 2010;
MacKenzie et al., 2005).
Variabel-variabel UTAUT
Variabel-variabel UTAUT terdiri dari PE, EE, SI, FC, IB dan UB. PE, EE, SI dan FC masing- masing memiliki empat pertayaan sedangkan IB dan UB masing-masing memiliki tiga pertanyaan.
Tabel 1 menyajikan nilai corrected- item total correlation dan nilai Cronbach’s Alpha. Seperti terlihat dalam Table 1 bahwa semua indikator memiliki nilai corrected-item total correlation >0.30 dan nilai Cronbach’s alpha >0.70. Oleh karenanya, semua indikator memenuhi persyaratan validitas dan reliabilitas.
HASIL PENELITIAN
Penelitian ini menggunakan alat analisis PLS.
Terdapat dua model pengukuran dalam analisis PLS, yaitu measurement model (outer model) dan structural model (inner model).
Measurement Model (Outer Model)
Measurement model digunakan
untuk menguji apakah konstruk laten
cukup valid dan reliabel. Validitas dan
reliabilitas dari konstruk ditentukan
berdasarkan pada
convergent validity, discriminant validity,dan
internal consistency reliabilitydari konstruk
tersebut.
108
Tabel 1.
Nilai Corrected-Item Total Correlation dan Nilai Cronbach’s Alpha
Items Corrected-Item Total Cronbach’s Alpha
Correlation
Performance Expectancy (PE) Construct
PE1 0.564 0.726
PE2 0.541 0.764
PE3 0.63 0.714
PE4 0.589 0.811
Effort Expectancy (EE)
EE1 0.508 0.763
EE2 0.496 0.749
EE3 0.561 0.723
EE4 0.443 0.731
Social Influence (SI)
SI1 0.504 0.801
SI2 0.581 0.842
SI3 0.604 0.837
SI4 0.588 0.761
Facilitating Condition (FC)
CF1 0.675 0.74
CF2 0.643 0.822
CF3 0.532 0.844
CF4 0.505 0.783
Behavior Intention (BI)
BI1 0.497 0.734
BI2 0.651 0.785
BI3 0.514 0.827
User Behavior (UB)
UB1 0.433 0.789
UB2 0.556 0.76
UB3 0.649 0.765
Convergent Validity
Table 2 menyajikan loading faktor dari indikator-indikator pada konstruk PE yang meliputi PE1, PE2, PE3, dan PE4; loading faktor dari indikator-indikator pada konstruk EE yang terdiri dari (EE1, EE2, EE3, EE4);
loading faktor dari indikator-indikator pada konstruk SI yang mencakup (SI1, SI2, SI3, dan SI4), loading faktor dari indikator-indikator
pada konstruk FC yang meliputi FC1, FC2, FC3, dan FC4; loading faktor dari indikator- indikator pada konstruk IB yang terdiri dari IB1, IB2, IB3, dan IB4; dan loading faktor dari indikator-indikator pada konstruk truk UB yang meliputi UB1, UB2, UB3, dan UB4. Dari table tersebut terlihat bahwa semua indikator memiliki loading faktor lebih dari 0.70. Dapat diartikan bahwa indikator-indikator tersebut mengukur apa yang seharusnya diukur.
109
Tabel 2.Loading Faktor dari Indikator-indikator
Table 3 menampilkan nilai average variance expected (AVE) dan nilai composite reliability. Dari Table 3 bisa dilihat bahwa semua konstruk memiliki nilai AVEs berada di
atas 0.50 dan nemiliki nilai composite reliability (internal consistency reliability) berada di atas 0.70. Oleh karenanya persyaratan kedua dan ketiga terpenuhi Faktor
Loading P-value PE
PE1 0.765 <0.001
PE2 0.876 <0.001
PE3 0.723 <0.001
PE4 0.812 <0.001
EE
EE1 0.792 <0.001
EE2 0.823 <0.001
EE3 0.754 <0.001
EE4 0.843 <0.001
SI
SI1 0.751 <0.001
SI2 0.785 <0.001
SI3 0.707 <0.001
SI4 0.827 <0.001
FC
FC1 0.791 <0.001
FC2 0.885 <0.001
FC3 0.745 <0.001
FC4 0.843 <0.001
IB
IB1 0.871 <0.001
IB2 0.755 <0.001
IB3 0.845 <0.001
IB4 0.833 <0.001
UB
UB1 0.792 <0.001
UB2 0.895 <0.001
UB3 0.759 <0.001
UB4 0.852 <0.001
110
Tabel 3.
Average variance extracted (AVE) dan Composite Reliability (CR)
Variabel AVE CR
PE 0.648 0.865
EE 0.653 0.768
SI 0.567 0.895
FC 0.678 0.834
IB 0.785 0.745
UB 0.752 0.812
Discriminant Validity
Tabel 4 menyajikan hasil lengkap tentang
loading faktor dan loading faktorsilang dari indikator-indikator. Dari Tabel 4 terlihat bahwa indikator-indikator memiliki nilai loading faktor yang lebih
besar terhadap konstruk yang diukurnya dibanding dengan nilai loading faktor dari konstruk yang tidak diukurnya. Hal ini menunjukkan bahwa indikator-indikator tersebut mengukur apa yang seharusnya diukur.
Tabel 4.
Indikator Factor Loadings and Cross Loadings
PE EE SI FC IB UB P-Value
PE1 0.765 0.164 0.087 0.159 0.152 0.195 <0.001 PE2 0.876 0.154 0.127 0.105 0.152 0.154 <0.001 PE3 0.723 0.285 0.104 0.222 0.211 0.249 <0.001 PE4 0.812 0.184 0.025 0.042 0.179 0.106 <0.001 EE1 0.249 0.792 0.169 0.141 0.099 0.199 <0.001 EE2 0.14 0.823 0.183 0.211 0.15 0.238 <0.001 EE3 0.236 0.754 0.148 0.131 0.158 0.171 <0.001 EE4 0.153 0.843 0.128 0.156 0.15 0.176 <0.001 SI1 0.248 0.452 0.751 0.172 0.32 0.264 <0.001 SI2 0.154 0.173 0.785 0.181 0.235 0.236 <0.001 SI3 0.078 0.081 0.707 0.284 0.272 0.343 <0.001 SI4 0.089 0.218 0.827 0.267 0.255 0.335 <0.001 FC1 0.083 0.158 0.325 0.791 0.304 0.343 <0.001 FC2 0.1 0.203 0.416 0.885 0.207 0.252 <0.001 FC3 0.186 0.156 0.307 0.745 0.266 0.364 <0.001 FC4 0.151 0.21 0.246 0.843 0.327 0.239 <0.001 IB1 0.065 0.145 0.245 0.446 0.871 0.118 <0.001 IB2 0.124 0.197 0.274 0.285 0.755 0.298 <0.001 IB3 0.215 0.212 0.338 0.304 0.845 0.212 <0.001
111
Tabel 4. LanjutanPE EE SI FC IB UB P-Value
IB4 0.168 0.182 0.293 0.282 0.833 0.32 <0.001 UB1 0.127 0.232 0.276 0.339 0.363 0.792 <0.001 UB2 0.118 0.199 0.278 0.392 0.611 0.895 <0.001 UB3 0.249 0.222 0.269 0.229 0.232 0.759 <0.001 UB4 0.238 0.218 0.338 0.208 0.233 0.852 <0.001
Discriminat validity
Tabel 5 menunjukkan korelasi konstruk laten dan akar kuadrat dari AVE. Dalam tabel terlihat bahwa nilai akar kuadrat dari AVE
lebih tinggi daripada nilai korelasi antar konstruk oleh karenanya, data ini memenuhi syarat dari discriminant validity.
Tabel 5.
Latent Construct Correlation dan Akar Kuadrat dari Average Variance Ectracyed (AVEs)
Note: Square roots of average variances extracted (AVE's) ditunjukkan dalam diagonal.
Model Fit Indices
Hasil model fitness tests beserta nilai P dari model strukturaldisajikan dalam table 6.
Tabel 6
Model Fit Indices dan nilai P
PE EE SI FC IB UB Model
Srtuktural APC 0.276
1)0.347
1)0.325
1)0.839
1)0.325
1)0.407
1)0.536
1)ARS 0.894
1)0.978
1)0.984
1)0.704
1)0.984
1)0.771
1)0.461
1)AVIF 1.436
2)1.384
2)1.761
2)1.306
2)1.791
2)1.401
2)2.263
2)1)Significant at p< 0.001; 2) good at AVIF<5
Dari Table 6 tersebut terlihat bahwa baik APC, ARS maupun AVIF memenuhi
persayaratan yang diperlukan. Hasil ini menunjukkan bahwa model dalam penelitian
PE EE SI FC IB UB
PE 0.787
EE 0.532 0.865
SI 0.136 0.222 0.766
FC 0.322 0.432 0.452 0.854
IB 0.431 0.545 0.241 0.436 0.786
UB 0.134 0.435 0.231 0.321 0.432 0.785
112
ini memenuhi persyaratan validasi sehingga model SEM dianggap terbebas dari masalah- masalah pengukuran data (Kline, 2005).
Model Struktural
Model struktural mengukur koefien jalur antara konstruk-konstruk exogenous dan endogenous, dan nilai R2 dari konstruk endogenous (Gerbing and Anderson, 1988;
Segars, 1997). Koefisien jalur menunjukkan
kekuatan korelasi antara konstruk (Chin and Gopal, 1995; Gefen et al., 2000). Sementara R2 menunjuikan jumlah konstruk endogenous yang dijelaskan oleh konstruk exogenous (Chin, 1998; Hair et al., 2010). Table 7 adalah model structural yang menunjukkan hubungan antara konstruk, koefisien jalur, dan tigkat signifikansinya.
Table 7 Model Structural
Path Coefficient β P-Value R
2PE-BI 0.6 <0.01
EE-BI 0.52 <0.01 0.37
SI-BI 0.27 <0.01
FC-UB 0.22 <0.01
BI-UB 0.34 <0.01 0.35
Pada table diatas terlihat bahwa nilai R2 sebesar 0,37 dan 0,35. Hal ini berarti 37%
varian konstruk behavior intention dijelakan oleh kombinasi antara konstruk-konstruk PE, EE, dan social influence, sedangkan sisanya dijelaskan oleh konstruk lain yang tidak termasuk dalam penelitian. Sementara itu, konstruk-konstruk facilitating condition dan behavior intention menjelaskan 35% dari varian use behavior, sisanya dijelaskan oleh konstruk lain di luar konstruk yang di teiti.
PEMBAHASAN
Pada tabel 7 terlihat bahwa performance expectancy secara signifikan mempengaruhi intention behavior pada p-value <0.01 dengan standard β = 0.60. Hasil ini menunjukkan bahwa H1 diterima. Para pengguna mobile apps meyakini bahwa mobile apps memudahkan mereka dalam melakukan usaha- usaha untuk mencapai tujuannya, misalnya memudahkan dalam berbelanja, memesan taksi, memesan makanan atau aktivitas lainnya. Temuan ini konsisten dengan hasil penelitian Venkatesh et al. (2003); Gupta, et
al. (2008); Kijsanayotin et al. (2009);
Alkhunaizan dan Love (2012); Tai and Ku (2013). Alkhunaizan dan Love (2012), misalnya menemukan bahwa performance expectancy berpengaruh pada keinginan untuk menggunakan m-commerce di Arab Saudi.
Sementara itu, Tai and Ku (2013) dalam risetnya tentang keinginan investor untuk mengadopsi mobile stock tradingmelaporkan bahwa performance expectancy secara signifikan berpengaruh pada behavioral intention pada penggunaan mobile stock trading.
Effort expectancy secara signifikan berpengaruh pada behavior intention dengan p-value <0.01 dan standard β = 0.52. Oleh karenanya H2 diterima. Mobile apps sangat mudah dipergunakan sehingga banyak orang berkeinginan menggunakannya. Hasil ini mendukung temuan dari Wang et al. (2009) dan Sin et al. (2013). Wang et al. (2009) melaporkan bahwa effort expectancy secara signifikan berpengaruh pada individual intention dalam penggunaan M Learning.
Sementara Sin et al. (2013) menemukan bahwa effort expectancy mempunyai pengaruh signifikan pada keinginan untuk menggunakan
113
internet marketing di Korea Selatan. Penelitilain, Khatimah dan Halim (2014) menemukan bahwa effort expectancy berhubungan secara positif pada keinginan untuk menggunakan e- Money di Indonesia. Namun Dasgupta et al.
(2007) yang meneliti tentang penerimaan pengguna terhadap Case Tools menemukan bahwa effort expectancy tidak berpengaruh secara signifikan pada behavior intention.
Social influence significantly affects behavior intention at p-value <0.01 with standard β = 0.27. H3 terpenuhi. Lingkungan sosial seperti misalnya, teman kuliah, sahabat, maupun keluarga mempengaruhi keinginan untuk menggunakan Apps. Hasil ini sesuai dengan temuan dari (Venkatesh et al., 2003) yang menyatakan bahwa social influence berpengaruh signifikan pada behavior intention. Menurut Alkhunaizan and Love (2012), social influence secara signifikan berpengaruh pada keinginan untuk menggunakan m-commerce di Saudi Arabia.
Dalam perspektif blogging, social influence secara signifikan berpengaruh pada penggunaan blog. Pengguna blog secara sukarela bergabung pada aktivitas blog karena dipengaruhi oleh aktivitas para pengguna blog yang lain (Hsu dan Lin, 2008).
Facilitating condition secara signifikan mempengaruhiuser behavior dengan p-value
<0.01 dan standard β = 0.22. H4 diterima.
Usaha orgnisasi untuk memberi dukungan faslitas agar mobile apps mudah dan praktis digunakan menyebabkan orang untuk memutuskan menggunakan Apps tersebut.
Hasil ini mendukung temuan dari (Venkatesh et al., 2003). Venkatesh et al. (2003) melaporkan bahwa facilitating condition berpengaruh signifikan pada use behavior. Sin et al. (2013) melaporkan bahwa facilitating condition berhubungan dengan penggunaan pemasaran Internet di Malaysia dan Korea.Sementara itu, Yu (2012) menemukan bahwa facilitating conditions berpengaruh pada perilaku individu dalam menggunakan mobile banking.
Behavior intention
significantly affects user behaviorat p-value <0.01 with standard β = 0.34. Keputusan untuk
menggunakan (UB)
mobile apps dipenga-ruhi oleh BI, sehingga hipotesis H5 diterima. Keinginan untuk menggunakan
mobile apps berpengaruh pada keputusanpenggunaan
mobile apps. Hasil inimendukung temuan dari (Venkatesh
et al.(2003) dan Sedana dan Wijaya (2010).
SIMPULAN
Hasil penelitian menunjukkan bahwa semakin tinggi performance expectancy, effort expectancy, dan social influences akan meningkatkan keinginan menggunakan (behavioral intention) mobile Apps.
Selanjutnya semakin tinggi facilitating conditions dan behavior intention akan meningkatkan penggunaan mobile Apps. Hasil penelitian ini juga menunjukkan bahwa model UTAUT bisa dipergunakan untuk mengukur tingkat penerimaan mobile Apps di kalangan mahasiswa.
Analisis dengan model UTAUT ini menunjukkan bahwa teknologi yang berupa mobile apps diterima oleh kalangan mahasiswa karena mobile apps sangat mudah dipergunakan. Oleh karenanya perlu bagi organisasi untuk menerapkan mobile apps dalam aktivitasnya. Penelitian ini mengkonfir- masi temuan-temuan sebelumnya dalam hal penerimaan tekonologi bahwa model UTAUT dapat dipergunakan untuk megnukur tingkat penerimaan teknologi.
Responden dari penelitian ini adalah mahasiswa yang pernah menggunakan mobile apps untuk mempermudah aktivitasnya serta yang tinggal di Yogyakarta dan sekitarnya.
Para mahasiswa tersebut pada umumnya mau belajar dan mudah menerima teknologi baru.
Mobile apps ini pada umumnya disediakan oleh organisasi untuk berbagai kalangan masyarakat. Untuk dapat menjeneralisasi tingkat penerimaan teknologi di masayarakat yang lebih luas, perlu dilakukan penelitian sejenis namun dengan rssponden yang lebih luas.
DAFTAR REFERENSI
Agarwal, Ritu, Karahanna, Elena. 2000. “Time Flies When You’re Having Fun:
Cognitive Absorption and Beliefs about Information Technology Usage”. MIS Quarterly, 24: 665-694.
114
Alkhunizan, A, and Love, S. 2012. “What drives mobile commerce? An empirical evaluation of the revised UTAUT model”. International Journal of Management and Marketing Academy, 2 (1): 82-99.
Al-Qeisi, K.I. 2009. “Analyzing the Use of UTAUT Model in Explaing an Online Behavior: Internet Banking Adoption (Doctoral Dissertation, Brunnel University)”. http://bura.brunnel.ac.uk/
handle/2438/3620
APJII. 2012. Profil Pengguna Internet Indonesia. Jakarta: Assosiasi Penye- lenggara Jasa Internet Indonesia.
APJII. 2014. Profil Pengguna Internet Indonesia. Jakarta: Assosiasi Penye- lenggara Jasa Internet Indonesia.
Attuquayefio, S.N. and Addo, H. 2014.”Using the UTAUT model to analyze students’
ICT adoption”. International Journal of Education and Development using Information and Communication Technology (IJEDICT). 6 (3): 75-86
Buyens, Jim. 2001. Web Database Development. Elex Media Komputindo.
Jakarta.
Chin, W. W. 1998. “Issues and opinion on structure equation modeling”. MIS Quarterly, 22(1): 123-131.
Chin, W. W. and Gopal, A. 1995. “Adoption intention in GSS: Relative importance of beliefs”. DATA BASE Advances, 26(2/3):42-64.
Compeau, Deborah R., Higgins, Christopher A., Huff, Sid. 1999. “Social Cognitive Theory and Individual Reactions to Computing Technology: A Longitu-dinal Study”. MIS Quarterly, 23: 145-158.
Dasgupta, S., Haddad, M., Weiss, P., dan Bermudez, E. 2007. “User acceptance od case tools in system analisys and design:
an empirical study”. Journal of
Informatics Education Research, 9 (1):
51-78.
Dunn, S. C., Seaker R. F. and Waller, M. A.
1994. “Latent variables in business logistics research: Scale development and validation”. Journal of Business Logistics, 15(2): 145-172.
Gefen, D., Straub, D. W., and Boudreau, M.
2000. “Structural equation modeling and regression: Guidelines for research practice”. Communications of the Association for Information Systems, 4 (7): 1-77.
Gupta, B. and Gupta, A. 2008. “Adoption of ICT in a government organization in a developing country: An empirical study”.
The Journal of Strategic Information System, 17 (2): 140-154.
Hackman, D., Gundergan, S., Wang, P., and Daniel, K. 2006. “ A service perspective on modelling intentions of on-line purchasing”. Journal of Services Marketing, 20 (6/7): 459-470.
Hair, J. F. Jr., Black, W. C., Babin, B. J., Anderson, R. E., and Tatham, R. L. 2010.
Multivariate Data Analysis (7th ed.).
New Jersey: Pearson Education Inc.
Hogarth, Robin M., Makridakis, Spyros. 1988.
“Consider the Principal Finding: A Reply to William T. Ross”. Management Science, 34: 672-673.
Hsu, C-L., and Lin, J. C-C. 2008. “Acceptance of blog usage: The roles of technology acceptance, social influence and knowledge sharing motivation, infor- mation & Management”. 45 (1): 65- 74.(http://www.dictionary.com/browse/ap p). Diakses tanggal 20 April 2016.
Kacmar, Michele K., Bozeman, Dennis P., Carlson, Dawn S., Anthony, William P.
1999. “An Examination of the Perceptions of Organizational Politics Model: Replication and Extension”.
Human Relations, 52: 383-416.
115
Khatimah, H. and Halim, F. 2014.“Consumers’ intention to use e-money in Indonesia based on Unified Theory of Acceptance and Use of Technology (UTAUT)”. American-Eurasian Journal of Sustanable Agriculture, 8 (12): 34-40.
Kijsanayofin, B., Pannrunothai, S., and Speede, S.M. 2009. “Factors influencing health information technology adoption in Thailand’s community health centers:
Applying the UTAUT model”.
International Journal of Medical Informatics, 78 (6): 404-416.
Kline, R.B.2005. Principles and Practice of Structural Equation Modeling 2nd ed.
The Guilford Press: New York.
MacKenzie, S. B., Podsakoff, P. M. and Jarvis, C. B. 2005. “The problem of measurement model misspecification in behavioral and organizational research and some recommended solutions”.
Journal of Applied Psychology, 90(4):
710-730.
Purnama, R. 2010.Mari Mengenal J2ME Java 2 Micro Edition. Prestasi Pustaka.Jakarta.
Sedana, I.G.N., dan Wijaya, W. 2010.
“UTAUT Model for understanding learning management system”.
Internetworking I ndonesia Journal. 2(2):
27-32.
Sin, Tan, K., Chong, S-C., and Lin, B. 2013.
“Intention to use internet marketing: A comparative study between Malaysians and South Koreans”. Kybernets, 42 (6):
888-905.
Straub, D., Boudreau, M. and Gefen, D. 2004.
“Validation guidelines for IS positivist research”.Communications of AIS, 13:
380-427.
Sundin, L., Hochwälder, J., and Bildt, C. 2008.
“A scale for measuring specific job demands within the health care sector:
Development and psychometric assessment”. International Journal of Nursing Studies, 45(6): 914-923.
Szajna, Bernadette. 1996. “Empirical Evaluation of the Revised Technology Acceptance Model,” Management Science, 42: 85-92.
Tai, Y.,M., and Ku, Y-C. 2013. “Will stocks investors use mobile stock trading? A benefit-risk assessment based on a odified UTAUT model”, Journal of Electronic Commerce Research, 14 (1):67-84.
Venkatesh, V., Morris, M.G., Davis, G.B., and Davis, F.D. 2003. “User acceptance of information technology: Toward a unified view”. MIS Quarterly, 425-478.
Wang, Y.S., Wu, M.C., and Wang, H.Y. 2009.
“Investigating the determinants and age and gender differences in gthe acceptance of mobile learning”. British Journal of Educational Technology, 40 (1): 92-118.
Wild, F., Ullman, T., Scott, P., Rebedea, T.
and Hoisl, B. 2011. “Applicability of the technology acceptance model for widget- based personal learning environments. In:
1st Workshop on Exploring Fitness and Evolvability of Personal Learning Environments (EFEPL’11)”, 30-31 March 2011, La Clusaz, France.
Yu, C.S. 2012. “Factors affecting individuals to adopt mobile banking: Empirical evidence from the UTAUT model”.
Journal of Electronic Commerce Research, 13 (2): 104-121
