SKRIPSI

Analisis Continuance Use Intention Pada Situs Jejaring Sosial LinkedIn dengan

menggunakan Expectation Confirmation Model (ECM) (Studi Kasus : UIN JAKARTA)

Oleh:

Gina Sajiah Hilman Syah

11150930000014

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2022 / 1444 H
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan situs jejaring sosial saat ini sangat pesat. Situs jejaring sosial telah

menjadi bagian integral dari kehidupan dan rutinitas sehari – hari masyarakat. Tercatat

saat ini jumlah pengguna aktif situs jejaring sosial mencapai 4,65 miliar atau 58,7% dari

total populasi didunia, sedangkan pengguna di Indonesia mencapai 191,4 juta pengguna

naik 12,6% dari tahun sebelumnya (We Are Social, 2022). Penerimaan teknologi

informasi merupakan salah satu faktor yang mempengaruhi keberhasilan implementasi

teknologi informasi. Berdasarkan data jumlah pengguna yang kian bertambah,

menjadikan situs jejaring sosial sangat populer di seluruh dunia termasuk Indonesia.

Setelah keberhasilan pada tahap penerimaan, perlu dikaji lebih lanjut mengenai faktor

Continuance Use Intention (CUI) pada pengguna agar terus menggunakan situs jejaring

sosial.

Continuance Use Intention (CUI) dapat didefinisikan sebagai minat atau

keinginan dari seorang individu untuk terus menggunakan sebuah sistem (Davis F. D.,

Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information

Technology, 1989). Minat untuk terus berpartisipasi atau ikut mengambil peran dalam

sebuah sistem tertentu (Bhattacherjee, 2001). Kondisi ketika pengguna sistem informasi

merasa puas terhadap sistem informasi yang digunakan sehingga membuatnya berniat

untuk menggunakan sistem informasi tersebut secara berkelanjutan dimasa mendatang

(Kordina, Putra, & Herlambang, 2019). Pelanggan membentuk pendapat setelah pertama

kali menggunakan sistem dan kemudian merasakan kegunaan sistem. Kegunaan yang
dirasakan mengarahkan pelanggan pada kepuasan akan kualitas layanan sistem yang

menyebabkan pelanggan berminat melanjutkan penggunaan sistem (Davis F. D., 1985).

Memahami Continuance Use Intention (CUI) adalah hal yang penting untuk

diteliti dan dipahami bagi manajemen perusahaan karena terbukti membutuhkan biaya

yang cukup jauh lebih rendah dibandingkan dengan mendapatkan pelanggan baru (Wu,

Tsai, Chen, & Wu, 2006). Selain itu mengingat situs jejaring sosial berbeda dengan

sistem informasi lain seperti sistem informasi akademik, sistem informasi penggajian

yang bersifat terikat, situs jejaring sosial bersifat bebas. Hal tersebut menjadikan suatu

tantangan untuk menemukan solusi dalam mempertahankan pengguna situs jejaring

sosial. Situs jejaring sosial membebaskan pengguna dalam mengatur jejaring sosial

mereka serta menikmati aktivitas jejaring sosial mereka secara bebas (Boyd & Ellison,

2008). Kebebasan inilah yang memungkinkan pengguna untuk berhenti menggunakan

suatu situs jejaring sosial daripada sistem informasi yang terikat.

Layanan jejaring sosial yang populer di Indonesia cukup banyak seperti

Instagram, TikTok, Facebook, SnackVideo, dan lainnya. Banyaknya jumlah situs jejaring

sosial menyebabkan persaingan antar penyedia layanan jejaring sosial sangat ketat. Untuk

mempertahankan penggunanya serta meningkatkan penggunaan jejaring sosial,

manajemen perusahaan dinilai perlu merancang sebuah strategi dan inovasi yang efektif

untuk mempertahankan loyalitas pengguna. Dalam rangka mencapai target tersebut

manajemen perusahaan harus memahami faktor – faktor apa saja yang mempengaruhi

Continuance Use Intention (CUI) atau niat keberlanjutan pengguna untuk terus

menggunakan layanan jejaring sosial sosial tersebut.

Pemahaman Continuance Use Intention (CUI) merupakan tahapan penting pada

penerapan suatu sistem karena hal ini bersangkutan terhadap keberlangsungan suatu
penggunaan sistem untuk keberhasilan suatu perusahaan (Chiu, Hsu, Sun, Lin, & Sun,

2005). Dalam upaya mempertahankan dan menambah jumlah pengguna manajemen

perusahaan perlu membuat metode yang lebih baik. Mempertahankan dan memfasilitasi

pengguna berkelanjutan sangat penting untuk keberhasilan sistem informasi pada suatu

perusahaan (Zhou & Li, 2014). Continuance Use Intention (CUI) merupakan gambaran

sejauh mana pengguna akan memutuskan untuk menggunakan suatu sistem informasi dan

mengacu pada niat individu untuk terus berpartisipasi dalam kegiatan setelah sebelumnya

mengadopsinya (Chen I. Y., 2015).

Terbukti dari fakta bahwa memperoleh pengguna baru mungkin menghabiskan

biaya lima kali lebih banyak daripada mempertahankan pengguna yang sudah ada, karena

bagi perusahaan untuk mendapatkan pengguna baru melalui beberapa proses yang

membutuhkan biaya seperti biaya mencari pelanggan baru, menyiapkan akun baru, dan

mulai mengenalkan sistem informasi ke pengguna (Parthasarathy & Bhattacherjee, 1998).

Sebagai contoh peningkatan 5% dalam retensi pengguna pada perusahaan asuransi

biasanya dapat menghemat 18% dalam biaya operasional (Crego & Schiffrin, 1995).

Fakta tersebut mengingatkan bahwa pentingnya relevansi dan ketepatan waktu bagi

manajemen perusahaan dalam mempelajari niat keberlanjutan pengguna situs jejaring

sosial tersebut (Bhattacherjee, 2001). Banyaknya kompetitor yang menawarkan layanan

serupa menjadi pertimbangan bagi para pengusaha untuk masuk dalam persaingan yang

sangat ketat. Strategi pemasaran dan inovasi yang tepat digunakan untuk bisa meraih

pasar yang dituju sehingga profit penjualan selalu meningkat (Nawawi, 2021). Kondisi ini

merupakan sebuah kendala dimana pengguna mudah untuk beralih menggunakan situs

jejaring sosial lain, karena banyaknya fitur yang lebih unggul. Niat keberlanjutan

pengguna dapat menjadi solusi efektif bagi manajemen perusahaan.

 Walaupun jumlah pengguna situs jejaring sosial meningkat pesat, beberapa situs

jejaring sosial tidak dapat mempertahankan eksistensinya, karena tidak dapat

mempertahankan penggunanya dan tergeser oleh situs jejaring sosial lain. Beberapa

contoh situs jejaring sosial yang tergeser adalah Path, Friendster, MySpace, dan

Google+. Situs jejaring sosial tersebut tergeser semenjak adanya kemunculan facebook.

Path tergeser pada 2018 setelah adanya inovasi untuk memisahkan aplikasi perpesanan

pribadinya menjadi Path Talk yang berorientasi bisnis tidak berhasil, selain itu adanya

kompetisi yang ketat antar penyedia layanan jejaring sosial menjadikan Path tidak dapat

bertahan dalam industri. Berdasarkan fakta bahwa tergesernya situs jejaring sosial media

dikarenakan kehilangan pengguna dengan kompetitor yang memberikan layanan yang

lebih unggul dan fitur yang lebih menarik bagi pengguna. Oleh karena itu, memahami

faktor-faktor Continuance Use Intention (CUI) sangat diperlukan.

Penelitian ini menggunakan model untuk menganalisis faktor Continuance Use

Intention (CUI) dengan mengembangkan Expectation-Confirmation Model (ECM) oleh

(Bhattacherjee, 2001). Model tersebut banyak digunakan untuk menjelaskan perilaku

pengguna pada sistem informasi. ECM adalah model yang digunakan untuk melakukan

analisis keberlanjutan adopsi suatu sistem informasi seorang individu, model ECM

sering digunakan untuk mengeksplor perilaku konsumen pada sebuah penelitian

(Bhattacherjee, 2001). ECM dimodifikasi dan dikembangkan melalui berbagai penelitian

perilaku berkelanjutan pada aplikasi seluler seperti situs jejaring sosial, layanan data

seluler, perdagangan dan pembayaran seluler (Aslam, Ham, & Farhat, 2019). Menurut

model ECM, setelah konsumen memutuskan untuk melakukan penerimaan suatu situs

jejaring sosial diikuti dengan penggunaannya, mereka menilai persepsi kinerja layanan.

Setelah kinerja yang dirasakan melebihi harapan awal, itu akan membentuk kepuasan

dan mengarah pada pembentukan niat berkelanjutan untuk menggunakan layanan. Jika
kinerja yang dirasakan kurang dari harapan awal, hal itu menyebabkan ketidakpuasan

dan penghentian penggunaan (Sreelakshmi & Prathap, 2020).

Continuance Use Intention (CUI) dalam model ECM dipengaruhi oelh empat

faktor yaitu, kepuasan pengguna dengan target suatu sistem informasi (satisfaction),

konfirmasi harapan pengguna (confirmation), harapan pasca-adopsi (perceived

usefulness) dan kenyamanan (perceived enjoyment). ECM berfokus pada ekspektasi

pasca-adopsi daripada ekspektasi pra-adopsi karena ekspektasi pasca-adopsi memiliki

efek yang lebih menonjol pada keberlanjutan penggunaan suatu sistem. Harapan pasca-

adopsi diwakili oleh kegunaan yang dirasakan (perceived usefulness) yang dinilai dari

prediksi yang kuat dan konsistensi penggunaan sistem informasi (Kim B. , 2011).

Sejumlah penelitian yang berkaitan dengan keberlanjutan sistem informasi telah

menyarankan bahwa harapan pasca-adopsi sebuah sistem diwakili oleh perceived

usefulness dan perceived enjoyment, karena pengguna termotivasi secara intrinsik dan

ekstrinsik. Menurut teori motivasi sistem informasi motivasi ekstrinsik dapat ditangkap

oleh perceived usefulness sedangkan perceived enjoyment adalah intrinsik. (Davis,

Bagozzi, & Warshaw , 1992). (Van der Heijden, 2004) menganggap bahwa perceived

enjoyment merupakan pendorong utama dalam continuance use intention, karena pada

saat pengguna merasa nyaman pada suatu sistem informasi mereka cenderung akan

menggunakannya lagi.

Dsamping itu, ECM menyatakan bahwa faktor kepuasan pengguna (Satisfaction)

juga merupakan faktor penting dalam membentuk niat keberlanjutan pengguna (Kim B. ,

2010). Kepuasan terkait dengan niat kelanjutan menggunakan aplikasi ketika pengguna

merasakan ada manfaat dalam menggunakan aplikasi tersebut (Susanto, Chang, & Ha,

2016). Kepuasan pengguna (satisfaction) mengacu pada evaluasi keseluruhan dari sistem

informasi yang menggambarkan respon emosi pengguna mengenai target sistem

informasi (Lam, Shankar, & Erramilli, 2004). Bukti empiris tentang niat keberlanjutan

sistem informasi mendukung bahwa kepuasan pengguna (satisfaction) merupakan faktor

utama dari niat keberlanjutan penggunaan suatu sistem informasi (Thong, Hong, & Tam,

2006).

Beberapa penelitian sebelumnya yang menggunakan model ini menyatakan bahwa

ekspektasi pengguna sebelum mengadopsi sebuah sistem informasi dan konfirmasi pada

ekspektasi pengguna setelah menggunakan memiliki dampak yang besar pada kepuasan

pengguna (satisfaction), dimana kepuasan pengguna sangat berpengaruh pada niat

keberlanjutan pengguna pada sebuah sistem informasi (Wicaksono, 2016). Selain itu,

teori penerimaan dan penggunaan teknologi terpadu mengakui norma subjektif

(subjective norms) sebagai faktor kunci dalam menganalisa niat keberlanjutan

penggunaan sebuah sistem informasi (Venkatesh, Morris, & Davis , 2003). ECM adalah

model kuat yang memprediksi faktor kunci dari kelangsungan sistem informasi, tetapi

dampak dari norma sosial yang dirasakan pada kelangsungan sistem informasi akan

sangat sulit untuk diselidiki. Dengan demikian, model teoritis yang mengintegrasikan

norma sosial dan ECM dikembangkan disini dalam upaya untuk memahami faktor faktor

kunci dari niat keberlanjutan penggunaan situs jejaring sosial (Kim B. , 2010). Secara

khusus situs jejaring sosial umumnya digunakan dalam konteks sosial, penyertaan norma

subjektif, seperti pengaruh interpersonal dan media tampaknya sangat diperlukan. Norma

subjektif mengacu pada persepsi individu tentang pendapat orang-orang untuk

melakukan atau tidak melakukan sesuatu. Beberapa penelitian telah menggambarkan

norma subjektif dibentuk oleh pengaruh interpersonal dan media. Dalam lingkungan

penggunaan sistem informasi, norma subjektif memainkan peran penting dalam

membentuk niat keberlanjutan pengguna suatu sistem informasi (Kim B. , 2011).

 LinkedIn merupakan
Gambar situs jejaring
1.1 Persentase sosialdiprofessional
pengguna populer,
berbagai platform dibuktikan
sosial media pada

gambar di atas, LinkedIn menduduki peringkat ke sebelas dalam kategori platform media

sosial yang banyak digunakan di indonesia dalam survei yang dilakukan We Are Social

(Riyanto, 2022). Menurut (Skeels & Grudin, 2009) pengguna LinkedIn terbagi menjadi 3

kelompok yaitu, mahasiswa dengan rentang usia kurang dari 25 tahun, pekerja muda usia

26-35 tahun, dan pekerja yang lebih tua dengan usia 36 dan di atasnya. Kelompok kedua

menganggap LinkedIn paling berguna karena banyak menenmukan benefit didalamnya.

Pengguna LinkedIn semakin hari semakin bertambah, hal ini ditandai dengan

posisi Jakarta dan sekitarnya yang menempati peringkat ke-4 sebagai wilayah yang

paling terhubung di LinkedIn (Nurrahman , 2017).. Pertambahan jumlah pengguna yang

semakin meningkat pada LinkedIn dengan berbagai kebutuhan, tentunya diawali dengan

berbagai niat penggunanya. Berbagai macam niat awal pengguna LinkedIn seperti untuk

bertukar pengetahuan, mencari kontak terpercaya dan memanfaatkan peluang dengan

jaringan professional yang lebih luas. Perbedaan LinkedIn dengan situs jejaring sosial

lain seperti Facebook adalah Facebook lebih fokus pada sosialisasi sedangkan LinkedIn

lebih berfokus pada menciptakan hubungan bisnis yang professional. Selain itu sebagai

contoh dibandingkan dengan timeline Facebook, profil LinkedIn terlihat lebih bersih dan

lebih faktual, dengan hanya satu gambar formal dan teks sebagian besar disusun dalam

bentuk daftar. Situs ini secara eksplisit melarang segala bentuk ekspresi diri atau
keterikatan emosional, karena sinyal ini dapat merusak citra profesional seseorang

(Dijck, 2013).

LinkedIn hadir sebagai situs jejaring sosial yang dikenal professional dalam

mencari pekerjaan dan membangun koneksi bisnis para penggunanya. Berbeda dengan

situs jejaring sosial pencari kerja pada umumnya, LinkedIn memberikan fitur kolom

keahlian dan minat, sehingga para pengguna lain yang memiliki keahlian dan minat yang

serupa dapat terhubung secara otomatis. Dengan begitu, segala informasi mengenai

pekerjaan yang berkaitan dengan keahlian pengguna akan saling terhubung. Tentu hal ini

bukan hanya memudahkan para pencari kerja, namun juga memudahkan para pencari

karyawan untuk melihat dan memilih calon karyawan sesuai dengan kualifikasi yang

diinginkan. Walaupun LinkedIn menjadi situs jejaring sosial professional yang unggul

manajemen perusahaan juga harus tetap memperbaharui fitur-fitur yang diinginkan oleh

penggunanya karena jika manajemen perusahaan gagal untuk berinovasi maka LinkedIn

akan mengalami penurunan jumlah pengguna (Chandra F. S., 2017).

Jumlah pengguna LinkedIn lebih dari 660 juta di 200 negara (Davis, Wolff, Forret,

& Sullivan, 2020) , sedangkan di Asia Tenggara, Indonesia menjadi negara pendorong

pertumbuhan terbesar dengan jumlah penggunanya mencapai 8 juta dan terus bertambah.

Sedangkan berdasarkan data pada website LinkedIn pengguna dari kalangan mahasiswa

Universitas Islam Negeri Syarif Hidayatullah Jakarta sekitar 21.039 pengguna tentunya

jumlah yang cukup rendah jika dibandingkan dengan jumlah penguna LinkedIn di

Indonesia. Tercatat di Pangkalan Data Pendidikan Tinggi Kementerian Pendidikan,

Kebudayaan, Riset dan Teknologi, jumlah mahasiswa Universitas Islam Negeri Syarif

Hidayatullah Jakarta yang aktif mencapai 41.280 mahasiswa pada tahun (2021), yang

sebagian besar mengetahui situs jejaring sosial LinkedIn. LinkedIn diluncurkan pada 5
 Mei 2003 yang merupakan aplikasi mobile yang dapat diunduh secara bebas pada semua

platform (Agazzi, 2020).

Dari latar belakang yang telah diuraikan, peneliti ingin menganalisis pengguna

situs jejaring sosial LinkedIn di kalangan mahasiswa Universitas Islam Negeri Syarif

Hidayatullah Jakarta. Sehingga peneliti mengambil judul “Analisis Continuance Use

Intention Pada Situs Jejaring Sosial LinkedIn dengan menggunakan Expectation

Confirmation Model (ECM) (Studi Kasus : UIN JAKARTA)”.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah dipaparkan oleh penulis, maka dapat

diidentifikasi permasalahan yaitu sebagai berikut :

a. Pentingnya memahami Continuance Use Intention (CUI) untuk meningkatkan

pengguna

b. Banyaknya kompetitor yang memungkinkan pengguna beralih ke situs jejaring sosial

lain

c. Tantangan untuk mempertahankan pengguna situs jejaring sosial diantara persaingan

yang ketat antar penyedia situs jejaring sosial

d. Rendahnya jumlah pengguna LinkedIn di Universitas Islam Negeri Syarif

Hidayatullah Jakarta

1.3 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas, perumusan masalah yang

akan dijadikan pembahasan pada penelitian ini adalah:

“Faktor – faktor apa saja yang mempengaruhi Continuance Use Intention (CUI) atau niat

keberlanjutan pengguna pada situs jejaring seosial LinkedIn di kalangan mahasiswa

Universitas Islam Negeri Syarif Hidayatullah Jakarta ?”

1.4 Tujuan Penelitian

 Tujuan pada penelitian ini yaitu menganalisis niat keberlanjutan pengguna

dengan menggabungkan variabel norma subjektif ke dalam ECM agar dapat mengetahui

faktor-faktor atau alasan apa saja yang mempengaruhi penggunaan situs jejaring sosial

LinkedIn secara terus menerus sehingga bisa dijadikan sebagai acuan bagi pengembang

situs jejaring sosial lainnya.

1.5 Ruang Lingkup dan Batasan Penelitian

Pembatasan suatu masalah digunakan untuk menghindari adanya penyimpangan

maupun pelebaran pokok masalah agar penelitian tersebut lebih terarah dan memudahkan

dalam pembahasan sehingga tujuan penelitian akan tercapai. Beberapa batasan masalah

dalam penelitian ini adalah sebagai berikut:

a. Responden penelitian adalah mahasiswa semester akhir di Universitas Islam

Negeri Syarif Hidayatullah Jakarta yang menggunakan situs jejaring sosial

LinkedIn

b. Model yang digunakan pada penelitian ini adalah Expectation Confirmation

Model (ECM) dengan variabel satisfaction (S), perceived usefulness (PU),

perceived enjoyment (PE) confirmation (C), continuance use intention (CUI),

dan variabel tambahan yaitu interpersonal influence (II), dan media influence

(MI)

c. Penelitian ini menggunakan metode kuantitatif dengan teknik Purposive

Sampling untuk penyebaran kuesioner.

d. Penelitian ini menggunakan 5 point skala likert untuk menyusun pengukuran

terhadap situs jejaring sosial LinkedIn

 e. Pengumpulan data dilakukan dengan cara survei dengan penyebaran secara

tidak langsung melalui fitur Google Forms

f. Peneliti menggunakan pendekatan PLS-SEM dengan bantuan aplikasi

SmartPLS versi 3.0

1.6 Model Penelitian

Model dari penelitian ini terdapat pada gambar 1.2 yang merupakan model yang

diteliti oleh (Bhattacherjee, 2001), yaitu model Expectation Confirmation Model (ECM)

yang memiliki 5 variabel yaitu Satisfaction (S), Perceived Usefulness (PU), Perceived

Enjoyment (PE), Confirmation (C), Continuance Use Intention (CUI). Selanjutnya

peneliti memodifikasi dengan menambah 2 variabel yaitu Interpersonal Influence (II),

dan Media Influence (MI).

Gambar 1.2 Model penelitian

1.7 Hipotesis Penelitian

Berdasarkan beberapa faktor yang terdapat pada model yang digunakan

sebagaimana dapat dilihat pada gambar 1.2, maka terdapat 10 faktor yang dapat

diasumsikan dapat saling memperngaruhi diantaranya :

 H1. Apakah variabel Confirmation (C) berpengaruh secarta signifikan terhadap

variabel Perceived Usefulness (PU)?

H2. Apakah variabel Confirmation (C) berpengaruh secarta signifikan terhadap

variabel Perceived Enjoyment (PE)?

H3. Apakah variabel Confirmation (C) berpengaruh secarta signifikan terhadap

variabel Satisfaction (S)?

H4. Apakah variabel Media Influence (MI) berpengaruh secarta signifikan

terhadap variabel Continuance Use Intention (CUI)?

H5. Apakah variabel Interpersonal Influence (II) berpengaruh secarta signifikan

terhadap variabel Continuance Use Intention (CUI)?

H6. Apakah variabel Perceived Usefulness (PU) berpengaruh secarta signifikan

terhadap variabel Satisfaction (S)?

H7. Apakah variabel Perceived Usefulness (PU) berpengaruh secarta signifikan

terhadap variabel Continuance Use Intention (CUI)?

H8. Apakah variabel Perceived Enjoyment (PE) berpengaruh secarta signifikan

terhadap variabel Satisfaction (S)?

H9. Apakah variabel Perceived Enjoyment (PE) berpengaruh secarta signifikan

terhadap variabel Continuance Use Intention (CUI)?

H10. Apakah variabel Satisfaction (S) berpengaruh secarta signifikan terhadap

variabel Continuance Use Intention (CUI)?

1.8 Metodologi Penelitian

Penelitian ini menggunakan metode kuantitatif (Sugiyono, 2013). Metode

pengumpulan data dilakukan melalui survei dengan menyebarkan kuesioner. Kuesioner

dirancang dalam bentuk pertanyaan terbuka berdasarkan variabel serta indikator pada

model ECM. Model Expectation Confirmation Model (ECM) dijadikan model penelitian
 untuk menjadi sumber rumusan beberapa hipotesis. Hipotesis-hipotesis ini kemudian akan

diuji dengan data-data yang dikumpulkan dari kuesioner yang didapatkan dari responden.

Selain itu, peneliti juga melakukan studi literatur untuk memperkuat hipotesis yang dibuat

dengan teori-teori yang ada maupun dari penelitian terdahulu.

Responden pada penelitian ini adalah pengguna aplikasi LinkedIn yang

berstatus sebagai mahasiswa aktif semester akhir Universitas Islam Negeri Syarif

Hidayatullah Jakarta. Teknik pengambilan sampel yang dilakukan pada penelitian ini

adalah teknik purposive sampling (Taheerdoost, 2016) dimana yang dapat mengisi

kuesioner penelitian ini adalah mahasiswa yang sudah menjadi pengguna aplikasi

LinkedIn. Selanjutnya, kuesioner disebarkan kepada responden secara tidak langsung,

penyebaran secara tidak langsung dilakukan dengan menyebarkan link melalui media

sosial seperti Whatsapp, Line maupun Instagram dengan bantuan Google Forms untuk

pengisiannya. Kemudian, semua hasil kuesioner ini akan diklasifikasikan dengan

menggunakan perangkat lunak pengolah angka Microsoft Excel 2020. Proses analisis data

dilakukan menggunakan pendekatan PLS-SEM dengan bantuan aplikasi SmartPLS versi

3.0 (Ringle, Silva, & Bido, 2014). Hasil dari analisis data ini kemudian diinterpretasikan

menjadi sebuah kesimpulan yang dibuat sesuai dengan pertanyaan penelitian yang telah

dibahas sesuai dengan batasan penelitian yang ada.

1.9 Manfaat Penelitian

Melalui penelitian ini diharapkan dapat diperoleh manfaat sebagai berikut:

1. Manfaat teoritis

Hasil penelitian ini diharapkan dapat memberikan manfaat bagi dunia pendidikan

khususnya mengenai pengukuran niat keberlanjutan penggunaan suatu sistem

informasi.

2. Manfaat Praktis
 a. Hasil penelitian ini diharapkan agar menjadi referensi dalam pengembangan

ilmu maupun penelitian pada program studi sistem informasi khususnya dalam

tema analisis niat keberlanjutan penggunaan suatu sistem informasi

b. Hasil penelitian ini diharapkan dapat menjadi bahan acuan sebagai masukan

untuk pengembang aplikasi LinkedIn untuk dapat mengoptimalkan

pengembangan aplikasi berdasarkan hasil penelitian guna mengambil

keputusan yang lebih baik.

1.10 Sistematika Penulisan

Laporan dari penelitian ini terdiri dari 5 (lima) bab. Berikut gambaran umum

pokok pembahasan yang akan dibahas dalam setiap bab tersebut :

BAB I PENDAHULUAN

Pada bab ini akan diuraikan latar belakang, perumusan masalah,

batasan masalah, manfaat penelitian, metodologi penelitian, dan

sistematika penulisan.

BAB II LANDASAN TEORI

Pada bab ini akan diuraikan teori-teori relevan terkait analisis niat

keberlanjutan penggunaan situs jejaring sosial LinkedIn, menjabarkan

seluruh teori pendukung dalam penelitian ini.

BAB III METODOLOGI PENELITIAN

Pada bab ini akan diuraikan mengenai metodologi maupun model yang

digunakan dalam penelitian ini.

BAB IV HASIL DAN PEMBAHASAN

Pada bab ini akan diuraikan hasil yang diperoleh dari analisis niat

keberlanjutan penggunaan situs jejaring sosial LinkedIn.

BAB V PENUTUP

Pada bab ini akan diuraikan kesimpulan dari uraian yang telah

dituangkan pada bab sebelumnya serta saran yang dapat digunakan

sebagai dasar developer untuk melakukan pengembangan selanjutnya.

BAB II

LANDASAN TEORI

2.1 Definisi Analisis

Analisis adalah studi tenatang sistem yang telah ada untuk tujuan merancang

sistem baru atau memperbaharui sistem yang sudah ada (McLeod, 2007). Sedangkan

(Gaol, 2008) berpendapat, analisis adalah proses pengembangan sistem informasi

yang lengkap dengan tujuan untuk mengidentifikasi dan mengevaluasi masalah,

peluang, hambatan yang dihadapi dan kebutuhan yang diharapkan sehingga dapat

disarankan perbaikan untuk kedepannya.

Menurut (Laudon & Laudon, 2012), analisis sistem terdiri dari

mengidentifikasi masalah, mengidentifikasi penyebabnya, mengidentifikasi solusi dan

mengidentifikasi kebutuhan informasi yang diperlukan oleh sistem.

Berdasarkan definisi di atas dapat kita simpulkan bahwa analisis adalah

pemeriksaan terhadap suatu sistem untuk mengetahui masalah dari sistem tersebut

sehingga dapat diberikan perbaikan yang dibutuhkan sistem tersebut.

2.2 Definisi Situs Jejaring Sosial

 Situs jejaring sosial yang dalam bahasa Inggris disebut social network sites

merupakan sebuah web berbasis pelayanan yang memungkinkan penggunanya untuk

membuat profil, melihat daftar pengguna yang tersedia, serta mengundang atau

menerima teman untuk bergabung dalam situs tersebut. Tampilan dasar situs jejaring

sosial ini menampilkan halaman profil pengguna, yang didalamnya terdiri dari

identitas diri dan foto pengguna (Dirgayuza , 2009).

Situs jejaring sosial merupakan sebuah layanan berbasis internet yang

memungkinkan seseorang untuk (1) membuat profil publik maupun semi-publik, (2)

membuat daftar pengguna lain yang memiliki koneksi dengan dirinya, dan (3) melihat

dan membagikan daftar koneksi (daftar pertemanan) tersebut dengan orang lain yang

terdaftar di jejaring sosial tersebut. (Boyd & Ellison, 2008). Dalam bahasa inggris

situs jejaring sosial disebut social networking sites, kata networking menekankan

inisiasi hubungan yaitu membuat teman baru dengan orang yang belum dikenal (Boyd

& Ellison, 2008).

Kemunculan situs jejaring sosial diawali dari adanya inisiatif untuk

menghubungkan orang-orang dari seluruh belahan dunia (Watkins, 2009). Situs

jejaring sosial pertama kali adalah Sixdegrees.com mulai muncul pada tahun 1997.

Pada tahun 1999 dan 2000 muncul situs sosial Lunarstrom, Live jurnal, Cyworld yang

berfungsi memperluas informasi secara searah. Pada tahun 2001 muncul Ryze.com

yang berperan untuk memperbesar jaringan bisnis. Kemudian pada tahun 2002

muncul Friendster yang paling diminati oleh kalangan remaja untuk berkenalan

dengan pengguna lainnya. Di tahun 2004 Facebook muncul sebagai situs jejaring

sosial yang dikenal hingga sekarang yang merupakan salah satu situs jejaring sosial

yang banyak digunakan. Kemudian di susul oleh LinkedIn di tahun 2003 dan twitter

ditahun 2006 lalu, instagram di tahun 2010 (Juditha, 2011).

 Keberadaan situs jejaring sosial ini memudahkan kita untuk berinteraksi

secara mudah dengan orang-orang dari seluruh penjuru dunia dengan biaya yang lebih

murah dibandingkan menggunakan telepon (Aleman & Wartman, 2009). Selain itu,

dengan adanya situs jejaring sosial, penyebaran informasi dapat berlangsung secara

cepat (Lin & Atkin, 2002).

2.3 Perkembangan LinkedIn

LinkedIn adalah jejaring sosial yang berbeda dari jenis jejaring sosial lainnya.

LinkedIn adalah jejaring sosial yang menghubungkan antar profesional, LinkedIn

memberikan wadah untuk menunjukkan kemampuan atau keahlian seseorang. Selain

itu, LinkedIn memiliki fungsi menghubungkan antara pencari kerja dan pencari

karyawan. LinkedIn menduduki posisi ketiga jejaring sosial yang paling banyak

digunakan di seluruh dunia setelah Facebook dan Twitter yang merupakan jejaring

sosial terdahulu muncul di dunia komunikasi. Keunikan dari jejaring sosial LinkedIn

ini adalah pengguna dapat terhubung dengan profesional lainnya yang memiliki

keahlian yang sama. Saat pengguna mempromosikan keahlian dengan mencantumkan

keahliannya pada fitur Skills & Specialties dan jika terdapat pengguna lainnya yang

memiliki keahlian sama maka secara otomatis keduanya akan saling tahu dan

terhubung. Sehingga informasi seperti lowongan pekerjaan, artikel, iklan, dan fitur

lainnya akan saling terhubung satu sama lainnya. (Chandra F. S., 2017).

LinkedIn adalah jejaring sosial profesional yang didirikan pada desember

2002 dan telah diluncurkan pada tanggal 5 Mei 2003, Linkedin adalah sebuah bisnis

layanan jaringan sosial dimana keuntungan penggunaannya bagi para professional

 yaitu membangun networking dan menciptakan brand di lingkungannya baik secara

personal maupun group (Martono , Maulani, & Pujianingsih, 2017).

Linkedin bisa dijadikan fokus untuk mendapat jaringan profesional dan

pengembangan karir. Tidak seperti kebanyakan jejaring sosial lainnya, Linkedin telah

dirancang untuk membantu dalam membuat koneksi bisnis, berbagi pengalaman dan

mencari pekerjaan (Andri, 2017). Dengan lebih dari 650 juta pengguna yang tersebar

di seluruh dunia, Linkedin adalah saluran terpenting untuk mendistribusikan informasi

terkait bisnis dan alat pilihan bagi eksekutif pemasaran dan manajemen untuk

menemukan konten berkualitas yang relevan (Wang & Li, 2019).

2.4 Definisi Sistem Informasi

2.4.1 Sistem

Menurut Jogiyanto dalam (Arifin, 2018), sistem merupakan suatu

jaringan kerja dari beberapa prosedur yang saling berhubungan, berkumpul

dan bekerjasama untuk melakukan suatu kegiatan agar dapat menyelesaikan

suatu tujuan tertentu.

Sedangkan Kadir menyatakan bahwa sistem adalah sekumpulan elemen yang

saling terkait atau terpadu yang dimaksudkan untuk mencapai suatu tujuan

(Kadir, 2014).

Menurut O’Brien dan Marakas, sistem adalah kumpulan komponen

yang saling berhubungan dengan batasan yang jelas bekerja sama untuk

mencapai tujuan dengan menerima input dan menghasilkan output dalam

suatu proses yang terorganisasi (O'Brien & Marakas, 2009).

Sistem menurut Romney dan Steinbart, adalah rangkaian dari dua atau

lebih komponen-komponen yang saling berhubungan, yang berinteraksi untuk

 mencapai suatu tujuan. Sebagian besar sistem terdiri dari subsistem yang lebih

kecil yang mendukung sistem yang lebih besar (Romney & Steinbart, 2015).

Jadi, sistem informasi adalah sekumpulan komponen pembentuk

sistem yang mempunyai keterkaitan antara satu komponen dengan komponen

lainnya yang bertujuan menghasilkan suatu informasi dalam bidang tertentu.

2.4.2 Informasi

Menurut Romney dan Steinbart, informasi (information) adalah data

yang telah dikelola dan di proses untuk memberikan arti dan memperbaiki

proses pengambilan keputusan. Sebagaimana perannya, pengguna membuat

keputusan yang lebih baik sebagai kuantitas dan kualitas dari peningkatan

informasi (Romney & Steinbart, 2015).

Menurut Sutanta, informasi merupakan hasil pengolahan data sehingga

menjadi bentuk yang penting bagi penerimanya dan mempunyai kegunaan

sebagai dasar dalam pengambilan keputusan yang dapat dirasakan akibatnya

secara langsung saat itu juga atau secara tidak langsung pada saat mendatang

(Sutanta, 2011).

Menurut Agus Mulyanto, informasi adalah data yang diolah menjadi

bentuk yang lebih berguna dan lebih berarti bagi yang menerimanya,

sedangkan data merupakan sumber informasi yang menggambarkan suatu

kejadian yang nyata (Mulyanto, 2009). Dan kualitas informasi ditentukan oleh

tiga faktor yaitu:

a. Akurasi (accuracy)
 Sebuah informasi harus akurat karena adanya kemungkinan gangguan

yang dapat mengubah atau merusak informasi saat diterima oleh

penerima informasi. Informasi tidak boleh bias atau menyesatkan,

bebas dari kesalahan dan menjelaskan maksudnya dengan baik.

b. Tepat Waktu (timeless)

Informasi yang dihasilkan dari sebuah proses tidak boleh datang

terlambat karena informasi yang datang terlambat tidak akan

mempunyai nilai yang baik. Ini karena informasi dijadikan sebagai

landasan dalam pembuatan keputusan untuk sebuah organisasi atau

perusahaan. Keterlambatan informasi dapat berakibat pada

pengambilan keputusan.

c. Relevansi (relevanxy)

Informasi akan dikatakan bernilai jika informasi tersebut bermanfaat

bagi penerimanya. Relevansi ini tentu saja berbeda untuk setiap

individunya

2.4.3 Sistem Informasi

Menurut Kadir, sistem informasi adalah sebuah rangkaian prosedur

formal dimana data dikelompokkan, diproses menjadi informasi, dan

didistribusikan kepada pemakai (Kadir, 2014).

Menurut (Krismaji, 2015) sistem informasi adalah cara-cara yang

diorganisasi untuk mengumpulkan, memasukkan, dan mengolah serta

menyimpan data, dan cara-cara yang diorganisasi untuk menyimpan,

mengelola, mengendalikan, dan melaporkan informasi sedemikian rupa

sehingga sebuah organisasi dapat mencapai tujuan yang telah ditetapkan.

 Sedangkan menurut (Gelinas, Dull, & Wheeler, 2012) sistem informasi

adalah sebuah sistem buatan manusia yang secara umum terdiri dari

sekumpulan yang terintegrasi dari komponen berbasis komputer dan susunan

komponen manual untuk mengumpulkan, menyimpan, dan mengelola data

untuk menyediakan hasil informasi kepada pengguna. Menurut Whitten dalam

(Jeffry, 2004) mengemukakan bahwa sistem informasi ialah pengaturan orang,

data, proses dan teknologi informasi yang berinteraksi untuk mengumpulkan,

memproses, menyimpan, dan menyediakan sebagai output informasi yang

diperlukan untuk mendukung sebuah organisasi.

Dari beberapa pengertian di atas, dapat disimpulkan bahwa sistem

informasi adalah kumpulan data yang terintegrasi dan saling melengkapi

dengan menghasilkan output yang baik guna untuk memecahkan masalah dan

pengambilan keputusan

2.5 Expectation-Confirmation Model

Expectation-Confirmation Model (ECM) merupakan model yang

dikembangkan oleh Bhattacherjee pada penelitiannya yang berjudul

Understanding Information Systems Continuance: An Expectation-Confirmation

Model (Nematollahi et al, 2017). ECM berasal dari Expectation Disconfirmation

Theory (EDT) yang dikembangkan oleh (Oliver, 1980) EDT berpendapat bahwa

harapan dan kinerja yang dirasakan pelanggan dapat mengarah pada kepuasan

pasca pembelian dan dengan demikian memengaruhi niat pelanggan untuk

melakukan pembelian ulang (Hsu & Lin, 2015).

Bhattacherjee mengusulkan ECM sebagai model untuk memprediksi IT

continuance berdasarkan kesesuaian antara keputusan individu untuk melanjutkan

penggunaan mereka terhadap sebuah IT dan keputusan pelanggan untuk

melakukan pembelian berulang (Lee, 2010). Kemiripan antara keduanya

dikarenakan kedua keputusan tersebut mengikuti keputusan awal, dipengaruhi

oleh penggunaan awal, dan berpotensi mengubah keputusan awal tersebut

(Bhattacherjee, 2001, Hsu & Lin, 2015)

Dalam mengadaptasi EDT pada kasus yang secara spesifik membicarakan

continuance use dari produk dan layanan IT, Bhattacherjee mengusulkan beberapa

ekstensi dan modifikasi pada model asli EDT. Salah satu usulan modifikasi

tersebut adalah mengganti ekspektasi yang digunakan pada EDT menjadi

perceived usefulness. Perubahan ini dikarenakan ekspektasi pada EDT hanya

berfokus pada ekspektasi pra-konsumsi, sementara ekspektasi pasca konsumsi,

menurut Bhattacherjee, dapat berubah seiring dengan waktu (Chen, Wang, &

Chen, Assessing the impact of determinants in E-Magazines acceptance : An

empirical study, 2017) Oleh karenanya, pada ECM, eksptektasi direpresentasikan

oleh perceived usefulness. Digunakannya perceived usefulness sebagai pengganti

ekspektasi adalah karena variabel ini merupakan satu-satunya variabel yang secara

konsisten mempengaruhi niat pengguna di seluruh tahap temporal penggunaan

teknologi informasi (Bhattacherjee, 2001). Selain perceived usefulness, indikator

lain seperti perceived enjoyment, confirmation, satisfaction, dan continuance intention

membentuk model IT continuance yang dikembangkan oleh Bhattacherjee ini

(Lai, Chen, & Chang, 2016). Hubungan antara keempat variabel tersebut dapat

dilihat pada Gambar 2.2. di bawah ini.

 Gambar 2. 2 Expectation-Confirmation Model (ECM) (Bhattacherjee,

Understanding Information Systems Continuance: An

Expectation-Confirmation Model, 2001)

Berdasarkan Gambar 2.2 di atas, perceived usefulness mempengaruhi

satisfaction bersama dengan confirmation. Hal ini dikarenakan ekspektasi atau

perceived usefulness merupakan dasar pengguna mengevaluasi suatu teknologi

informasi dan menentukan respons atau kepuasan evaluatif mereka. Evaluasi ini

kemudian memberikan sebuah konfirmasi bagi pengguna apakah teknologi

informasi yang digunakan sesuai dengan ekspektasi mereka atau tidak (Lai, Chen,

& Chang, 2016).

Konfirmasi atas kesesuaian produk atau jasa dengan ekspektasi yang dimiliki

pengguna akan memicu kepuasan di dalam diri pengguna, yang mana menjelaskan

hubungan variabel confirmation dengan satisfaction yang ada pada ECM. Rasa puas

ini kemudian dapat memicu niat pengguna untuk menggunakan produk atau jasa yang

sama di kemudian hari (Lai, Chen, & Chang, 2016).

2.5.1 Perceived Usefulness (PU)

Perceived usefulness adalah persepsi pengguna tentang manfaat

yang dapat diharapkan dari penggunaan suatu teknologi informasi (Hsu &

Lin, 2015). Menurut (Davis F. D., 1989) perceived usefulness mengacu

pada sejauh mana pengguna menanggap bahwa menggunakan Sistem

 Informasi akan meningkatkan kinerja mereka. Perceived usefulness adalah

persepsi subjektif pengguna tentang manfaat yang diharapkan dari

pengguna IS dan bukan penilaian objektif. Jika penggunaan IS berguna,

pengguna cenderung terus menggunakannya. Dalam Expectation

Confirmation Model (Bhattacherjee, 2001) mengemukakan bahwa

Perceived usefulness dapat diterapkan dalam konteks kelanjutan IS, dan

hubungan antaranya dapat didukung oleh bukti empiris. Semakin tinggi

besar pengguna merasakan manfaat suatu layanan, semakin tinggi

kepuasan pengguna.

2.5.2 Perceived Enjoyment (PE)

Perceived Enjoyment dapat diartikan sebagai perasaan yang

menggambarkan sejauh mana aktivitas penggunaan suatu sistem dapat

memberikan kesenangan dan kenyamanan dalam dirinya sendiri pada saat

berinteraksi dengan teknologi informasi (Avornyo, Fang, Odai, Vondee, &

Nartey, 2019). Perceived Enjoyment dianggap sebagai motivasi intrinsik

sebagai faktor penting dalam penggunaan suatu sistem, motivasi intrinsik yang

menegaskan proses penggunaan dan mencerminkan kesenangan dan

kenyamanan terkait dengan penggunaan sistem tersebut (Davis, Bagozzi, &

Warshaw , 1992). Penelitian (Jusuf, Utami, Hidayanto, & Shihab, 2017)

menghasilkan bahwa perceived enjoyment memiliki efek yang signifikan

terhadap continuance use intention.

2.5.3 Confirmation (C)

Berdasarkan teori disonansi kognitif (Festinger, 1962),

(Bhattacherjee, 2001) menjelaskan bahwa confirmation dapat

 mempromosikan manfaaat yang dirasakan oleh pengguna. Banyak

penelitian telah memverifikasi secara empiris bahwa confirmation

merupakan prediktor signifikan dari perceived usefulness atau manfaat

yang dirasakan dalam konteks penggungaan Sistem Informasi (Lin, Wu, &

Tsai, 2005). Pada penelitian sebelumnya dalam penggunaan Sistem

Informasi telah memverifikasi hubungan positif antara confirmation

dengan perceived usefulness dan satisfaction (Bhattacherjee, 2001).

2.5.4 Satisfaction (S)

Satisfaction adalah evaluasi dari pengalaman uji coba awal

pengguna dengan layanan. Evaluasi ini dapat berupa perasaan positif atau

kepuasan, ketidak pedulian, dan perasaan negatif atau ketidak puasan (Hsu

& Lin, 2015). Satisfaction telah menjadi topik penelitian inti dalam Sistem

informasi. Menurut Expectation-Disconfirmation Theory, kepuasan

mencerminkan keadaan psikologis pengguna yang dihasilkan dari

penilaian kognitif diskonfirmasi (Bhattacherjee, 2001). Pada penelitian

(Sheldon, Abad, & Hinsch, 2011) menunjukkan bahwa satisfaction

berhubungan positif terhadap Continuance Use Intention pada penggunaan

Facebook .

2.5.5 Continuance Use Intention (CUI)

Continuance use intention adalah tingkat di mana pengguna

bermaksud untuk terus menggunakan suatu teknologi informasi (Hsu &

Lin, 2015). Continuance Use Intention (CUI) merupakan kelanjutan dari

perilaku penerimaan ( Bhattacherjee, 2001). Pelanggan membentuk

pendapat setelah pertama kali menggunakan sistem dan kemudian

merasakan kegunaan sistem. Niat kelanjutan dapat ditentukan sebagai

 proses untuk terus mempertahankan bisnis dan menggunakan kembali

produk atau jasa dari suatu organisasi (Abbas & Hamdy, 2015).

2.6 Subjective Norm

Norma subjektif (subjective norm) adalah persepsi atau pandangan seseorang

terhadap kepercayaan-kepercayaan orang lain yang akan mempengaruhi minat untuk

melakukan atau tidak melakukan suatu perilaku (Ajzen, 1991). Norma subjektif

merupakan fungsi dari harapan yang dipersepsikan individu dimana satu atau lebih

orang di sekitarnya (misalnya, saudara, teman sejawat) menyetujui perilaku tertentu

dan memotivasi individu tersebut untuk mematuhi mereka (Ajzen, 1991).

Menurut (Prabandari & Sholihah, 2014), subjective norm adalah suatu

perilaku yang memiliki tujuan untuk membuat atau tidak membuat keputusan

mengenai perilaku baru yang ditentukan berdasarkan tingkat tekanan sosial kepada

seorang individu. Sehingga seseorang akan menunjukkan perilaku yang dapat

diterima oleh orang-orang atau lingkungan yang berada di sekitar individu tersebut.

Seorang individu akan menghindari dirinya menunjukkan suatu perilaku jika

lingkungan disekitarnya tidak mendukung perilaku tersebut.

Kemudian menurut (Jogiyanto, 2007) norma subjektif adalah pandangan

seseorang terhadap kepercayaan-kepercayaan orang lain yang akan mempengaruhi

seseorang tersebut untuk melakukan atau tidak melakukan perilaku yang sedang

dipertimbangkan. Jika seseorang menjadi titik referensi untuk mengarahkan perilaku,

maka disebut dengan referents atau pemberi acuan. Pemberi acuan ini dapat berasal

dari keluarga, teman, pasangan, dosen, praktisi dan sebagainya.

Berdasarkan pengertian di atas dapat disimpulkan bahwa subjective norm yaitu

pengaruh atau tekanan pihak yang memberikan acuan terhadap individu untuk
 menampilkan suatu perilaku tertentu. Penelitian (Bhattacherjee, 2000) dan (Hsu &

Chiu, 2004) sepakat bahwa subjective norm dibentuk oleh interpersonal influence dan

media influence. Ketika pengguna percaya bahwa menggunakan situs jejaring sosial

adalah ide yang baik, maka itu dapat meningkatkat niat untuk terus menggunakannya

(Kim B. , 2011).

2.6.1 Interpersonal Influence

Pengaruh interpersonal dapat didefinisikan pada sejauh mana orang

lain yang relevan dari jaringan sosial mempengaruhi perilaku satu sama lain

(Kim B. , 2011). Pengaruh interpersonal misalnya pengaruh oleh teman,

keluarga dan orang lain yang dianggap penting oleh pengguna (Brown &

Venkatesh, 2005). Pengguna sistem juga dipengaruhi dari mulut ke mulut oleh

teman, kolega dan orang lain yang relevan di jejaring sosial mereka (Kim &

Han, 2009).

2.6.2 Media Influence

Menurut (Jogiyanto, Analisis dan Desain Sistem Informasi :

Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis, 2008), media

influence adalah pengaruh dari pihak luar organisasi seperti televisi, koran,

dan internet. Banyak perusahaan penyedia situs jejaring sosial yang telah

memanfaatkan pengaruh media ini dengan melakukan pemasaran dan promosi

melalui media massa seperti televisi, surat kabar, dan internet dengan modal

yang banyak dan upaya yang signifikan untuk menarik pengguna baru dan

mempertahankan pengguna yang ada (Brown & Venkatesh, 2005).

2.7 Metode Pengumpulan Data

Menurut (Setiawan, 2016) pengumpulan data yaitu cara yang dapat dilakukan
oleh peneliti untuk memperoleh informasi yang dibutuhkan dalam rangka

mencapai tujuan dalam suatu penelitian. Peneliti melakukan beberapa cara dalam

melakukan pengumpulan data, yaitu dengan melakukan observasi, wawancara,

studi pustaka, dan kuesioner.

1. Observasi

Observasi adalah metode pengumpulan data yang banyak dilakukan dalam

desain eksperimentasi (laboratorium dan lapangan) dan studi kasus

kualitatif (etnografi, eksplorasi dan partisipan observatory) (Abdillah,

2017). Observasi merupakan teknik pengumpulan data dengan langsung

melihat kegiatan yang dilakukan oleh user (Sutabri, 2012)

2. Wawancara

Wawancara merupakan metode pengumpulan data yang banyak digunakan

dalam penelitian-penelitian eksploratif dan studi lapangan. Pada

prinsipnya, teknik wawancara tidak berbeda dengan teknik kuesioner

dengan format pertanyaan/pertanyaan terbuka. Wawancara bertujuan untuk

mendapatkan informasi atau mengonfirmasi beberapa informs secara

langsung kepada responden atau partisipan (Abdillah, 2017).

3. Studi pustaka

Studi pustaka adalah mengumpulkan data dan informasi dengan cara

membaca dan mempelajari buku-buku, referensi serta situs-situs penyedia

layanan yang berkaitan dengan judul (Nazir, 2005). Sedangkan menurut

Jogiyanto menjelaskan bahwa studi pustaka adalah cara penelitian yang

dilakukan dengan membaca dan mempelajari buku-buku pustaka, dan

website tertentu yang dijadikan pendukung dalam penelitian yang

dilakukan (Jogiyanto, 2005).

4. Kuesioner

Kuesioner merupakan sejumlah pertanyaan atau pernyataan yang harus

dijawab oleh responden (Guritno, Sudaryono, & Rahardja, 2011). Kuesioner

adalah salah satu alat yang digunakan untuk mengumpulkan data dari

responden baik secara langsung maupun tidak langsung.

Berdasarkan prosedurnya, kuesioner dapat dikelompokkan menjadi dua

yaitu kuesioner langsung dan tidak langsung (Raharjo & Gudnanto, 2011).

a. Kuesioner langsung yaitu kuesioner yang langsung diberikan kepada

responden dan tidak menggunakan perantara dalam memperoleh

jawaban.

b. Kuesioner tidak langsung yaitu kuesioner yang diterima oleh

responden menggunakan perantara.

Sementara berdasarkan bentuk pertanyaannya dapat dikelompokkan

menjadi dua yaitu kuesioner terbuka dan tertutup (Rahardjo & Gudnanto,

2011).

a) Kuesioner terbuka (open-ended question) merupakan kuesioner dengan

pertanyaan yang memberikan keleluasan kepada responden untuk

menjawab pertanyaan yang ada sehingga jawaban yang diperoleh akan

bervariasi.

b) Kuesioner tertutup (close-ended question) merupakan kuesioner

dengan pertanyaan yang telah memiliki beberapa macam pilihan

jawaban dan kemudian responden memilih jawaban yang telah

disediakan.
 Kuesioner menurut Kamus Besar Bahasa Infonesia (KBBI) adalah alat

riset atau survei yang terdiri atas serangkaian pertanyaan tertulis, bertujuan

untuk mendapatkan tanggapan dari kelompok orang terpilih melalui

wawancara pribadi melalui pos.

Kuesioner merupakan daftar pertanyaan tertulis yang harus dijawab untuk

responden yang kadang-kadang telah disertai pilihan jawaban untuk

responden. Pengumpulan data dengan kuesioner berbeda dengan wawancara,

karena tidak ada yang menjelaskan secara langsung kepada responden tentang

pertanyaan yang diajukan, sehingga pertanyaan ataupun pertanyaan yang

tertulis pada kuesioner harus jelas dan mudah dimengerti (Widi, 2010).

Menurut (Widi R. K., 2010) ada beberapa cara penyebaran kuesioner

kepada responden, yaitu:

a. Via suat pos

Menyebabkan kuesioner dengan cara mengirimkan kuesioner kepada

responden melalui pos atau yang sejenisnya kepasa responden. Peneliti

harus mengirimkan kuesioner beserta data diri peneliti, tujuan dan

manfaat dari kuesioner tersebut, petunjuk pengisian, jaminan

kerahasian data responden, dan ucapan terima kasih.

b. Kolektif

Menyebarkan kuesioner dengan cara menyebarkannya secara kolektif

pada suatu tempat tertentu. Cara ini memungkinkan peneliti untuk

bertemu secara langsung dengan responden sehingga jika ada

pertanyaan atau pernyataan yang kurang dimengerti, responden dapat

langsung meminta penjelasan kepada peneliti.

 Menurut (Siswanto V. A., 2012) secara umum kuesioner dapat dibagi

menjadi 3 bagian, yaitu sebagai berikut:

a) Pertanyaan tentang fakta

Merupakan pertanyaan yang bertujuan untuk mengetahui kondisi

responden seperti umur, jenis kelamin, pekerjaan dan sebagainya.

b) Pertanyaan tentang pendapat

Merupakan pertanyaan yang bertujuan untuk melihat persentase

setuju/tidak setuju dari responden dan melihat sikap responden dengan

bantuam skor.

c) Pertanyaan tentang persepsi

Merupakan pertanyaan-pertanyaan yang meminta responden untuk

menilai perilakunya dalam hubungannya dengan lingkungan responden

seperti meminta saran dan masukan dari responden

2.8 Skala Likert

Skala Likert merupakan salah satu alat pengukuran yang menghasilkan data

kuantitatif. Skala Likert digunakan untuk mengukur sikap, pendapat, dan persepsi

suatu individu atau kelompok terkait fenomena sosial (Sugiyono, 2015).

Dengan menggunakan skala likert, variable yang akan diukur dijabarkan

menjadi indikator variabel. Selanjutnya, indikator tersebut pertanyaan ataupun

pernyataan. Jawaban dari setiap item instrumen yang digunakan mempunyai tingkatan

dari sangat positif hingga sangat negatif yang biasanya dalam bentuk kata-kata. Untuk

keperluan analisis kuantitatif, jawaban tersebut memiliki skor tersendiri. Pemberian

skor tersebut biasanya bertingkat dengan skor 5 untuk yang jawaban paling positif dan

skor 1 untuk jawaban yang paling negatif (Sugiyono, 2015).

 Berikut adalah contoh dari penggunaan skala likert beserta nilainya

1. Sangat Setuju diberi nilai 5

2. Setuju diberi nilai 4

3. Netral diberi bobot 3

4. Tidak Setuju diberi nilai 2

5. Sangat Tidak Setuju diberi bobot 1

Menurut Black & Champion dalam (Soehartono, 2011), skala likert memiliki

beberapa kelebihan dan kelemahan, yaitu:

Kelebihan Kelemahan

Mudah dibuat dan ditafsirkan Tidak ada arti yang konsisten yang dapat

diberikan pada data mentah yang berasal

dari pengukurannya

Bentuk yang paling umum Diasumsikan bahwa setiap butir dalam skala

mempunyai bobot yang sama sehubungan

dengan butir yang lain. Asumsi ini mungkin

tidak benar

Bersifat luwes Orang yang mempunyai nilai yang sama

mungkin memiliki ciri yang berbeda

Mengukur pada tingkat skala Validitas skala ini masih dipertanyakan

ordinal

2.9 Variabel Penelitian

Menurut (Sugiyono, 2015) variabel adalah segala sesuatu yang berbentuk apa

saja yang ditetapkan oleh peneliti untuk mempelajari sehingga diperoleh informasi
tentang hasil tersebut, kemudian ditarik kesimpulannya. Variabel penelitian

mencermikan karakteristik populasi yang ingin ditelaah. Penelitian kuantitatif

umumnya menggunakan asumsi dan batasan pada faktor tertentu yang diamati dalam

bentuk variabel penelitian.

Menurut (Sangadji & Sopiah, 2010) variabel penelitian dapat diklasifikasikan

berdasarkan beberapa pendekatan, diantaranya sebagai baerikut:

1. Fungsi Variabel

Tipe-tipe variabel dapat diklasifikasikan berdasarkan fungsi variabel dalam

hubungan antara variabel, yaitu:

a. Variabel Independen dan Variabel Dependen

Variabel independen adalah tipe variabel yang menjelaskan atau

mempengaruuhi variabel lain. Variabel dependen adalah tipe variabel

yang dijelaskan atau dipengaruhi oleh variabel independen. Variabel

independen dan variabel dependen merupakan kategori variabel

penelitian yang paling sering digunakan dalam penelitian karena

mempunyai kemampuan aplikasi yang luas.

b. Variabel Moderating

Variabel Moderating merupakan tipe variabel yang mempunyai

pengaruh terhadap sifat atau arah hubungan antara variabel independen

dengan variabel dependen kemungkinan positif atau negative dalam

hal ini tergantung pada variabel moderating.

c. Variabel Intervening

Variabel intervening adalah variabel yang mempengaruhi hubungan

antara variabel independen dengan variabel dependen menjadi

hubungan tidak langsung. Variabel intervening merupakan variabel

 yang terletak antara variabel independen dengan variabel dependen,

sehingga variabel independen tidak langsung menjelaskan atau

mempengaruhi variabel dependen.

2. Skala Nilai Variabel

Variabel umumnya diukur dengan skala dalam kisaran nilai tertentu.

Berdasarkan skala nilainya, variabel penelitian diklasifikasikan menjadi dua,

yaitu:

a. Variabel Kontinu

Variabel kontinu adalah tipe variabel penelitian yang memiliki

kumpulan nilai teratur dalam kisaran tertentu. Nilai dalam variabel

kontinu setidaknya menggambarkan peringkat atau jarak berdasakan

skala pengukuran tertentu.

b. Variabel Kategoris

Variabel kategoris adalah tipe variabel penelitian yang memiliki nilai

berdasarkan kategori tertentu atau lebih dikenal dengan sebutan skala

nominal. Skala nilai pada variabel ini hanya merupakan label untuk

mengidentifikasi kategori atau kelompok variabel yang bersangkutan.

3. Perlakuan terhadap variabel

Karakteristik penelitian eksperimen adalah adanya manipulasi terhadap

variabel tertentu. Manipulasi terhadap hal ini berarti memberikan perlakukan

berbeda kepada kelompok yang berbeda. Klasifikasi variabel berdasarkan

perlakuan penelitian terhadap variabel penelitian bermanfaat perlakuan

peneliti bermanfaat untuk mengetahui perbedaan antara variabel-variabek

yang tidak dimanipulasi

2.10 Populasi dan Sampel

 Populasi adalah semua bagian atau anggota dari objek yang akan diamati.

Populasi dapat berupa orang, benda, objek, peristiwa, ataupun yang menjadi objek

survei. Oleh karena itu, populasi ditentukan oleh topik atau tujuan survei (Eriyanto,

2007). Populasi bukan hanya sekedar jumlah yang ada pada objek yang diamati,

namun juga meliputi seluruh karakteristik atau sifat yang dimiliki oleh suatu objek

tersebut (Sugiyono, 2015).

Berdasarkan sifatnya, populasi dapat dibedakan menjadi dua yaitu populasi

yang bersifat homogen yaitu populasi yang memiliki unsur pembentuk berdasarkan

kesamaan sifat. Sementara populasi yang bersifat heterogen yaitu populasi yang

unsur pembentuk berdasarkan sifat atau keadaan yang beragam sehingga dibutuhkan

batasan baik secara kualitatif maupun kuantitatif (Sukandarrumidi, 2012).

Dengan demikian dapat disimpulkan bahwa populasi adalah kumpulan dari

objek dalam penelitian yang memiliki kesamaan karakteristik tertentu dan dapat

menjadi sumber data.

Sedangkan sampel adalah bagian dari jumlah dan karakteristik yang dimiliki

oleh populasi. Sampel yang baik adalah sampel yang representatif atau benar-benar

mewakili populasinya. Sampel yang tidak representatif dapat memungkinkan terjadi

kesalahan dalam pengambilan kesimpulan terkait populasi tersebut (Sugiyono,

2015).

Dengan demikian, sampel adalah bagian dari populasi yang diambil untuk

menjadi sumber data dalam penelitian dimana sampel tersebut dapat

menggambarkan keadaan populasinya.

2.10.1 Teknik Sampling

 Pada dasarnya tidak ada teknik pengambilan sampel yang paling

sempurna untuk digunakan dalam menganalisis gejala atau fenomena yang

terjadi (Nursiyono, 2015). Teknik pengambilan sampel (sampling) menurut

(Sugiyono, 2012) dikelompokkan menjadi dua, yaitu :

1) Probability Sampling

Probability sampling adalah teknik pengambilan sampel yang

memberikan peluang yang sama bagi seluruh anggota populasi untuk

dapat menjadi anggota sampel (Sugiyono, 2012). Atau dapat diartikan

sebagai teknik pengambilan sampel dengan menggunakan kaidah-kaidah

peluang (Nursiyono, 2015). Teknik ini menurut (Sugiyono, 2012) terdiri

dari beberapa, yaitu :

1. Simple Random Sampling

Pengambilan anggota sampel dari populasi dilakukan dengan cara

acak tanpa memperhatikan strata yang ada pada populasi tersebut.

Teknik ini merupakan teknik yang paling mudah dan dapat

digunakan pada populasi yang memiliki karakteristik relatif

homogen.

2. Proportional Stratified Random Sampling

Teknik ini dapat dilakukan ketika populasi memiliki anggota yang

tidak homogen dan memiliki strata secara proposional.

3. Disproportionate Stratified Random Sampling

Teknik ini dilakukan jika populasi memiliki strata namun kurang

proposional.

4. Cluster Sampling
 Teknik ini digunakan ketika menentukan sampel pada obyek yang

memiliki data atau sumber yang luas. Teknik ini sering dilakukan

dengan dua tahap, yaitu menentukan daerah sampel dan

menentukan orang-orang yang ada pada daerah tersebut secara

sampling.

2) NonProbability Sampling

Nonprobability sampling adalah teknik pengambilan sampel yang

tidak memberi peluang/kesempatan sama bagi setiap unsur atau anggota

populasi untuk dipilih menjadi sampel.

a. Sampling Sistematis

Sampling sistematis adalah teknik pengambilan sampel berdasarkan

urutan dari anggota populasi yang telah diberi nomor urut.

b. Sampling Kuota

Sampling kuota adalah teknik untuk menentukan sampel dari

populasi yang mempunyai ciri-ciri tertentu sampai jumlah (kuota)

yang diinginkan.

c. Sampling Insidental

Sampling insidental adalah teknik penentuan sampel berdasarkan

kebetulan, yaitu siapa saja yang kebetulan/insidental bertemu dengan

peneliti dapat digunakan sebagai sampel, bila dipandang orang yang

kebetulan ditemui itu cocok sebagai sumber data.

d. Sampling Purposive

Sampling purposive adalah teknik penentuan sampel dengan

pertimbangan tertentu. Sampel ini lebih cocok digunakan untuk

 penelitian kualitatif atau penelitian-penelitian yang tidak melakukan

generalisasi.

e. Sampling Jenuh

Sampling jenuh adalah teknik penentuan sampel bila semua anggota

populasi digunakan sebagai sampel. Hal ini sering dilakukan bila

jumlah populasi relatif kecil atau penelitian yang ingin membuat

generalisasi dengan kesalahan yang sangat kecil.

f. Snowball Sampling

Snowball sampling adalah teknik penentuan sampel yang mula-mula

jumlahnya kecil, kemudian membesar. Dalam penentuan sampel,

pertama-tama dipilih satu atau dua orang, tetapi karena dengan dua

orang ini belum merasa lengkap terhadap data yang diberikan, maka

peneliti mencari orang lain yang dipandang lebih tahu dan dapat

melengkapi data yang diberikan oleh dua orang sebelumnya

2.10.2 Ukuran Sampel

Menurut Roscoe dalam (Sugiyono, 2012) penentuan jumlah sampel adalah

sebagai berikut:

1. Ukuran sampel yang layak dalam penelitian adalah antara 30 sampai

dengan 500.

2. Bila sampel dibagi dalam kategori (misalnya: pria-wanita, pegawai

negeri-swasta dan lain-lain) maka jumlah anggota smapel setiap

kategori minimal 30.

3. Bila dalam penelitian akan melakukan analisis dengan multivariate

(korelasi atau regresi ganda misalnya), maka jumlah anggota sampel

minimal 10 kali dari jumlah variabel yang diteliti. Misalnya variabel

 penelitiannya ada 5 (independen + dependen), maka jumlah anggota

sampel = 10 x 5 = 50.

4. Untuk penelitian eksperimen yang sederhana, yang menggunakan

kelompok eksperimen dan kelompok kontrol, maka jumlah angota

sampel masing-masing antara 10 s/d 20.

Selain beberapa teknik penentuan ukuran sampel di atas, penentuan

jumlah sampel juga dapat menggunakan rumus Slovin. Rumus Slovin

biasanya digunakan untuk survei dimana jumlah populasi terlalu besar

sehingga diperlukan sebuah rumus untuk memperkecil jumlah sampel tapi

tetap mewakili populasi secara keseluruhan. Rumus Slovin

mempertimbangkan batas ketelitian yang dapat mempengaruhi kesalahan

dalam pengambilan sampel (Putra, 2018). Rumus slovin adalah sebagai

berikut:

N
n=
(1+ N e2 )

Keterangan:
n = ukuran sampel
N = ukuran populasi
e = error margin (batas ketelitian) yang diinginkan
2.11 Analisis Data-u

Pada penelitian kuantitatif, analisis data merupakan kegiatan setelah data dari

seluruh responden atau sumber data lain terkumpul (Sugiyono, 2015). Kegiatan

dalam analisis data mengelompokkan data berdasarkan variabel dan jenis responden,

mentabulasi data berdasarkan variabel dari seluruh responden, menyajikan data tiap

variabel yang diteliti, serta melakukan perhitungan untuk menjawab rumusan

maslah, dan melakukan perhitungan untuk hipotesis yang dilakukan. Dalam

penelitian ini, peneliti menggunakan metode analisis menggunakan metode

kuantitafi dengan PLS-SEM menggunakan tools SmartPLS versi 3.0.

2.11.1 Metode Kuantitatif

Menurut (Sugiyono, 2015) metode kuantitatif merupakan metode

penelitian yang berkarakteristik sistematis, terencana dan terstruktur dengan

jelas dari tahap perencanaan hingga tahap pembuatan desain penelitiannya.

Menurut (Sarwono, 2013), terdapat beberapa tahapan dalam melakukan

penelitian kuantitatif, yaitu :

a. Mengidentifikasi dan merumuskan masalah yang akan diteliti

b. Membuat hipotesis yang akan diuji

c. Melakukan kajian teori yang relevan

d. Mengidentifikasi dan memberi nama variabel

e. Membuat definisi operasional

f. Memanipulasi dan mengontrol variabel (ini hanya untuk penelitian

eksperimental)

g. Menyusun desain penelitian

h. Mengidentifikasi dan menyusun alat observasi dan pengukuran

i. Membuat kuesioner (jika dibutuhkan data primer)

j. Melakukan analisis statistik

k. Menulis laporan hasil penelitian

Terdapat beberapa keterbatasan dalam melakukan penelitian

kuantitatif (Idris, 2009), yaitu sebagai berikut :

a. Lama dalam proses perencanaan

 b. Sulit memperdalam data

c. Kelemahan angket/skala/tes

2.11.2 Partial Least Square-Structural Equation Modelling (PLS-SEM)

Partial Least Square (PLS) adalah suatu teknik statistik multivariat

yang bisa untuk menangani banyak variabel respon serta variabel

eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik untuk

metode analisis regresi berganda dan regresi komponen utama, karena

metode ini bersifat lebih robust atau kebal. Robust artinya parameter model

tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi

& Kowalski, 1986).

Partial Least Square suatu teknik prediktif yang bisa menangani

banyak variabel independen, bahkan sekalipun terjadi multikolinieritas

diantara variabel-variabel tersebut (Ramzan & Khan, 2010)

PLS pertama kali dikembangkan oleh Heman O. A. Wold dalam

bidang ekonometrik pada tahun 1960-an (Latan, 2012). Menurut Wold, PLS

adalah metode analisis yang powerful sebab tidak didasarkan pada banyak

asumsi atau syarat, seperti uji normalitas dan multikolinearitas. Metode

tersebut mempunyai keunggulan tersendiri antara lain: data tidaklah harus

berdistribusi normal multivariate. Bahkan indikator dengan skala data

kategori, ordinal, interval sampai rasio dapat digunakan. Keunggulan lainnya

adalah ukuran sampel yang tidak harus besar.

PLS-SEM merupakan satu dari berbagai metode yang digunakan untuk

menganalisis dan dinilai cukup kuat karena digunakan pada setiap jenis skala

data (data interval, data nominal, dan rasio) serta syarat asumsi yang
fleksibel (Yamin & Kurniawan, 2011). PLS bertujuan untuk membantu

peneliti dalam mendapatkan nilai variabel laten untuk tujuan prediksi dan

dapat juga digunakan untuk mengkonfirmasi teori (Ghozali & Latan, 2015).

Menurut (Yamin & Kurniawan, 2011) terdapat beberapa alasan mengapa

saat ini PLS-SEM populer digunakan oleh para peneliti dan praktisi, yaitu

sebagai berikut:

1. Algoritma PLS tidak terbatas hanya untuk hubungan antara indikator

dengan konstruk latennya yang bersifat relektif saja tetapi algoritma

PLS juga dapat dipakai untuk hubungan yang bersifat formatif.

2. PLS dapat digunakan untuk menaksir model path dengan sample size

yang kecil.

3. PLS-SEM dapat digunakan untuk model yang sangat kompleks

(terdiri atas banyak variabel laten dan manifes) tanpa mengalami

masalah dalam estimasi data.

4. PLS dapat digunakan ketika distribusi data sangat miring (skew).

Jika SEM yang berbasis kovarian mengharuskan ukuran sampel yang

besar yang dapat mencakup ratusan bahkan ribuan observasi, maka PLS

SEM cukup dengan menggunakan ukuran sampel yang kecil. Ukuran sampel

kecil dengan persyaratan minimal adalah 10 kali dari besarnya indikator

formatif terbanyak yang digunakan untuk mengukur 1 variabel laten atau 10

kali dari jumlah jalur struktural terbanyak yang ditunjukan ke variabel laten

tertentu dalam model struktural. Penelitian yang dilakukan oleh (Chin &

Newsted, 1999)membuktikan hanya dengan menggunakan 20 data mereka

dapat menggunakan PLS SEM yang benar.

 Selain itu PLS-SEM dapat dipandang sebagai gabungan regresi dan

analisis faktor. PLS-SEM tetap dapat menghasilkan estimasi meskipun untuk

ukuran sampel kecil (Sholihin & Ratmono, 2013). PLS meliputi dua tahap

yaitu evaluasi outer model atau pengukuran model dan evaluasi terhadap

inner model atau struktural model (Yamin & Kurniawan, 2011; Hair J. F.,

2012; Afthanorhan, 2013; Wong, 2013; Ringle, Silva, & Bido, 2014):

a. Evaluasi Model Pengukuran (Outer Model)

Evaluasi terhadap pengukuran model meliputi pemeriksaan individual

item reliability, internal consistency atau construct reability, average

variance extraced, dan dicriminant validity. Ketiga pengukuran

pertama dikelompokkan dalam convergent validity. Convergent

validity mengukur besarnya korelasi antara konstrak dengan variabel

laten.

Dalam uji convergent validity dari pemeriksaan individual item

reliability, dapat dilihat dari nilai standarized loading factor.

Standarized loading factor menggambarkan besarnya korelasi antara

setiap item pengukuran (indikator) dengan konstruknya. Nilai loading

factor di atas 0,7 dapat dikatakan ideal, artinya bahwa indikator

tersebut dikatakan valid sebagai indikator yang mengukur konstruk jika

angkanya antara 0,5 – 0,6 dikatakan cukup (Ghozali, 2015).

Selanjutnya melihat interval consistency reliability dari nilai composite

reliability. Composite reliability lebih baik dalam mengukur intenal

consistency dibandingkan cronbach’s alpha dalam model SEM

dikarenakan composite reliability tidak mengasumsikan kesamaan boot

 dari setiap indikator. Cronbach’s alpha cenderung menaksir lebih

rendah construct reliability dibandingkan composite reliability. Nilai

batas 0,7 ke atas berarti dapat diterima dan di atas 0,8 dan 0,9 berarti

sangat memuaskan.

Ukuran lain dari convergent validity adalah nilai average variance

extracted (AVE). Nilai ini menggambarkan besaran varian atau

keragaman variabel manifes yang dapat dikandung oleh konstruk laten.

Nilai AVE minimal 0,5 menunjukkan ukuran convergent validity yang

baik. Artinya, variabel laten dapat menjelaskan rata-rata lebih dari

setengah variance dari indikator-indikatornya.

Discriminant validity dievaluasi melalui cross loading, kemudian

membandingkan nilai AVE dengan kuadrat nilai korelasi antar

konstruk. Ukuran cross loading adalah membandingkan korelasi

indikator dengan konstruknya dan konstruk blok lainnya. Bila korelasi

antara indikator dengan konstruknya lebih tinggi dari korelasi dengan

konstuk blok lainnya, hal ini menunjukkan konstruk tersebut

memprediksi ukuran pada blok mereka dengan lebih baik dari blok

lainnya. Ukuran discriminant validity lainnya adalah bahwa nilai akar

AVE harus lebih tinggi daripada korelasi antara konstruk dengan

konstruk lainnya atau nilai AVE lebih tinggi dari kuadrat korelasi antar

konstruk.

b. Evaluasi Model Struktural (Inner model)

Ada beberapa tahap untuk mengevaluasi strukturak model, yaitu:

1. Uji Path Coefficient ( β )

 Uji path coefficient dilakukan dengan melihat signifikansi

hubungan antar konstruk. Hal ini dapat dilihat dari koefisien

jalur (path coefficient) yang menggambarkan kekuatan

hubungan antara konstruk. Path coeffisient diuji dengan nilai

ambang batas 0,1 untuk menyatakan bahwa jalur (path) yang

dimaksud mempunyai pengaruh di dalam model.

2. Uji Cofficient of Determinant (R2)

Mengevaluasi coefficient of determinant (R2) untuk

menjelaskan varian dari tiap target endogeneous variable

dengan standar pengukuran sekitar 0,67 sebagai kuat, sekitar

0,33 moderat, dan 0,19 atau di bawahnya menunjukkan tingkat

varian lemah.

3. Uji T-Test

Melihat nilai t-test dengan metode bootstrapping menggunakan

uji two-tailed dengan tingkat signifikasi 5% untuk menguji

hipotesis-hipotesis penelitian. Hipotesis penelitian akan

diterima jika memiliki t-test lebih besar dari 1,96.

4. Uji Effect Size (f2)

Pengujian f2 (effect size) untuk memprediksi pengaruh variabel

tertentu terhadap variabel lainnya dalam struktur model dengan

nilai ambang batas sekitar 0,02 untuk pengaruh kecil, 0,015

untuk menengah, dan 0,35 untuk pengaruh besar. f 2 dihitung

dengan menggunakan rumus sebaga berikut.

2 R 2 include−R2 exclude
f =
1−R 2 include
 Keterangan:

R2included = nilai R2 yang diperoleh ketika konstruk eksogen

dimasukkan ke model.

R2exclude= nilai R2 yang diperoleh ketika konstruk eksogen

dieluarkan dari model.

5. Predictive Relevance (Q2)

Menguji Q2 (predictive relevance) dengan metode blindfolding

untuk memberikan bukti bahwa variabel tertentu yang

digunakan dalam model mempunyai keterkaitan (predictive

relevance) dengan variabel lainnya dalam model dengan

ambang batas pengukuran di atas nol.

6. Relative Impact (q2)

Pengujian q2 (relative impact) masih dengan metode

blindfolding untuk mengukur relatif pengaruh sebuah

keterkaitan prediktif sebuah variabel tertentu dengan variabel

lainnya dengan nilai ambang batas sekitar 0,02 untuk pengaruh

kecil, 0,15 untuk pengaruh menengah/sedang, dan 0,35 untuk

pengaruh besar. Rumus yang digunakan untuk perhitungan q2

adalah sebagai berikut.

Q2 include−Q 2 exclude
1−Q 2 include

Keterangan:

Q2included = nilai Q2 yang diperoleh ketika konstruk eksogen

dimasukkan ke model.
 Q2exclude= nilai Q2 yang diperoleh ketika konstruk eksogen

dikeluarkan dari model.

Pada PLS-SEM juga diatur mengenai penentuan sampel untuk penelitian,

yaitu 10 kali dari jumlah maksimum anak panah (jalur) yang mengarah pada

variabel laten (10 time rule of thumb) menurut (Hair, Hult, Ringle , & Sarstedt,

2016 dalam Sholihin & Ratmono, 2013).

2.12 Hipotesis

Hipotesis adalah jawaban yang bersifat sementara terhadap permasalahan dalam

sebuah penelitian, sampai dibuktikan melalui data yang dikumpulkan (Siswanto V.

A., 2012). Menurut Kerlinger dalam (Sangadji & Sopiah, 2010) hipotesis merupakan

pernyataan dugaan (conjectural) tentang hubungan antara dua variabel atau lebih.

Sedangkan menurut Buckley et al dalam (Sangadji & Sopiah, 2010) hipotesis adalah

suatu pernyataan sederhana mengenai harapan peneliti akan hubungan antara

variabel-variabel dalam suatu masalah untuk diuji dalam penelitian. (Sangadji &

Sopiah, 2010) menyimpulkan bahwa hipotesis adalah :

1. Jawaban sementara (tentatif) terhadap masalah yang diajukan

2. Telah memiliki kebenaran, tetapi baru merupakan kebenaran taraf teoritis

atau kebenaran logis (logical validity, deductive validity)

3. Membutuhkan pembuktian atau pengujian (empirical validity, statistical

validity).

Menurut tingkat ekplanasi hipotesis yang akan diuji, maka rumusan hipotesis

dapat dikelompokkan menjadi tiga macam, yaitu (Sangadji & Sopiah, 2010):

1. Hipotesis Deskriptif
 Hipotesis deskriptif adalah dugaan tentang nilai suatu variabel mandiri, tidak

membuat perbandingan atau hubungan.

2. Hipotesis Komparatif

Hipotesis kompratatif adalah pertanyaan yang menunjukkan dugaan nilai

dalam suatu variabel atau lebih pada sampel yang berbeda.

3. Hipotesis Gabungan (Asosiatif)

Hipotesis asosiatif adalah suatu pertanyaan yang menunjukkan dugaan

tentang hubungan antara dua variabel atau lebih.

2.13 SmartPLS

SmartPLS merupakan salah satu software open source atau gratis yang dapat

digunakan untuk melakukan analisis menggunakan PLS-SEM. SmartPLS

dikembangkan oleh University of Hamburg, Jerman (Ghozali & Latan, 2015).

Dalam SmartPLS terdapat beberapa istilah (Hussein, 2015), yaitu:

1. Konstruk Eksogen

Konstruk eksogen adalah variabel indepen yang tidak diprekdisi oleh

variabel-variabel lain yang terdapat dalam model. Ini merupakan

variabel yang mempengaruhi variabel yang mempengaruhi variabel

endogen.

2. Konstruk Endogen

Konstruk endogen adalah variabel dependen yang merupakan faktor-

faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk

endogen dapat memprediksi satu atau beberapa konstruk endogen

lainnya, namun hanya dapat berhubungan kausal dengan konstruk

endogen.
 3. Laten Variable

Variabel laten adalah variabel yang tidak dapat diamati dan diukur

secara langsung, nilai kuantitatifnya tidak dapat diketahui secara

langsung.

4. Observed Variable

Variabel ini sering disebut variabel manifest. Variabel ini adalah

variabel yang besaran kuantitatifnya dapat diketahui secara langsung,

misalnya dari skor respon subyek terhadap instrumen pengukuran.

BAB dalam
Gambar 2.1 Konstruk III SmartPLS 3.0 (Hussein, 2015)

METODE PENELITIAN

3.1 Pendekatan Penelitian

Penelitian niat keberlanjutan peggunaan situs jejaring sosial LinkedIn ini

dilakukan dengan menerapkan pendekatan kuantitatif dan menggunakan strategi

penelitian yang berurutan sesuai dengan tujuan dari penelitian ini yaitu untuk

menganalisis faktor-faktor yang mempengaruhi niat keberlanjutan penggunaan situs

jejaring sosial LinkedIn dan untuk menguji beberapa hipotesis terkait dengan faktor-

faktor yang berpengaruh pada niat keberlanjutan penggunaan situs jejaring sosial

LinkedIn pada lingkungan mahasiswa Universitas Islam Negeri Syarif Hidayatullah

 Jakarta, menggunakan Expectation Confirmation Model (ECM) dengan

menambahkan 1 variabel yaitu Subjective Norms (Kim B. , 2011). Peneliti

menggunakan pendekatan kuantitatif sehingga diperlukan metode pengumpulan data

dan analisis data untuk menyelesaikan penelitian ini.

Pengumpulan data yang dilakukan pada penelitian ini adalah melalui survei

dengan menggunakan kuesioner. Sedangkan untuk analisis data dilakukan secara

statistik dengan menggunakan aplikasi pengolah statistik. Perangkat lunak yang

digunakan dalam penelitian ini adalah Ms. Word 2019 untuk penulisan laporan, Ms.

Excel 2019 untuk pengolahan data demografis, SmartPLS 3 untuk mengolah data dari

responden yang dikumpulkan melalui kuesioner.

Jika penelitian berupa perpanjangan dari teori yang ada, maka disarankan untuk

menggunakan PLS-SEM (Hair, Ringle, & Sarstedt, 2011). Peneliti menggunakan

metode analisis data yaitu PLS-SEM sesuai pernyataan tersebut.

3.2 Populasi dan Sampel Penelitian

Populasi yang diambil pada penelitian ini adalah seluruh mahasiswa di

lingkungan Universitas Islam Negeri Syarif Hidayatullah Jakarta yang menggunakan

situs jejaring sosial LinkedIn. Berdasarkan data yang diakses di Pangkalan Data

Pendidikan Tinggi Kementerian Pendidikan, Kebudayaan, Riset dan Teknologi,

jumlah mahasiswa Universitas Islam Negeri Syarif Hidayatullah Jakarta yang aktif

mencapai 41.280 mahasiswa pada tahun 2021. Pengambilan sampel yang dilakukan

peneliti dengan menggunakan Teknik Purposive Sampling. Teknik ini digunakan

untuk menyaring bagian dari suatu populasi, dengan tolak ukur yang ditentukan yaitu
mahasiswa yang menggunakan situs jejaring sosial LinkedIn. Dimana penyebaran

kuesioner dilakukan secara tidak langsung kepada responden (Taheerdoost, 2016).

Peneliti menggunakan beberapa rujukan pada teori penelitian sebelumnya

guna mendukung pengambilan sampel penelitian. Salah satu teorinya yaitu dalam

(Hair, Anderson, Tatham , & Black, 1998), besarnya sampel bila terlalu besar akan

menyulitkan untuk mendapatkan model yang cocok, dan disarankan ukuran sampel

yang sesuai antara 100-200 responden agar dapat digunakan estimasi interpretasi

dengan SEM. Selain itu (Ghozali I. , 2008) besarnya ukuran sampel memiliki peran

penting dalam interpretasi hasil SEM, ukuran sampel memberikan dasar untuk

mengestimasi sampling error. Menurut (Wijaya, 2009) asumsi dasar yang harus

dipenuhi dalam analisis SEM adalah jumlah sampel yang memenuhi kaidah analisis.

Analisis SEM membutuhkan sampel paling sedikit 5 kali jumlah variabel indikator

yang digunakan yang berkisar antara 100-200 sampel.

Dalam penentuan jumlah sampel yang digunakan (Sugiyono, Metode Penelitian

Kuantitatif, Kualitatif, dan R&D, 2017) menyarankan tentang ukuran sampel untuk

penelitian sebagai berikut:

1. Ukuran sampel yang layak dalam penelitian adalah antara 30 sampai dengan 500.

2. Bila sampel dibagi dalam kategori maka jumlah anggota sampel setiap kategori

minimal 30.

3. Bila dalam penelitian akan melakukan analisis dengan multivariate (korelasi atau

regresi ganda misalnya), maka jumlah anggota sampel minimal 10 kali dari

jumlah variabel yang diteliti.

Kemudian peneliti menggunakan rumus slovin yang diambil dari (Korompis,

Lengkong, & Walangitan, 2017), karena dalam penarikan sampel, jumlahnya harus

representatif agar hasil penelitian dapat digeneralisasikan dan perhitungannya pun

 tidak memerlukan tabel jumlah sampel, namun dapat dilakukan dengan rumus dan

perhitungan sederhana. Rumus slovin menggunakan asumsi tingkat keandalan 90%

dengan memakai pendekatan normal. Rumus ini memberikan kebebasan untuk

menentukan nilai batas kesalahan dengan tingkat kesalahan 10% (Kriyantono, 2008).

Berikut perhitungannya :

41.280
n= 2
=99,7
(1+41.280 x 0,1 )

Berdasarkan perhitungan rumus slovin di atas dengan jumlah populasi 41.280,

maka didapatkan jumlah sampel yaitu 100 sampel.

3.3 Metode Pengumpulan Data

3.3.1 Studi Literatur

Pada tahap ini, studi literatur dilakukan peneliti untuk

mengumpulkan data dan informasi yang berkaitan dengan judul

penelitian. Kemudian data dan informasi yang sudah dikumpulkan

dijadikan sebagai data pendukung dan pembanding dalam penelitian

yang sedang dilakukan. Sehingga dapat mengetahui kelebihan dan

kekurangan dari penelitian-penelitian tersebut. Pengumpulan data

dengan studi literatur dilakukan dengan membaca dan mempelajari

berbagai sumber informasi seperti buku, tesis, jurnal, artikel maupun

website. Berikut adalah beberapa penelitian sejenis yang dijadikan

peneliti sebagai referensi dalam penelitian ini.

 Tabel 3.1 Studi Literatur

No Penelitian Model Tujuan Penelitian Variabel Hasil Penelitian

1 An empirical ECM & Untuk memprediksi niat  Continuance Intention Penelitian ini memberikan bukti bahwa
investigation of mobile TPB berkelanjutan pengguna terhadap  User Satisfaction model terintegrasi memiliki kekuatan
data service MDS berdasarkan model ECM &  Perceived Usefulness penjelasan yang lebih baik dari niat
continuance : TPB.  Perceived Enjoyment berkelanjutan pengguna MDS
Incorporating the  Perceived Fee dibandingkan hanya menggunakan salah
theory of planned  Confirmation satu model.
behavior into the  Social Norm
expectation-  Interpersonal
confirmation model Influence
(Byoungsoo Kim,  External Sources
2010) Influence
 Perceived Behavioral
Control
2 Understanding ECM Untuk menganalisa niat  Continuance Intention Hasil penelitian ini mendukung gagasan
Antecedents of berkelanjutan pengguna SNS  User Satisfaction bahwa pengaruh interpersonal
Continuance Intention dengan memasukkan norma  Perceived Usedulness memainkan peran penting dalam
in Social-Networking subjektif kedalam model ECM.  Perceived Enjoyment pengambilan keputusan niat
Services (Byoungsoo  Confirmation berkelanjutan pengguna SNS.
Kim, Ph.D, 2011)  Interpersonal
Influence
 Media Influence
3 Exploring the TAM, TPB, Untuk mengetahui faktor-faktor  Perceived Usefulness Penelitian ini, menemukan bahwa selain
continuance intention EDM & yang mempengaruhi niat  Perceived Ease of use dari 2 komponen TAM (perceived
of social networking Flow berkelanjutan pengguna social  Disconfirmation usefulnes dan ease of usel), faktor lainnya
websites : an empirical Theory networking websites.  Satisfaction seperti flow experience, subjective norm
research (Chia-Lin  Subjective Norm dan perceived behavioral control juga
Hsu, Chih-Ching Yu  Perceived Behavioral penting dalam mendukung niat
& Cou-Chen Wu, Control berkelanjutan bagi pengguna social
 2013)  Flow networking websites.
 Attitude
 Continuance Intention
4 Understanding IS Untuk mengetahui peran  Perceived Usefulness Hasil penelitian menunjukkan bahwa
Continuance Use in Continuanc enjoyment dan subjective norm  Perceived Enjoyment enjoyment dan subjective norm memiliki
Social Networking e Model dalam niat berkelanjutan  Confirmation peran yang signifikan terhadap kepuasan
Services (Cheolho pengguna social networking  Continuance Intention dan niat berkelanjutan pengguna SNS.
Yoon & Erik Rolland, services  Subjective Norm
2015)  Satisfaction
 Continuance Use
5 Continuance of ECM Penelitian ini bertujuan untuk  Continuance Intention Penelitian ini menunjukkan bahwa niat
Professional Social mengetahui niat berkelanjutan  Perceived Usefulness berkelanjutan pada profesional SNS
Networking Sites : A dengan menambahkan variabel  Usefulness ditentukan oleh satisfaction, diikuti
Decomposed usability pada professional SNS Confirmation dengan perceived usefulness.
Expectation- seperti linkedin  Usability
Confirmation Confirmation
Approach (A.K.M  Perceived Usability
Najmu Islam & Matti  Satisfaction
Mäntymäki, 2012)
6 Determinants of TAM, TPB, Untuk menguji pengaruh  Perceived Usefulness Hasil dari penelitian ini menunjukkan
Continuance Intention IDT,ECT perceived usefulness, perceived  Perceived Ease of Use bahwa perceived usefulness, perceived
to Use Social & UTAUT ease of use, trust, enjoyment, dan  Enjoyment ease of use, trust, enjoyment, dan
Networking Sites subjective norms pada kepuasan  Trust subjective norms berpengaruh kuat dan
SNS’S : Studying the dan niat berkelanjutan pengguna  Subjective Norms positif terhadap kepuasan dan niat
Case of Facebook facebook di kerajaan Hashemite  Satisfaction berkelanjutan pengguna facebook,
(Abdallah Q Bataineh, Yordania  Continuance Intention dengan hasil faktor terkuatnya yaitu
Ghaith M Al-Abdallah subjective norms.
& Abdelhameed M
Alkharabsheh, 2015)
7 A Study of Social Model of Untuk mendeskripsikan  Communication Hasil penelitian menunjukkan bahwa
Technology Use in Social penggunaan teknologi sosial di  Collaboration sebagian besar responden didominasi
State Islamic technology UIN Syarif Hidayatullah Jakarta  Sharing Resources oleh level junior user dengan usia di
 University (UIN) use
Syarif Hidayatullah
Jakarta (Muhammad
Qomarul Huda, Nur
Aeni Hidayah &
Syopiansyah Jaya
Putra, 2016)
8 User Trust in Social UTAUT
Networking Services :
A Comparison of
Facebook and
LinkedIn (Shuchih
Ernest Chang, Anne
Yenching Liu & Wei
Cheng Shen, 2017)
9 An expectation- ECM
confirmation model of
continuance intention
to use mobile instant
messaging (Apollos
Patricks Oghuma,
Christian Fernando
Libaque-Saenz, Siew
Fan Wong &
Younghoon Chang,
2015)
10 Understanding ECT
Untuk mengetahui faktor-faktor
apa saja yang mempengaruhi
kepercayaan pengguna SNS
dengan membandingkan
facebook dan Linkedin
Untuk menyelidiki dampak
perceived usability, perceived
security, perceived service
quality, dan confirmation pada
niat keberlanjutan pengguna
mobile instant messaging (MIM)
di Korea Selatan
Untuk mengetahui faktor apa
 Usefulness bawah 40 tahun, selain itu teknologi
 Frequency of Access utama yang digunakan responden adalah
facebook, teknologi sosial kedua yang
populer digunakan adalah twitter. Yang
menunjukkan bahwa sebagian besar
responden menggunakan teknologi sosial
untuk mendukung kegiatan sehari-hari.
 Effort Expectancy Hasil dari penelitian ini menunjukkan
 Trust bahwa kepercayaan pengguna facebook
 Privacy Concerns dan linkedin dapat dibuat berdasarkan
 Social Influence privacy concern dan perceived risk yang
 Continuance Intention dikombinasikan dengan effort
 Perceived Risk expectancy, social influence, trust dan
continuance intention. Privacy concern
memiliki pengaruh lebih besar terhadap
trust pengguna linkedin dari pada trust
pengguna facebook. Tetapi social
influence untuk niat keberlanjutan
pengguna facebook lebih besar dari pada
linkedin.
 Confirmation Hasil penelitian menunjukkan bahwa
 Perceived Enjoyment perceived service quality, perceived
 Continuance Intention usability, perceived service quality dan
 Perceived Service confirmation berpengaruh kuat terhadap
Quality kepuasan dan niat berkelanjutan
 Satisfaction pengguna MIM, sedangkan perceived
 Perceived Security security tidak berpengaruh kuat terhadap
 User Interface kepuasan dan niat berkelanjutan
 Perceived Usefulness pengguna MIM
 Continuance Intention Hasil penelitian menunjukkan bahwa niat
 Information Systems
Continuance : An
Expectation-
Confirmation Model
(Anol Bhattacherjee,
2001)
11 Continuance adoption HBM &
of mobile-based ECM
payments in covid-19
context : an integrated
framework of health
belief model and
expectation-
confirmation model
(Sreelakshmi C C &
Sangeetha K Prathap,
2020)
saja yang mempengaruhi niat
berkelanjutan pengguna sistem
informasi setelah adanya
penerimaan
Penelitian ini bertujuan untuk
mengusulkan kerangka
terintegrasi layanan pembayaran
berbasis mobile dan niat
berkelanjutan penggunanya
dengan mengintegrasikan health
belief model (HBM) dan
expectation-confirmation model
(ECM)
 Satisfaction berkelanjutan pengguna sistem informasi
 Perceived Usefulness dipengaruhi oleh faktor satisfaction dan
 Confirmation perceived usefulness.
 Perceived Penelitian ini menunjukkan bahwa pada
Susceptibility HBM, perceived severity, perceived
 Perceived Severity susceptibility dan self efficacy secara
 Confirmation signifikan mempengaruhi konfirmasi
 Perceived Usefulness layanan pembayaran berbasis mobile.
 Satisfaction Sedangkan niat berkelanjutan secara
 Continuance Intention signifikan dipengaruhi oleh perceived
 Self Efficacy usefulness dan perceived satisfaction.
 3.3.2 Survei

Survei berfungsi untuk membantu proses penelitian dengan

menggunakan instrument penelitian yang berupa kuesioner. Proses penyebaran

kuesioner oleh peneliti dilakukan secara tidak langsung secara online dengan

memanfaatkan media sosial seperti WhatsApp dan Instagram kepada

pengguna situs jejaring sosial LinkedIn dikalangan mahasiswa semester akhir

Universitas Islam Negeri Syarif Hidayatullah Jakarta. Penyebaran dilakukan

mulai tanggal 1 Agustus sampai dengan 10 Agustus 2022.

Data yang telah terkumpul selama proses penelitian berlangsung akan

diproses dan diklasifikasikan menggunakan bantuan perangkat lunak pengolah

angka yaitu Ms. Excel 2019. Berdasarkan hasil dari pengumpulan data,

peneliti berhasil memperoleh 127 data dan diperoleh seluruh data yang

terkumpul valid untuk digunakan. Kuesioner yang didapatkan dari penyebaran

tidak langsung melalui WhatsApp sebanyak 82 data dan melalui Instagram 45

data dengan bantuan Google Forms.

Tabel 3.2 Data Kuesioner

Metode Penyebaran Jumlah

Penyebaran melalui WhatsApp 82

Penyebaran melalui Instagram 45

Total 127

3.4 Metode Analisis Data

3.4.1 Model Penelitian

Model dari penelitian ini terdapat pada gambar 3.1 yang merupakan model

yang
 diteliti oleh (Bhattacherjee, 2001), yaitu model Expectation Confirmation

Model (ECM) yang memiliki memiliki 5 variabel yaitu Satisfaction (S),

Perceived Usefulness (PU), Perceived Enjoyment (PE), Confirmation (C),

Continuance Use Intention (CUI). Selanjutnya peneliti memodifikasi dengan

menambah 2 variabel yaitu Interpersonal Influence (II), dan Media Influence

(MI)

Gambar 3.1 Model penelitian yang digunakan

3.4.2 Indikator Penelitian

Penelitian ini menggunakan indikator berupa kuesioner yang terbagi

menjadi dua bagian. Pada bagian pertama dengan menggunakan lembar surat

pengantar dari peneliti sebagai permohonan pengisian kuesioner. Pada bagian

kedua sebanyak 26 pertanyaan telah dibuat berdasarkan model ECM.

Kemudian pertanyaan-pertanyaan tersebut disesuaikan dengan variabel-

variabel yang terdapat dalam model ECM. Tabel 3.3 merupakan penjabaran

dari indikator setiap variabel yang terdapat pada model penelitian ini,

dilengkapi dengan referensi.

 Tabel 3.3 Indikator Penelitian

Indikator
Variabel Referensi
Kode Nama Indikator
PU1 Memaksimalkan Kinerja
Perceived PU2 Menambah Produktivitas
(Davis,1989;Kim,2010;Kim,2011)
Usefulness PU3 Meningkatkan Efektivitas
PU4 Memberikan Manfaat
PE1 Memberikan Kenyamanan
Perceived PE2 Memberikan rasa senang
(Davis, Bargozzi, & Warshaw,1992)
Enjoyment PE3 Memberikan Kenikmatan
PE4 Hal yang Menarik
Pengalaman menggunakan
C1 sistem dibandingkan
ekspektasi
Layanan yang disediakan
Confirmation C2 sistem dibandingkan (Bhattacherjee,2001;Kim,2010;Kim,2011)
ekspektasi
Harapan dibandingkan
C3
ekspektasi
C4 Ekspektasi secara keseluruhan

S1 Pengalaman yang memuaskan

Pengalaman yang
S2
Satisfaction menyenangkan (Bhattacherjee,2001;Kim,2010;Kim,2011)
S3 Kepuasan secara keseluruhan
S4 Performa
S5 Penyesalan
Menggunakan LinkedIn
II1 berdasarkan rekomendasi
orang terdekat
Interpersonal Menggunakan LinkedIn
(Venkatesh&Brown,2005)
Influence II2 setelah mengobservasi orang
terdekat
Informasi mempengaruhi
113
keputusan
Informasi yang didapatkan di
IM1
Media media massa
(Venkatesh&Brown,2005)
Influence IM2 Melihat iklan di media
IM3 Diberikan hadiah atau promosi
Berniat untuk menggunakan
CUI1 LinkedIn dari pada berhenti
menggunakannya
Continuance Berniat untuk terus
Use Intention menggunakan LinkedIn (Bhattacherjee,2001;Kim,2010;Kim,2011)
CUI2
dibanding situs jejaring sosial
lain
CUI3 Berniat meningkatkan
 penggunaan LinkedIn
dikemudian hari

Berdasarkan indikator penelitian pada tabel 3.3 akan dibuat sebanyak

25 pertanyaan pengujian yang telah disesuaikan dengan indikator variabel

yang ada di model ECM. Daftar pertanyaan dapat dilihat pada tabel 3.4,

selengkapnya format kuesioner dapat dilihat di bagian lampiran.

Tabel 3.4 Daftar pertanyaan

Variabel Kode Pertanyaan

Menggunakan LinkedIn memungkinkan saya lebih cepat dalam

PU1
berinteraksi dengan profesional
Menggunakan LinkedIn memudahkan saya dalam berinteraksi dengan
PU2
Perceived profesional
Usefulness Menggunakan LinkedIn dapat meningkatkan efektivitas saya dalam
PU3
berinteraksi dengan profesional
LinkedIn memberikan manfaat kepada saya dalam berinteraksi dengan
PU4
profesional
PE1 Saya merasa nyaman menggunakan LinkedIn
PE2 Saya merasa senang menggunakan LinkedIn
Perceived
PE3 Saya menikmati semua fitur LinkedIn
Enjoyment
PE4 Saya menemukan bahwa menggunakan LinkedIn hal yang menarik

Menggunakan LinkedIn memberikan saya pengalaman yang lebih baik

C1
dari ekspektasi saya
Menggunakan LinkedIn memberikan saya kualitas layanan yang lebih
C2
Confirmation baik dari ekspektasi saya
C3 Harapan saya terpenuhi dari menggunakan LinkedIn

C4 Secara keseluruhan ekspektasi saya pada LinkedIn sesuai dengan realita

S1 LinkedIn memberikan pengalaman yang sangat memuaskan

S2 LinkedIn memberikan pengalaman yang sangat menyenangkan

Satisfaction
S3 Secara keseluruhan saya sangat puas dalam menggunakan LinkedIn

S4 Performa LinkedIn sudah memenuhi ekspektasi saya

 Saya merasa saya telah melakukan hal yang benar dengan menggunakan
S5
LinkedIn

II1 Saya menggunakan LinkedIn atas rekomendasi keluarga atau teman saya

Interpersonal Saya menggunakan LinkedIn setelah mengamati keluarga atau teman saya
II2
Influence menggunakan LinkedIn
Berdasarkan informasi orang terdekat menggunakan LinkedIn adalah
II3
keputusan atau ide yang bagus

IM1 Saya menggunakan LinkedIn karena melihat berita di televisi atau internet
Media
Influence IM2 Saya menggunakan LinkedIn karena iklan di sosial media
IM3 Saya menggunakan LinkedIn karena hadiah yang ditawarkan
Saya berniat untuk terus menggunakan LinkedIn dibanding berhenti
CUI1
menggunakannya
Continuance
Saya berniat untuk terus menggunakan LinkedIn dibanding situs jejaring
Use Intention CUI2
sosial lain
CUI3 Saya akan sering menggunakan LinkedIn di kemudian hari

Pada penelitian ini, peneliti menggunakan skala likert pada kuesioner yang

berarti skala penilaiannya menggunakan lima pilihan jawaban yang terdiri dari sangat

tidak setuju bernilai 1, tidak setuju bernilai 2, netral (tidak tahu) bernilai 3, setuju

memiliki nilai 4 dan sangat setuju dengan bobot nilai 5.

3.5 Analisis Data dan Interpretasi Hasil

Pada tahap analisis interpretasi hasil dibagi menjadi dua tahapan yaitu analisis

demografis dan analisis statistik inferensial. Pada tahap pertama, peneliti melakukan

analisis dengan mengolah data demografis dengan menggunakan program pengolah

angka yaitu Ms. Excel 2019. Kemudian data responden dikelompokkan berdasarkan

pertanyaan karakteristik responden serta pertanyaan umum kuesioner.

Selanjutnya tahap kedua yaitu melakukan analisis statistik inferensial dengan

pendekatan PLS-SEM dengan menggunakan tools SmartPLS versi 3.0 (Hair J. F.,

2012). Peneliti melakukan analisis dengan 2 tahap, yaitu analisis measurement model

(outer model) dan structural model (inner model). Measurement model (outer model
 dilakukan dengan tujuan untuk menguji realibilitas dan validitas outer model melalui

indikator reability, internal consistency reliability, convergent validity, dan

discriminant validity. Sedangkan pengujian structural model (inner model) dilakukan

bertujuan untuk menguji path coefficient, coefficient of determination, t-test melalui

metode bootstrapping, effect size, predictive relevance,dan relative impact dengan

menggunakan metode pengujian blind folding (Hair J. F., 2012).

Setelah interpretasi hasil dari penelitian telahdijabarkan dengan

menggambarkan hasil dari analisis demografis responden dengan kondisi lapangan

yang berjalan dan memaparkan hasil dari analisis measurement model (outer model)

dan structural model (inner model) yang telah dilakukan peneliti secara statistik-

kuantitatif dengan membandingkan serta mempertimbangkan sejumlah literatur yang

terkait dengan penelitian ini. Kemudian, hasil dari measurement model (outer model)

dan structural model (inner model) tersebut, peneliti memberikan rekomendasi dari

analisis Continuance use intention atau niat keberlanjutan penggunaan situs jejaring

sosial LinkedIn di lingkungan mahasiswa Universitas Islam Negeri Syarif

Hidayatullah Jakarta.

3.6 Kerangka Penelitian

Gambar 3.2 Kerangka Penelitian

BAB IV
 HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

Pada penelitian ini, proses pengumpulan data dilakukan dengan cara

menyebarkan kuesioner secara tidak langsung kepada responden. Penyebaran secara

tidak langsung dilakukan melalui media sosial seperti Whatsapp, Telegram, dan lain-

lain. Peneliti memanfaatkan fitur Google forms sebagai media pengisian kuesioner.

Penyebaran kuesioner ini dilakukan dalam kurun waktu sepuluh hari terhitung dimulai

pada tanggal 1 Agustus sampai dengan 10 Agustus untuk mencapai jumlah target

sampel yang diinginkan.

Data yang telah terkumpul selama proses penelitian berlangsung akan diproses

dan diklasifikasikan menggunakan perangkat lunak pengolah angka yaitu Ms. Excel

2019. Berdasarkan hasil dari pengumpulan data, peneliti berhasil memperoleh 127

data dan diperoleh seluruh data yang terkumpul valid untuk digunakan. Kuesioner

yang didapatkan dari penyebaran secara tidak langsung yaitu sebanyak 127 data

melalui bantuan Google Forms.

4.2 Statistika Deskriptif

Statistika deskriptif dilakukan oleh peneliti untuk menganalisis data dengan

mengetahui gambaran data penelitian secara umum. Analisis data secara deskriptif ini

dilakukan dengan cara memaparkan secara rinci frekuensi jawaban responden

terhadap masing-masing indikator dalam kuesioner. Berikut ini merupakan analisis

deskriptif untuk masing-masing variabel yang digunakan dalam penelitian ini :

4.2.1 Variabel Perceived Usefulness

Variabel perceived usefulness digunakan untuk mengukur manfaat

yang diharapkan oleh pengguna dalam meningkatkan kinerja pengguna

dalam penggunaan LinkedIn. Variabel ini terdiri dari beberapa indikator,

yaitu ;

4.2.1.1 Memaksimalkan kinerja

Memaksimalkan kinerja yang dimaksud adalah

pengguna bisa lebih memaksimalkan penggunaan teknologi

informasi melalui penggunaan LinkedIn dalam berinteraksi dan

membangun koneksi dengan profesional. Berdasarkan hasil

pengukuran, terdapat 5 responden (4%) memilih Sangat Tidak

Setuju, 20 responden (16%) memilih Tidak Setuju, 27

responden (21%) memilih Tidak Tahu, 47 responden (37%)

memilih Setuju, dan 28 responden (22%) memilih Sangat

Setuju.

Tabel 4.1 Frekuensi Indikator Memaksimalkan Kinerja

PU1
  Frekuensi %
Sangat Tidak Setuju 5 4%
Tidak Setuju 20 16%
Tidak Tahu 27 21%
Setuju 47 37%
Sangat Setuju 28 22%

4.2.1.2 Menambah produktivitas

Menambah produktivitas yang dimaksud adalah

pengguna bisa lebih produktif dengan memanfaatkan fitur

LinkedIn yang memberikan kemudahan dalam berinteraksi

dengan profesional. Berdasarkan hasil pengukuran terdapat 3

responden (2%) memilih Sangat Tidak Setuju, 20 responden

(16%) memilih Tidak Setuju, 25 responden (20%) memilih

 Tidak Tahu, 52 responden (41%) memilih Setuju, dan 27

responden (21%) memilih Sangat Setuju.

Tabel 4.2 Frekuensi Indikator Menambah Produktivitas

PU2
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 20 16%
Tidak Tahu 25 20%
Setuju 52 41%
Sangat Setuju 27 21%

4.2.1.3 Meningkatkan efektivitas

Meningkatkan efektivitas yang dimaksud adalah ukuran

keberhasilan LinkedIn dalam memberikan pelayanan kepada

pengguna, seperti fitur-fitur yang disediakan sudah sesuai

harapan pengguna atau masih perlu diperbaharui lagi.

Berdasarkan hasil pengukuran terdapat 2 responden (2%)

memilih Sangat Tidak Setuju, 15 responden (12%) memilih

Tidak Setuju, 33 responden (26%) memilih Tidak Tahu, 49

responden (39%) memilih Setuju, dan 28 responden (22%)

memilih Sangat Setuju.

Tabel 4.3 Frekuensi Indikator Meningkatkan Efektivitas

PU3
  Frekuensi %
Sangat Tidak Setuju 2 2%
Tidak Setuju 15 12%
Tidak Tahu 33 26%
Setuju 49 39%
Sangat Setuju 28 22%

4.2.1.4 Memberikan manfaat

 Memberikan manfaat yang dimaksud adalah

penggunaan LinkedIn memberikan manfaat bagi pengguna

dalam berkomunikasi dan membangun koneksi dengan

profesional. Berdasarkan hasil pengukuran terdapat 3

responden (2%) memilih Sangat Tidak Setuju, 23 responden

(18%) memilih Tidak Setuju, 21 responden (17%) memilih

Tidak Tahu, 53 responden (42%) memilih Setuju, dan 27

responden (21%) memilih Sangat Setuju

Tabel 4.4 Frekuensi Indikator Memberikan Manfaat

PU4
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 23 18%
Tidak Tahu 21 17%
Setuju 53 42%
Sangat Setuju 27 21%

4.2.2 Variabel Perceived Enjoyment

Variabel perceived enjoyment, digunakan untuk mengukur

kesenangan dan kenyamanan pengguna dalam menggunakan LinkedIn.

Variabel perceived enjoyment terdiri dari beberapa indikator, yaitu :

4.2.2.1 Memberikan kenyamanan

Memberikan kenyamanan yang dimaksud adalah

pelayanan LinkedIn sudah membuat pengguna merasa nyaman

dalam menggunakan LinkedIn. Berdasarkan hasil pengukuran

terdapat 6 responden (5%) memilih Sangat Tidak Setuju, 12

responden (9%) memilih Tidak Setuju, 30 responden (24%)

 memilih Tidak Tahu, 45 responden (35%) memilih Setuju, dan

34 responden (27%) memilih Sangat Setuju.

Tabel 4.5 Frekuensi Indikator Memberikan Kenyamanan

PE1
  Frekuensi %
Sangat Tidak Setuju 6 5%
Tidak Setuju 12 9%
Tidak Tahu 30 24%
Setuju 45 35%
Sangat Setuju 34 27%

4.2.2.2 Memberikan rasa senang

Memberikan rasa senang yang dimaksud adalah sejauh

mana pengguna merasakan perasaan senang dalam

penggunaan LinkedIn. Berdasarkan hasil pengukuran terdapat

5 responden (4%) memilih Sangat Tidak Setuju, 13 responden

(10%) memilih Tidak Setuju, 27 responden (21%) memilih

Tidak Tahu, 58 responden (46%) memilih Setuju, dan 24

responden (19%) memilih Sangat Setuju.

Tabel 4.6 Frekuensi Indikator Memberikan Rasa Senang

PE2
  Frekuensi %
Sangat Tidak Setuju 5 4%
Tidak Setuju 13 10%
Tidak Tahu 27 21%
Setuju 58 46%
Sangat Setuju 24 19%

4.2.2.3 Memberikan kenikmatan

 Memberikan kenikmatan yang dimaksud adalah sejauh

mana pengguna enjoy atau menikmati fitur-fitur yang ada pada

LinkedIn. Berdasarkan hasil pengukuran terdapat 3 responden

(2%) memilih Sangat Tidak Setuju, 14 responden (11%)

memilih Tidak Setuju, 18 responden (14%) memilih Tidak

Tahu, 68 responden (54%) memilih Setuju, dan 24 responden

(19%) memilih Sangat Setuju.

Tabel 4.7 Frekuensi Indikator Memberikan Kenikmatan

PE3
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 14 11%
Tidak Tahu 18 14%
Setuju 68 54%
Sangat Setuju 24 19%

4.2.2.4 Hal yang menarik

Hal yang menarik yang dimaksud adalah pengguna

menemukan bahwa menggunakan LinkedIn adalah hal yang

menarik untuk dilakukan. Berdasarkan hasil pengukuran

terdapat 3 responden (2%) memilih Sangat Tidak Setuju, 20

responden (16%) memilih Tidak Setuju, 12 responden (9%)

memilih Tidak Tahu, 58 responden (46%) memilih Setuju, dan

34 responden (27%) memilih Sangat Setuju.

Tabel 4.8 Frekuensi Indikator Hal yang Menarik

PE4
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 20 16%
 Tidak Tahu 12 9%
Setuju 58 46%
Sangat Setuju 34 27%

4.2.3 Variabel Confirmation

Variabel confirmation merupakan variabel yang mengukur apakah

harapan pengguna terpenuhi atau tidak, khususnya mengenai manfaat,

kesenangan yang dirasakan, dan kepuasan pengguna. Variabel

confirmation terdiri dari beberapa indikator, yaitu :

4.2.3.1 Pengalaman menggunakan sistem dibandingkan ekspektasi

Pengalaman menggunakan sistem dibandingkan

ekspektasi yang dimaksud adalah penggunaan LinkedIn

memberikan pengalaman yang lebih baik dari yang diharapkan

dari situs jejaring sosial lain. Berdasarkan hasil pengukuran

terdapat 1 responden (1%) memilih Sangat Tidak Setuju, 10

responden (8%) memilih Tidak Setuju, 23 responden (18%)

memilih Tidak Tahu, 69 responden (54%) memilih Setuju, dan

24 responden (19%) memilih Sangat Setuju.

Tabel 4.9 Frekuensi Indikator Pengalaman menggunakan sistem

dibandingkan ekspektasi

C1
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 10 8%
Tidak Tahu 23 18%
Setuju 69 54%
Sangat Setuju 24 19%

4.2.3.2 Layanan yang disediakan sistem dibandingkan ekspektasi

 Layanan yang disediakan sistem dibandingkan

ekspektasi yang dimaksud adalah pertukaran informasi berupa

pekerjaan, tempat magang, maupun hubungan profesional

serta mempelajari keterampilan yang dibutuhkan oleh

perusahaan pada LinkedIn telah memenuhi harapan pengguna.

Berdasarkan hasil pengukuran terdapat 1 responden (1%)

memilih Sangat Tidak Setuju, 16 responden (13%) memilih

Tidak Setuju, 24 responden (19%) memilih Tidak Tahu, 63

responden (50%) memilih Setuju, dan 23 responden (18%)

memilih Sangat Setuju.

Tabel 4.10 Layanan yang disediakan sistem dibandingkan

ekspektasi
C2
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 16 14%
Tidak Tahu 24 19%
Setuju 63 50%
Sangat Setuju 23 18%

4.2.3.3 Harapan dibandingkan ekspektasi

Harapan dibandingkan ekspektasi yang dimaksud

adalah fitur-fitur yang diberikan LinkedIn dalam bentuk yang

disediakan LinkedIn dalam berkomunikasi antar profesional

memenuhi harapan pengguna. Berdasarkan hasil pengukuran

terdapat 3 responden (2%) memilih Sangat Tidak Setuju, 14

responden (11%) memilih Tidak Setuju, 23 responden (18%)

memilih Tidak Tahu, 61 responden (48%) memilih Setuju, dan

26 responden (21%) memilih Sangat Setuju.

 Tabel 4.11 Harapan dibandingkan ekspektasi

C3
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 14 11%
Tidak Tahu 23 18%
Setuju 61 48%
Sangat Setuju 26 21%

4.2.3.4 Ekspektasi secara keseluruhan

Ekspektasi secara keseluruhan yang dimaksud adalah

fitur dan kegunaan secara keseluruhan dari LinkedIn yang

sudah diberikan dapat memenuhi harapan pengguna.

Berdasarkan hasil pengukuran terdapat 1 responden (1%)

memilih Sangat Tidak Setuju, 13 responden (10%) memilih

Tidak Setuju, 23 responden (18%) memilih Tidak Tahu, 68

responden (54%) memilih Setuju, dan 22 responden (17%)

memilih Sangat Setuju.

Tabel 4.12 Ekspektasi secara keseluruhan

C4
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 13 10%
Tidak Tahu 23 18%
Setuju 68 54%
Sangat Setuju 22 17%

4.2.4 Variabel Satisfaction

 Variabel satisfaction merupakan variabel yang mengukur

evaluasi dari pengalaman percobaan pengguna dengan layanan yang

diberikan oleh suatu sistem. Variabel satisfaction terdiri dari beberapa

indikator yaitu :

4.2.4.1 Pengalaman yang memuaskan

Pengalaman yang memuaskan yang dimaksud yaitu

perasaan puas yang dirasakan pengguna ketika menggunakan

LinkedIn karena kualitas fitur yang disajikan telah

memberikan manfaat kepada pengguna. Berdasarkan hasil

pengukuran terdapat 3 responden (2%) memilih Sangat Tidak

Setuju, 16 responden (13%) memilih Tidak Setuju, 19

responden (15%) memilih Tidak Tahu, 59 responden (47%)

memilih Setuju, dan 30 responden (24%) memilih Sangat

Setuju.

Tabel 4.13 Pengalaman yang memuaskan

S1
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 16 13%
Tidak Tahu 19 15%
Setuju 59 47%
Sangat Setuju 30 24%

4.2.4.2 Pengalaman yang menyenangkan

Pengalaman yang menyenangkan yang dimaksud adalah

pengguna merasa senang ketika menggunakan LinkedIn atas

layanan yang ditawarkan. Berdasarkan hasil pengukuran

terdapat 4 responden (3%) memilih Sangat Tidak Setuju, 19

 responden (15%) memilih Tidak Setuju, 17 responden (13%)

memilih Tidak Tahu, 48 responden (38%) memilih Setuju, dan

39 responden (31%) memilih Sangat Setuju.

Tabel 4.14 Pengalaman yang menyenangkan

S2
  Frekuensi %
Sangat Tidak Setuju 4 3%
Tidak Setuju 19 15%
Tidak Tahu 17 13%
Setuju 48 38%
Sangat Setuju 39 31%

4.2.4.3 Kepuasan secara keseluruhan

Kepuasan secara keseluruhan yang dimaksud adalah tingkat

pelayanan, fitur-fitur dan informasi yang disajikan oleh

LinkedIn memberikan kepuasan bagi pengguna. Berdasarkan

hasil pengukuran terdapat 4 responden (3%) memilih Sangat

Tidak Setuju, 14 responden (11%) memilih Tidak Setuju, 20

responden (16%) memilih Tidak Tahu, 47 responden (37%)

memilih Setuju, dan 42 responden (33%) memilih Sangat

Setuju.

Tabel 4.15 Kepuasan secara keseluruhan

S3
  Frekuensi %
Sangat Tidak Setuju 4 3%
Tidak Setuju 14 11%
Tidak Tahu 20 16%
Setuju 47 37%
Sangat Setuju 42 33%

4.2.4.4 Performa
 Performa yang dimaksud adalah kemampuan LinkedIn dalam

memberikan kinerja dan pelayanan yang baik untuk pengguna.

Berdasarkan hasil pengukuran terdapat 4 responden (3%)

memilih Sangat Tidak Setuju, 16 responden (13%) memilih

Tidak Setuju, 14 responden (11%) memilih Tidak Tahu, 68

responden (54%) memilih Setuju, dan 25 responden (20%)

memilih Sangat Setuju.

Tabel 4.16 Performa

S4
  Frekuensi %
Sangat Tidak Setuju 4 3%
Tidak Setuju 16 13%
Tidak Tahu 14 11%
Setuju 68 54%
Sangat Setuju 25 20%

4.2.4.5 Penyesalan

Penyesalan yang dimaksud adalah pengguna merasa telah

melakukan hal yang benar dengan menggunakan LinkedIn.

Berdasarkan hasil pengukuran terdapat 3 responden (2%)

memilih Sangat Tidak Setuju, 12 responden (9%) memilih

Tidak Setuju, 25 responden (20%) memilih Tidak Tahu, 60

responden (47%) memilih Setuju, dan 27 responden (21%)

memilih Sangat Setuju.

Tabel 4.17 Penyesalan

S5
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 12 9%
 Tidak Tahu 25 20%
Setuju 60 47%
Sangat Setuju 27 21%

4.2.5 Variabel Interpersonal Influence

Variabel interpersonal influence merupakan variabel yang

mengukur kemampuan dari seseorang yang bisa memberikan pengaruh

terhadap orang lain untuk melakukan suatu tindakan tertentu. Variabel

interpersonal influence terdiri dari beberapa indikator yaitu :

4.2.5.1 Menggunakan LinkedIn berdasarkan rekomendasi orang

terdekat

Menggunakan LinkedIn berdasarkan rekomendasi orang

lain yang dimaksud adalah pengguna memutuskan

menggunakan LinkedIn atas dasar rekomendasi orang lain.

Berdasarkan hasil pengukuran terdapat 1 responden (1%)

memilih Sangat Tidak Setuju, 5 responden (4%) memilih

Tidak Setuju, 34 responden (27%) memilih Tidak Tahu, 65

responden (51%) memilih Setuju, dan 22 responden (17%)

memilih Sangat Setuju.

Tabel 4.18 Menggunakan LinkedIn berdasarkan rekomendasi

orang lain
II1
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 5 4%
Tidak Tahu 34 27%
Setuju 65 51%
Sangat Setuju 22 17%
4.2.5.2 Menggunakan LinkedIn setelah mengobservasi orang

terdekat

Menggunakan LinkedIn setelah mengobservasi orang

terdekat yang dimaksud adalah pengguna memutuskan untuk

menggunakan LinkedIn setelah mengamati orang di

lingkungan sekitar menggunakan LinkedIn. Berdasarkan hasil

pengukuran terdapat 1 responden (1%) memilih Sangat Tidak

Setuju, 5 responden (4%) memilih Tidak Setuju, 26 responden

(21%) memilih Tidak Tahu, 74 responden (58%) memilih

Setuju, dan 21 responden (16%) memilih Sangat Setuju.

Tabel 4.19 Menggunakan LinkedIn setelah mengobservasi

orang terdekat
II2
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 5 4%
Tidak Tahu 26 21%
Setuju 74 58%
Sangat Setuju 21 16%

4.2.5.3 Informasi mempengaruhi keputusan

Informasi mempengaruhi keputusan yang dimaksud

adalah pengguna memutuskan untuk menggunakan LinkedIn

berdasarkan informasi yang diterimanya. Berdasarkan hasil

pengukuran terdapat 1 responden (1%) memilih Sangat Tidak

Setuju, 5 responden (4%) memilih Tidak Setuju, 24 responden

(19%) memilih Tidak Tahu, 75 responden (59%) memilih

Setuju, dan 22 responden (17%) memilih Sangat Setuju.

 Tabel 4.20 Informasi mempengaruhi keputusan

II3
  Frekuensi %
Sangat Tidak Setuju 1 1%
Tidak Setuju 5 4%
Tidak Tahu 24 19%
Setuju 75 59%
Sangat Setuju 22 17%

4.2.6 Variabel Media Influence

Variabel media influence merupakan variabel yang mengukur

sejauh mana pengaruh media massa dapat mempengaruhi seseorang.

Variabel media influence terdiri dari beberapa indikator yaitu :

4.2.6.1 Informasi yang didapatkan di media massa

Informasi yang didapatkan di media massa yang

dimaksud adalah pengguna memperoleh informasi mengenai

LinkedIn melalui media massa. Berdasarkan hasil pengukuran

terdapat 13 responden (10%) memilih Sangat Tidak Setuju, 31

responden (24%) memilih Tidak Setuju, 59 responden (47%)

memilih Tidak Tahu, 23 responden (18%) memilih Setuju, dan

1 responden (1%) memilih Sangat Setuju.

Tabel 4.21 Informasi yang didapatkan di media massa

MI1
  Frekuensi %
Sangat Tidak Setuju 13 10%
Tidak Setuju 31 24%
Tidak Tahu 59 47%
Setuju 23 18%
Sangat Setuju 1 1%
4.2.6.2 Melihat iklan di media

Melihat iklan di media yang dimaksud adalah pengguna

melihat iklan di media mengenai LinkedIn. Berdasarkan hasil

pengukuran terdapat 21 responden (16%) memilih Sangat

Tidak Setuju, 38 responden (30%) memilih Tidak Setuju, 43

responden (34%) memilih Tidak Tahu, 24 responden (19%)

memilih Setuju, dan 1 responden (1%) memilih Sangat Setuju.

Tabel 4.22 Melihat iklan di media

MI2
  Frekuensi %
Sangat Tidak Setuju 21 16%
Tidak Setuju 38 30%
Tidak Tahu 43 34%
Setuju 24 19%
Sangat Setuju 1 1%

4.2.6.3 Diberikan hadiah atau promosi

Diberikan hadiah atau promosi yang dimaksud adalah

pengguna tertarik menggunakan LinkedIn karena hadiah atau

promosi yang diterimanya. Berdasarkan hasil pengukuran

terdapat 29 responden (23%) memilih Sangat Tidak Setuju, 28

responden (22%) memilih Tidak Setuju, 45 responden (35%)

memilih Tidak Tahu, 18 responden (24%) memilih Setuju, dan

1 responden (1%) memilih Sangat Setuju.

Tabel 4.23 Diberikan hadiah atau promosi lain

MI3
  Frekuensi %
Sangat Tidak Setuju 29 23%
Tidak Setuju 28 22%
 Tidak Tahu 45 35%
Setuju 18 24%
Sangat Setuju 1 1%

4.2.7 Variabel Continuance Use Intention

Variabel continuance use intention merupakan variabel yang

mengukur tingkat dimana pengguna berniat untuk menggunakan suatu

sistem secara berkelanjutan. Variabel continuance use intention terdiri

dari beberapa indikator yaitu :

4.2.7.1 Berniat untuk menggunakan LinkedIn dari pada berhenti

menggunakannya

Berniat untuk menggunakan LinkedIn dari pada

berhenti menggunakannya yang dimaksud adalah pengguna

memiliki niat untuk terus menggunakan LinkedIn dari pada

tidak menggunakan LinkedIn lagi. Berdasarkan hasil

pengukuran terdapat 5 responden (4%) memilih Sangat Tidak

Setuju, 21 responden (16%) memilih Tidak Setuju, 18

responden (14%) memilih Tidak Tahu, 64 responden (50%)

memilih Setuju, dan 19 responden (15%) memilih Sangat

Setuju.
Tabel 4.24 Berniat untuk menggunakan LinkedIn dari pada
berhenti menggunakannya

CUI1
  Frekuensi %
Sangat Tidak Setuju 5 4%
Tidak Setuju 21 16%
Tidak Tahu 18 14%
Setuju 64 50%
Sangat Setuju 19 15%
4.2.7.2 Berniat untuk terus menggunakan LinkedIn dibanding

situs jejaring sosial lain

Berniat untuk terus menggunakan LinkedIn dibanding

situs jejaring sosial lain yang dimaksud adalah pengguna lebih

memilih untuk terus menggunakan LinkedIn dari pada

menggunakan situs jejaring sosial lain. Berdasarkan hasil

pengukuran terdapat 6 responden (4%) memilih Sangat Tidak

Setuju, 15 responden (12%) memilih Tidak Setuju, 21

responden (16%) memilih Tidak Tahu, 64 responden (50%)

memilih Setuju, dan 21 responden (16%) memilih Sangat

Setuju.

Tabel 4.25 Berniat untuk terus menggunakan LinkedIn

dibanding situs jejaring sosial lain
CUI2
  Frekuensi %
Sangat Tidak Setuju 6 4%
Tidak Setuju 15 12%
Tidak Tahu 21 16%
Setuju 64 50%
Sangat Setuju 21 16%

4.2.7.3 Berniat meningkatkan penggunaan LinkedIn dikemudian

hari

Berniat meningkatkan penggunaan LinkedIn

dikemudian hari yang dimaksud adalah pengguna akan terus

meningkatkan penggunaan LinkedIn di masa yang akan

datang. Berdasarkan hasil pengukuran terdapat 3 responden

(2%) memilih Sangat Tidak Setuju, 19 responden (15%)

memilih Tidak Setuju, 17 responden (13%) memilih Tidak

 Tahu, 62 responden (48%) memilih Setuju, dan 26 responden

(20%) memilih Sangat Setuju.

CUI3
  Frekuensi %
Sangat Tidak Setuju 3 2%
Tidak Setuju 19 15%
Tidak Tahu 17 13%
Setuju 62 48%
Sangat Setuju 26 20%

4.3 Hasil Analisis

4.3.1 Hasil Analisis Demografis

Pada tahap ini peneliti menganalissi jawaban responden pada

kuesioner, terkhusus pada bagian profil responden serta mengenai penggunaan

situs jejaring sosial LinkedIn. Peneliti berhasil mengumpulkan 127 responden

dalam kurun waktu 10 hari (1 Agustus – 10 Agustis 2022). Informasi

demografis yang dihasilkan meliputi jenis kelamin, fakultas, semester, lama

menggunakan LinkedIn, frekuensi waktu penggunaan LinkedIn, kepuasan

penggunaan LinkedIn, dan status niat berkelanjutan penggunaan LinkedIn.

4.3.1.1 Jenis Kelamin

Tabel 4.27 di bawah ini merupakan data dari responden yang

telah berhasil dikumpulkan oleh peneliti. Jumlah responden yang

terkumpul yaitu mencapai 127 responden.

Tabel 4.27 Data Demografis Jenis Kelamin

Jenis Kelamin Jumlah
Laki-laki 51
Perempuan 76
 Pada penelitian ini, mayoritas berasal dari responden berjenis kelamin

perempuan yaitu sebanyak 76 orang (60%). Sedangkan sisanya dari

responden berjenis kelamin laki-laki yaitu sebanyak 51 orang (40%),

seperti ditunjukkan pada gambar 4.1 di bawah ini.

Persentase Jenis Kelamin

Laki-laki Perempuan

Gambar 4.1 Data Persentase Demografis Jenis Kelamin

4.3.1.2 Fakultas

Pada penelitian ini, peneliti berhasil mendapatkan responden

dari masing-masing fakultas di Universitas Islam Negeri Syarif

Hidayatullah Jakarta. Tabel 4.28 di bawah ini menunjukkan data

responden yang telah berhasil dikumpulkan oleh peneliti.

Tabel 4.28 Data Demografis Fakultas

Fakultas Jumlah
Fakultas Dirasat Islamiyah (FDI) 7
Fakultas Ilmu Tarbiyah & Keguruan (FITK) 12
Fakultas Syariah & Hukum (FSH) 9
Fakultas Adab & Humaniora (FAH) 13
Fakultas Ilmu Sosial & Ilmu Politik (FISIP) 23
Fakultas Kedokteran (FK) 3
Fakultas Ushuludin (FU) 6
Fakultas Dakwah & Ilmu Komunikasi (FDIKOM) 2
Fakultas Ekonomi & Bisnis (FEB) 8
Fakultas Sains & Teknologi (FST) 38
Fakultas Psikologi (FPsi) 4
Fakultas Ilmu Kesehatan (FIKES) 2
 Berdasarkan data yng telah dikumpulkan peneliti, bahwa dari

127 responden sebagian besar didominasi oleh responden dari Fakultas

Sains dan Teknologi (FST) yaitu sebanyak 38 responden (30%),

disusul dengan responden yang berasal dari Fakultas Ilmu Sosial dan

Ilmu Politik (FISIP) yaitu sebanyak 23 responden (18%). Sedangkan

jumlah responden yang paling sedikit yaitu responden yang berasal

dari Fakultas Dakwah & Ilmu Komunikasi (FDIKOM) dan Fakultas

Ilmu Kesehatan (FIKES) yang peneliti hanya mendapatkan 2

responden (2%). Seperti yang ditunjukkan pada gambar 4.2 di bawah

ini.

Fakultas Dirasat Islamiyah

Persentase Fakultas (FDI)
Fakultas Ilmu Tarbiyah &
Keguruan (FITK)
Fakultas Syariah & Hukum
(FSH)
2%
Fakultas Adab & Humaniora
6% (FAH)
3% Fakultas Ilmu Sosial & Ilmu
9% Politik (FISIP)
7% Fakultas Kedokteran (FK)
30%
Fakultas Ushuludin (FU)
10% Fakultas Dakwah & Ilmu
Komunikasi (FDIKOM)
Fakultas Ekonomi & Bisnis
6% 2% 18% (FEB)
Fakultas Sains & Teknologi
5% (FST)
2% Fakultas Psikologi (FPsi)
Fakultas Ilmu Kesehatan
(FIKES)

Gambar 4.2 Data Persentase Demografis Fakultas

4.3.1.3 Semester

Pada penelitian ini, peneliti membatasi responden dikhusukan

untuk mahasiswa tingkat akhir yang menngunakan LinkedIn, peneliti

berhasil mendapatkan responden mahasiswa tingkat akhir bersemester

genap. Tabel 4.29 di bawah ini menunjukkan data responden yang

telah berhasil dikumpulkan oleh peneliti.

 Tabel 4.29 Data Demografis Semester

Semester Jumlah
8 78
10 9
12 13
14 27

Berdasarkan data yng berhasil dikumpulkan oleh peneliti,

bahwa dari 127 responden sebagian besar didominasi oleh responden

semester 8 sebanyak 78 responden (61%), lalu diikuti oleh responden

semester 14 yaitu sebanyak 27 responden (21%) dan disusul oleh

responden semester 12 yaitu sebanyak 13 responden (10%). Jumlah

responden yang paling sedikit yaitu semester 10 sebanyak 9 responden

(7%). Seperti yang di tunjukkan pada gambar 4.3 di bawah ini.

Persentase Semester

21% 8
10
12
14
10%
62%
7%

Gambar 4.3 Data Persentase Demografis Semester

4.3.1.4 Lama Menggunakan LinkedIn

Pada penelitian ini, peneliti berhasil mendapatkan responden

berdasarkan lama penggunaan LinkedIn. Tabel 4.30 di bawah ini

 menunjukkan data responden yang telah berhasil dikumpulkan oleh

peneliti.

Tabel 4.30 Data Demografis Lama Menggunaan LinkedIn

Lama Menggunakan LinkedIn Jumlah

<1 tahun 78
1-2 tahun 32
>2 tahun 17

Berdasarkan data yang telah dikumpulkan oleh peneliti, bahwa

dari 127 responden, sebagian besar responden telah menggunakan

LinkedIn selama kurang dari 1 tahun mencapai 78 responden (62%).

Lalu diikuti dengan 32 responden (25%) yang telah menggunakan

LinkedIn selama 1-2 tahun. Sedangkan, sebanyak 17 responden 13(%)

yang menggunakan LinkedIn lebih dari 2 tahun. Seperti yang di

tunjukkan pada gambar 4.4 di bawah ini.

Persentase Lama Menggunakan LinkedIn

13%
<1 Tahun
1-2 Tahun
>2 Tahun
25%
62%

Gambar 4.4 Data Persentase Demografis Lama Menggunakan LinkedIn

4.3.1.5 Frekuensi Penggunaan Harian LinkedIn

Pada penelitian ini, peneliti berhasil mendapatkan responden

berdasarkan frekuensi penggunaan LinkedIn dalam waktu perhari.

 Tabel 4.31 di bawah ini menunjukkan data responden yang telah

berhasil didapatkan oleh peneliti.

Tabel 4.31 Data Demografis Frekuensi

Penggunaan LinkedIn (Perhari)
Jumla
Frekuensi Penggunaan LinkedIn (Perhari) h
<1 Jam 91
1-2 Jam 30
> 2 Jam 6

Berdasarkan data yang telah dikumpulkan oleh peneliti, bahwa

dari 127 responden, sebagian besar pengguna LinkedIn menghabiskan

waktu penggunaan LinkedIn dalam waktu 1 hari yaitu kurang dari 1

jam sebanyak 91 responden (72%). Kemudian sebanyak 30 responden

(24%) menghabiskan waktu 1-2 jam dalam penggunaan LinkedIn.

Sedangkan 6 responden (4%) menghabiskan waktu lebih dari 2 jam.

Seperti yang di tunjukkan oleh gambar 4.5 di bawah ini.

Frekuensi Penggunaan LinkedIn

4%
<1 Jam
24% 1-2 Jam
>2 Jam

72%

Gambar 4.5 Data Persentase Demografis Frekuensi Penggunaan LinkedIn

(Perhari)
4.3.1.6 Kepuasan Penggunaan LinkedIn
 Pada penelitian ini, peneliti berhasil mendapatkan responden

berdasarkan kepuasan pengguna terhadap LinkedIn. Tabel 4.32 di

bawah ini menunjukkan data responden yang telah berhasil di dapatkan

oleh peneliti.

Tabel 4.32 Data Demografis Kepuasan Penggunaan LinkedIn

Kepuasan Pengguna LinkedIn Jumlah

Puas 97
Netral 25
Tidak Puas 5

Berdasarkan data yang telah dikumpulkan oleh peneliti, bahwa

dari 127 responden, sebagian besar pengguna LinkedIn menyatakan

puas dalam penggunaan LinkedIn yaitu sebanyak 97 responden (76%)

diikuti dengan 25 responden (20%) yang memilih netral dan hanya 5

responden (4%) yang merasa tidak puas dalam penggunaan LinkedIn.

Seperti yang di tunjukkan pada gambar 4.6 di bawah ini.

Persentase Kepuasan Penggunaan LinkedIn

4%
20% Puas
Netral
Tidak Puas

76%

Gambar 4.6 Data Persentase Demografis Kepuasan Penggunaan LinkedIn

4.3.1.7 Status Niat Berkelanjutan Penggunaan LinkedIn

 Pada penelitian ini, peneliti berhasil mendapatkan responden

berdasarkan niat keberlanjutan penggunaan LinkedIn. Tabel 4.33 di

bawah ini menunjukkan data responden yang telah berhasil di dapatkan

oleh peneliti.

Tabel 4.33 Data Demografis Niat Berkelanjutan Penggunaan LinkedIn

Niat Keberlanjutan Penggunaan LinkedIn Jumlah

Iya 76
Mungkin 44
Tidak 7

Berdasarkan Berdasarkan data yang telah dikumpulkan oleh

peneliti, bahwa dari 127 responden, mayoritas responden menyatakan

bahwa mereka akan berniat untuk terus menggunakan LinkedIn yaitu

sebanyak 76 responden (60%). 44 responden (35%) memilih mungkin

akan melanjutkan penggunaan LinkedIn. Dan yang tidak berniat

melanjutkan penggunaan LinkedIn hanya 7 responden (5%). Seperti

yang di tunjukkan pada gambar 4.7 di bawah ini.

Persentase Niat Berkelanjutan

Penggunaan LinkedIn

Iya
5%
Mungkin
Tidak
35%
60%

Gambar 4.7 Data Persentase Demografis Niat Berkelanjutan Penggunaan

LinkedIn
4.3.2 Hasil Analisis Outer Model
 Pada tahap ini dilakukan analisis pengukuran model (Measurement

Model) yaitu analisis pengukuran model yang terdiri dari empat tahapan

pengujian. Tahapan pengujian yaitu individual item realibility, internal

consistency reliability, Average Varian Extracted (AVE) dan discriminant

Validity.

Gambar 4.8 Model Penelitian pada SmartPLS 3

Berdasarkan gambar 4.8 di atas menunjukkan model yang digunakan

dalam penelitian ini terdiri dari 7 variabel dan 26 item pertanyaan. Berikut

adalah penjelasan mengenai empat pengujian outer model untuk model

penelitian di atas :

4.3.2.1Uji Individual Item Reliability

Pengujian ini dilakukan dengan cara melihat standardized

loading factor. Nilai ini menggambarkan besarnya korelasi antara

setiap indikator dengan konstraknya. Menurut (Hair, Hult, Ringle, &

Sarstedt, 2017) Nilai loading factor yang dapat dikatakan valid yaitu
 jika nilainya lebih besar dri 0.7. Tetapi, beberapa peneliti seperti

Kurniawan dan Yamin berpendapat jika nilai loading factor lebih besar

dari 0.5 sudah dapat dikatakan valid.

Tabel 4.34 Analisis Outer Loading

  C CUI II MI PE PU S
C1 0.881            
C2 0.874            
C3 0.899            
C4 0.847            
CUI1   0.933          
CUI2   0.909          
CUI3   0.908          
II1     0.908        
II2     0.875        
II3     0.889        
MI1       0.879      
MI2       0.927      
MI3       0.908      
PE1         0.887    
PE2         0.915    
PE3         0.864    
PE4         0.901    
PU1           0.930  
PU2           0.913  
PU3           0.861  
PU4           0.916  
S1             0.899
S2             0.907
S3             0.936
S4             0.901
S5             0.808

Berdasarkan Tabel 4.34 di atas, setelah melakukan pengujian

pada penelitian ini menunjukkan bahwa semua item bisa diterima

karena sudah memenuhi persyaratan. Semua item yang ada sudah

 berada di atas 0.7 dan nilai loading factor-nya sudah di atas 0.5

sehingga seluruh item bisa digunakan dalam penelitian ini.

4.3.2.2 Uji Internal Consistency Reliability

Pengujian ini dilakukan dengan melihat nilai composite

reliability dengan nilai ambang batas 0.7. Nilai composite reliability

untuk 7 variabel yang digunakan dalam penelitian ini sudah berada di

atas 0.7 Tabel 4.35semua

sehingga Hasil variabel
Uji Composite
sudah Reliability
memenuhi persyaratan dan

dapat digunakan dalam penelitian. Nilai composite reliability untuk

setiap variabel dapat dilihat pada tabel 4.35 di bawah ini.

  Composite Reliability
Perceived Usefulness 0.948
Perceived Enjoyment 0.940
Confirmation 0.929
Satisfaction 0.951
Interpersonal Influence 0.920
Media Influence 0.931
Continuance Use Intention 0.941

4.3.2.3Uji Average Variance Extracted (AVE)

Pengujian Average Variance Extracted (AVE) ini dilakukan

dengan cara melihat nilai Average Variance Extracted (AVE). Nilai

AVE dapat digunakan untuk menggambarkan besaran varian atau

keragaman indikator yang dapat dikandung oleh variabel laten. Untuk

ukuran convergent validity yang baik, nilai AVE harus di atas 0.5.

Nilai tersebut artinya bahwa variabel laten dapat menjelaskan lebih

dari setengah dari keberagaman indikator-indikator didalamnya. Dalam

penelitian ini, nilai AVE untuk semua variabel sudah di atas 0.5

sehingga semua variabel dapat digunakan dalam penelitian. Pada tabel

 4.36 menunjukkan nilai Average Variance Extracted (AVE) di setiap

variabel.

Tabel 4.36 Hasil Uji Average Variance Extracted (AVE)

Average Variance Extracted

  (AVE)
Perceived Usefulness 0.820
Perceived Enjoyment 0.795
Confirmation 0.766
Satisfaction 0.794
Interpersonal Influence 0.794
Media Influence 0.819
Continuance Use Intention 0.841

4.3.2.4Uji Discriminant Validity

Pengujian ini dilakukan dengan melalui dua cara yaitu dengan

memeriksa cross loading dan cross loading Fornell-Lacker’s. Cross

Loading dilakukan dengan membandingkan korelasi indikator dengan

konstruknya dan konstruk blok lainnya. Bila korelasi antara indikator

dengan konstruknya lebih tinggi daripada korelasi dengan konstruk

blok lainnya, itu menunjukkan bahwa konstruk tersebut memprediksi

ukuran pada blok mereka lebih baik dari blok lainnya.

Tabel 4.37 Nilai Cross Loading

   C CUI II MI PE PU S
C1 0.881 0.628 0.385 0.278 0.514 0.419 0.590
C2 0.874 0.577 0.381 0.303 0.492 0.365 0.608
C3 0.899 0.670 0.386 0.347 0.591 0.468 0.680
C4 0.847 0.633 0.442 0.354 0.513 0.366 0.639
CUI1 0.646 0.933 0.408 0.517 0.755 0.721 0.780
CUI2 0.630 0.909 0.431 0.482 0.706 0.615 0.742
CUI3 0.697 0.908 0.469 0.483 0.700 0.653 0.829
II1 0.449 0.478 0.908 0.165 0.313 0.360 0.353
II2 0.374 0.367 0.875 0.119 0.229 0.264 0.221
II3 0.384 0.413 0.889 0.115 0.311 0.327 0.280
MI1 0.336 0.456 0.112 0.879 0.272 0.292 0.473
MI2 0.337 0.500 0.166 0.927 0.363 0.383 0.488
MI3 0.325 0.505 0.132 0.908 0.362 0.340 0.468
PE1 0.482 0.662 0.249 0.285 0.887 0.419 0.563
PE2 0.534 0.711 0.287 0.323 0.915 0.500 0.661
PE3 0.498 0.662 0.296 0.269 0.864 0.468 0.534
PE4 0.627 0.758 0.315 0.420 0.901 0.510 0.699
PU1 0.407 0.671 0.289 0.353 0.515 0.930 0.661
PU2 0.437 0.683 0.360 0.368 0.473 0.913 0.668
PU3 0.347 0.576 0.338 0.207 0.424 0.861 0.576
PU4 0.480 0.683 0.320 0.412 0.516 0.916 0.684
S1 0.653 0.788 0.344 0.451 0.625 0.696 0.899
S2 0.713 0.823 0.337 0.537 0.649 0.676 0.907
S3 0.699 0.813 0.320 0.474 0.654 0.639 0.936
S4 0.604 0.735 0.222 0.450 0.624 0.633 0.901
S5 0.521 0.634 0.210 0.426 0.532 0.539 0.808

Pada tabel 4.37 di atas menunjukkan bahwa nilai cross loading

indikator yang diberi warna jingga pada setiap variabel memiliki nilai

lebih tinggi dari korelasi dan konstruk blok lainnya. Selanjutnya cross

loading Fornell-Lacker’s dilakukan dengan cara membandingkan nilai

akar AVE, dimana nilai akar AVE harus lebih tinggi daripada korelasi

antara konstruk dengan konstruk lainnya. Pada tabel 4.38 di bawah ini

menunjukkan bahwa nilai akar AVE lebih tinggi dari pada korelasi

antara konstruk dengan konstruk lainnya. Sehingga berdasarkan hasil

 pemeriksaan dua tahap cross loading diketahui bahwa tidak ada

masalah dalam uji discriminant validity.

Tabel 4.38 Analisis Nilai Cross Loading Fornell-Larcker’s

  C CUI II MI PE PU S
C 0.875            
CUI 0.718 0.917          
II 0.455 0.476 0.891        
MI 0.367 0.539 0.152 0.905      
PE 0.605 0.786 0.322 0.369 0.892    
PU 0.465 0.724 0.360 0.375 0.534 0.906  
S 0.720 0.856 0.326 0.526 0.694 0.717 0.891

Secara keseluruhan setelah melakukan analisis outer model

dengan mengggunakan empat tahapan di atas, dapat di katakan bahwa

model yang digunakan dalam penelitian ini memiliki karakteriktik

yang baik secara statistik. Sehingga dapat disimpulkan bahwa model

yang diajukan sudah memenuhi syarat untuk dilanjutkan ke tahap

pengujian struktur model yaitu analisis Inner Model.

4.3.3 Hasil Analisis Inner Model

Pada tahapan ini, menurut (Widarjono, 2015), analisis struktur model

(inner model) dilakukan bertujuan untuk menganalisis faktor bersamaan

dengan pengujian hipotesis penelitian yang telah dirumuskan. Pada tahap

analisis model struktural ini dilakukan enam tahapan pengujian, yang terdiri

dari pengujian path coefficient (β), coefficient of determination (R2), t-test,

dengan menggunakan bootstrapping, effect size (f2), predictive relevance

(Q2), dan relative impact (q2) yang dilakukan dengan metode blindfolding.

4.3.3.1Uji Path Coefficient (β)

 Pada tahapan ini, pengujian dilakukan untuk mengevaluasi

besarnya pengaruh masing-masing variabel laten independen dengan

melihat koefisien analisis jalurnya (Widarjono, 2015). Nilai path

coefficient di atas ambang batas yaitu 0.1 maka dinyatakan memiliki

pengaruh dalam model (Abdillah, Jogiyanto, & Willy, 2015). Hasil

dari path coefficient untuk tiap jalur yang ada di dalam penelitian ini

terdapat pada tabel 4.39

Tabel 4.39 Analisis Path Coefficient

Jalur Penelitian Path Coefficient Analisis

C → PE 0.605 Signifikan
C → PU 0.465 Signifikan
C→S 0.383 Signifikan
II → CUI 0.165 Signifikan
MI → CUI 0.126 Signifikan
PE → CUI 0.328 Signifikan
PE → S 0.244 Signifikan
PU → CUI 0.161 Signifikan
PU → S 0.409 Signifikan
S → CUI 0.393 Signifikan

4.3.3.2Uji Coefficient of Determination (R2)

Pada tahapan ini pengujian dilakukan untuk melihat mengukur

seberapa besar variabel laten dependen dijelaskan oleh variabel laten

independen. Nilai R2 adalah antara nol (0) dan satu (1). Nilai R2 yang

kecil berarti kemampuan variabel-variabel independen (bebas) dalam

menjelaskan variabel dependen amat terbatas (lemah). Nilai yang

mendekati satu berarti variabel-variabel independen memberikan

hampir semua informasi yang dibutuhkan untuk memprediksi variasi

variabel dependen (Ghozali, 2009). Dengan standar pengukuran 0.67

Tabel 4.40 Analisis Coefficient of Determinanation

 dikatakan kuat, 0.33 dikatakan moderat dan di bawah 0.19 dikatakan

lemah.

  R² Keterangan
CUI 0.857 Kuat
PE 0.366 Moderat
PU 0.216 Moderat
S 0.739 Kuat

4.3.3.3Uji t-test

Pada tahapan ini dilakukan untuk dengan menggunakan metode

bootsraping dengan uji two-tailed dengan tingkat signifikasi sebesar

5% untuk menguji hipotesis penelitian. Dengan menggunakan

perbandingan antara nilai t-test dengan t-table. Jika nilai t-test lebih
Tabel 4.41 Analisis t-test
tinggi daripada t-table maka dapat diartikan bahwa hipotesis terdukung

(Ikhsania, 2015). Hipotesis akan diterima jika nilai t-test lebih besar

dari 1.96. Pada penelitian ini semua hipotesis dapat diterima karena

semua nilai pada setiap variabel sudah lebih dari 1.96. Berikut

merupakan nilai t-test untuk setiap hipotesis yang ada dalam penelitian

ini.

Jalur Penelitian t-test Analisis

C → PE 6.570 Diterima
C → PU 4.752 Diterima
C→S 3.679 Diterima
II → CUI 3.585 Diterima
MI → CUI 3.199 Diterima
PE → CUI 2.506 Diterima
PE → S 1.995 Diterima
PU → CUI 2.847 Diterima
PU → S 3.835 Diterima
S → CUI 2.896 Diterima

4.3.3.4Uji Effect Size (f2)

 Pada tahapan ini dilakukan untuk mempredikasi pengaruh

variabel tertentu terhadap variabel lainnya dalam struktur model

penelitian. Nilai f2 memiliki batasan yaitu 0.02 untuk pengaruh kecil,

0.15 untuk pengaruh menengah dan 0.35 untuk pengaruh besar. f2

dihitung dengan menggunakan rumus sebagi berikut :

Keterangan :

R2 Include : Nilai R2 yang diperoleh ketika konstrak eksogen

dimasukkan ke model

R2 exclude : Nilai R2 yang diperoleh ketika konstruk eksogen

dikeluarkan dari model

Pada peneltian ini, hasil pengujian f² terhadap 10 jalur

menunjukkan bahwa terdapat empat jalur yaitu Confirmation (C)

terhadap Perceived Enjoyment (PE), Media Influence (MI) dan

Perceived Enjoyment (PE) terhadap Continuance Use Intention (CUI),

dan Perceived Usefulness (PU) terhadap Satisfaction (S) memiliki

pengaruh besar. Lalu tiga jalur yaitu Confirmation (C) terhadap

Perceived Usefulness (PU), Interpersonal Influence (II) dan

Satisfaction (S) terhadap Continuance Use Intention (CUI) memiliki

pengaruh menengah. Sedangkan tiga jalur lainnya memiliki pengaruh

kecil. Berikut merupakan tabel 4.42 yang menunjukkan hasil f² untuk

tujuh dalam penelitian ini :

Tabel 4.42 Analisis Effect Size

Jalur Penelitian R² Include R² Exclude f² Analisis
C → PE 0.366 0 0.578 Besar
 C → PU 0.216 0 0.276 Menengah
C→S 0.739 0.650 0.341 Menengah
II → CUI 0.857 0.834 0.161 Menengah
MI → CUI 0.857 0.845 0.084 Kecil
PE → CUI 0.857 0.803 0.378 Besar
PE → S 0.739 0.706 0.126 Kecil
PU → CUI 0.857 0.845 0.084 Kecil
PU → S 0.739 0.625 0.437 Besar
S → CUI 0.857 0.809 0.336 Menengah

4.3.3.5Uji Predictive Relevance (Q2)

Pada tahapan ini, pengujian menggunakan metode blindfolding

untuk dapat membuktikan bahwa variabel tertentu yang digunakan

dalam suatu model memiliki keterkaitan secara prediktif (predictive

relevance) dengan variabel lainnya dengan ambang batas pengukuran

di atas nol (Ghozali, 2014).

Hasil pengujian menunjukkan bahwa seluruh jalur yang ada

dalam penelitian ini memiliki keterkaitan secara prediktif dapat

ditunjukkan dengan tabel berikut:

Tabel 4.43 Analisis Predictive Relevance

Jalur Penelitian Q² Analisis

C → PE 0.283 Predictive Relevance
C → PU 0.157 Predictive Relevance
C→S 0.570 Predictive Relevance
II → CUI 0.691 Predictive Relevance
MI → CUI 0.691 Predictive Relevance
PE → CUI 0.691 Predictive Relevance
PE → S 0.570 Predictive Relevance
PU → CUI 0.691 Predictive Relevance
PU → S 0.570 Predictive Relevance
S → CUI 0.691 Predictive Relevance

4.3.3.6Uji Relative Impact (q2)

Pada tahapan ini, pengujian dilakukan dengan menggunakan

metode blindfolding untuk mengukur pengaruh relatif dari sebuah

keterkaitan anatara prediktif sebuah variabel tertentu dengan variabel

lainnya dalam model penelitian. Nilai ambang batas untuk pengukuran

ini yaitu 0.02 untuk pengaruh kecil, 0.15 untuk pengaruh menengah,

dan 0.35 untuk pengaruh besar. Rumus untuk perhitungan q2 yaitu

sebagai berikut :

Keterangan :

q2 included : Nilai q2 yang diperoleh ketika konstruk eksogen

dimasukkan ke dalam model

q2 ekscluded : Nilai q2 yang diperoleh ketika konstuk eksogen

dikeluarkan dari model

Pada penelitian ini, hasil pengujian q2 terhadap 10 jalur

menunjukkan bahwa terdapat satu jalur yang memiliki pengaruh Besar

yaitu Confirmation (C) terhadap Perceived Enjoyment (PE).

Kemudian, terdapat tiga jalur yang memiliki pengaruh Menengah yaitu

Confirmation (C) terhadap Perceived Usefulness (PU), Confirmation

(C) dan Perceived Usefulness (PU) terhadap Satisfaction (S).

Sedangkan enam jalur lainnya memeiliki pengaruh yang Kecil. Berikut

ini merupakan hasil q2 untuk 10 jalur dalam penelitian ini :

Tabel 4.44 Analisis Relative Impact
 Jalur Penelitian Q² Included Q² Excluded q² Analisis
0.39
C → PE 0.283 0 5 Besar
0.18 Menenga
C → PU 0.157 0 6 h
0.16 Menenga
C→S 0.570 0.500 3 h
0.05
II → CUI 0.691 0.674 5 Kecil
0.02
MI → CUI 0.691 0.682 9 Kecil
0.10
PE → CUI 0.691 0.658 7 Kecil
0.06
PE → S 0.570 0.544 0 Kecil
0.02
PU → CUI 0.691 0.684 3 Kecil
0.20 Menenga
PU → S 0.570 0.484 0 h
0.13
S → CUI 0.691 0.651 0 Kecil

4.4 Interpretasi dan Diskusi Hasil Analisis

4.4.1 Interpretasi dan Diskusi Hasil Analisis Data Demografis

Berdasarkan hasil analisis sistem infoemasi demografis profil

responden, peneliti melakukan interpretasi dan diskusi hasil, maka di dapatkan

hasil analisis sebagai berikut :

4.4.1.1Jenis Kelamin

Berdasarkan pada gambar 4.1 yang terdapat pada analisis

demografis sebelumnya, dapat diketahui bahwa pada penelitian ini dari

jumlah 127 data responden yang terkumpul mayoritas berasal dari

responden dengan berjenis kelamin perempuan yaitu sebanyak 76

orang (60%). Sedangkan sisanya dari responden berjenis kelamin laki-

laki yaitu sebanyak 51 orang (40%). Hal ini dikarenakan pada saat
 peneliti menyebarkan kuesioner secara tidak langsung melalui aplikasi

Whatsapp dan Instagram peneliti lebih banyak memiliki jaringan

pertemanan dengan responden yang berjenis kelamin perempuan.

4.4.1.2Fakultas

Berdasarkan pada gambar 4.2 menunjukkan bahwa dari 127

reponden yang berhasil peneliti kumpulkan, sebagian besar di

dominasi oleh responden dari Fakultas Sains dan Teknologi (FST)

yaitu sebanyak

38 responden (380), disusul dengan responden yang berasal dari

Fakultas Ilmu Sosial dan Ilmu Politik (FISIP) yaitu sebanyak 23

reponden (18%). Sedangkan, jumlah responden yang paling sedikit

yaitu responden yang berasal dari Fakultas Kesehatan dan Fakultas

Dakwah dan Ilmu Komunikasi yaitu hanya terdapat 2 responden (2%).

Hal ini di karenakan pada saat penyebaran kuesioner peneliti

menyebarkan kuesioner di lingkungan sekitar peneliti yang berasal dari

Fakultas Sanins dan Teknologi (FST). Sedangkan untuk responden

yang berasal dari Fakultas Kesehatan dan Fakultas Dakwah dan Ilmu

Komunikasi, peneliti hanya berhasil mendapatkan bebarapa responden

karena keterbatasan waktu penelitian.

4.4.1.3Semester

Berdasarkan pada Gambar 4.3 mengenai semester dari

responden penelitian, menunjukkan bahwa dari 127 responden yang

berhasil dikumpulkan peneliti, sebagian besar di dominasi oleh

responden semester 8 sebanyak 78 responden (61%), lalu disusul oleh

responden semester 14 yaitu sebanyak 27 responden (21%), dan diikuti

 oleh responden semester 12 yaitu sebanyak 13 responden (10%).

Jumlah responden yang paling sedikit yaitu responden semester 10

yaitu sebanyak 9 responden (7%).

4.4.1.4Lama Menggunakan LinkedIn

Berdasarkan pada Gambar 4.4 mengenai lama menggunakan

LinkedIn menunjukkan bahwa dari 127 responden yang berhasil

dikumpulkan oleh peneliti, sebagian besar responden telah

menggunakan LinkedIn sejak kuramg dari setahun mencapai 78

responden (62%). Lalu disusul dengan 32 responden (25%) yang telah

menggunakan LinkedIn sekitar 1-2 tahun. Sedangkan, sebanyak 17

responden (13%) responden yang mengunakan LinkedIn sejak lebih

dari dari 2 tahun.

4.4.1.5Frekuensi Penggunaan Harian LinkedIn

Berdasarkan gambar 4.5 menunjukkan bahwa dari 127

responden yang telah dikumpulkan oleh peneliti, sebagian besar

pengguna LinkedIn menghabiskan waktu pengunaan LinkedIn dalam

waktu 1 hari selama kurang dari 1 jam sebanyak 91 responden (72%).

Kemudian sebanyak 30 responden (24%) menghabiskan waktu 1-2 jam

dalam pemakaian LinkedIn. Sedangkan 6 responden (4%)

menghabiskan waktu lebih dari 2 jam.

4.4.1.6Kepuasan Penggunaan LinkedIn

Berdasarkan gambar 4.6 menunjukkan bahwa dari 127

responden yang telah dikumpulkan oleh peneliti, sebagian besar

pengguna LinkedIn memilih puas dalam hal kepuasan penggunaan

LinkedIn yaitu sebanyak

 97 responden (76%). Disusul dengan 25 responden (20%) yang

menyatakan kepuasannya dalam penggunaan LinkedIn. Dan hanya 5

responden (4%) yang merasa tidak puas dalam penggunaan LinkedIn.

4.4.1.7Status Niat Berkelanjutan Penggunaan LinkedIn

Berdasarkan Gambar 4.7 menunjukkan bahwa dari 127

responden yang telah dikumpulkan oleh peneliti, mayoritas responden

menyatakan bahwa mereka akan berniat untuk menggunakan LinkedIn

yaitu sebanyak 76 responden (60%). Sedangkan, responden yang tidak

berniat melanjutkan penggunaan hanya 7 responden (5%). Sisanya

responden memilih mungkin mengenai status niat keberlanjutan yaitu

sebanyak 44 responden (35%). Hal ini dikarenakan oleh situs jejaring

sosial LinkedIn yang pada saat ini merupakan situs jejaring sosial

profesional yang paling sering di gunakan dari pada situs jejaring

sosial lainnya.

4.4.2 Interpretasi dan Diskusi Hasil Outer Model

Berdasarkan hasil analisis pengukuran model (outer model) yang telah

di paparkan sebelumnya, hasil akhirnya menunjukkan bahwa pada analisis

pengukuruan model dari model penelitian ini telah memenuhi syarat dan

memiliki karakteristik yang baik. Hal ini di buktikan dengan seluruh indikator

yang memiliki nilai outer loading di atas 0.6 serta nilai composite reliability

dan cronbach’s alpha sudah di atas 0.7. Kemudian, seluruh indikator yang

digunakan dalam penelitian ini memiliki nilai AVE di atas 0.5 serta cross

loading dan fornell-larker yang memiliki kriteria sesuai dengan syarat yang

ada.

4.4.3 Interpretasi dan Diskusi Hasil Inner Model

 Pada bagian ini akan dijelaskan interpretasi dan diskusi berdasarkan

tahapan pengujian yang ada pada analisis struktur model yaitu pengujian path

coefficient (β), coefficient of determination (R2), t-test menggunakan metode

bootsrapping, effect size (f2), predictive relevance (Q2), dan relative impact

(q2). Berikut merupakan pembahasan intrepretasi hasil analisis struktural

model yang dilakukan dengan mengikuti pertanyaan-pertanyaan penelitian dan

hipotesis-hipotesis yang telah dirumuskan pada sub bab sebelumnya.

4.4.3.1 H1 : Apakah variabel Confirmation (C) berpengaruh secarta

signifikan terhadap variabel Perceived Usefulness (PU)?

Hasil pengujian t-test pada analisis inner model

menunjukkan bahwa hipotesis pertama (H1) Diterima. Hal ini

artinya Confirmation (C) memiliki pengaruh yang signifikan

terhadap Perceived Usefulness (PU). Dengan nilai hasil pengujian

path coefficient yaitu 0.465. Jalur ini memiliki nilai pengaruh

menengah berdasarkan perhitungan f2 yaitu sebesar 0.276 dan q2

bernilai 0.186.

Hal tersebut konsisten dengan penelitian (Kim B. , 2010) dan (Kim

B. , 2011) yang menyatakan bahwa dari persepektif ECM temuan

mereka mendukung gagasan bahwa Confirmation (C) memiliki

pengaruh yang signifikan terhadap Perceived Usefulness (PU).

Hubungan ini semakin menunjukkan bahwa harapan

pengguna terhadap LinkedIn sudah terpenuhi dengan manfaat yang

dirasakan dalam penggunaan LinkedIn. Pengguna LinkedIn telah

merasakan manfaat, baik dalam hal bertukar informasi dan

membangun koneksi dengan profesional, menemukan pekerjaan

 atau tempat magang. Fitur tersebut sudah sesuai dengan harapan

yang diinginkan pengguna.

4.4.3.2 H2 : Apakah variabel Confirmation (C) berpengaruh secara

signifikan terhadap variabel Perceived Enjoyment (PE)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kedua (H2) Diterima. Hal ini artinya

Confirmation (C) memiliki pengaruh yang signifikan terhadap

terhadap Perceived Enjoyment (PE). Dengan nilai hasil pengujian

path coefficient yaitu 0.605. Di sisi lain, pengaruh variabel

Confirmation (C) terhadap variabel Perceived Enjoyment (PE)

memiliki nilai relative impact (q2) 0.395 dan effect size (f2) 0.578

sehingga pengaruh pada hubungan variabel tersebut dapat dikatakan

besar.

Pengaruh Confirmation (C) yang sangat kuat dan signifikan

ini menunjukkan terpenuhinya harapan dan kenyamanan pengguna

LinkedIn. Hal tersebut konsisten dengan penelitian (Kim B. , 2010)

(Kim B. , 2011). Hal ini semakin menunjukkan bahwa harapan

pengguna terhadap penggunaan LinkedIn sudah terpenuhi, maka

dapat meningkatkan kenyamanan pengguna untuk terus

menggunakan LinkedIn.

4.4.3.3 H3 : Apakah variabel Confirmation (C) berpengaruh secarta

signifikan terhadap variabel Satisfaction (S)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis ketiga (H3) Diterima. Hal ini artinya

Confirmation (C) memiliki pengaruh yang signifikan terhadap

 terhadap Satisfaction (S). Dengan nilai hasil pengujian path

coefficient yaitu 0.383. Di sisi lain, pengaruh variabel Confirmation

(C) terhadap variabel Satisfaction (S) memiliki nilai relative impact

(q2) 0.163 dan effect size (f2) 0.341 sehingga pengaruh pada

hubungan variabel tersebut dapat dikatakan menengah.

Pengaruh Confirmation (C) yang signifikan ini

menunjukkan harapan dan kepuasan yang dirasakan pengguna

LinkedIn sesuai ekspektasi yang diharapkan. Selain itu, situs

jejaring sosial LinkedIn bisa berkinerja seperti yang apa yang

diharapkan, sehingga pengguna lebih cenderung merasa puas ketika

menggunakan LinkedIn.

Hal tersebut konsisten dengan penelitian (Kim B. , 2010)

(Kim B. , 2011). Hal ini semakin menunjukkan bahwa harapan

pengguna terhadap penggunaan LinkedIn sudah terpenuhi, maka

dapat mempengaruhi kepuasan pengguna untuk menggunakan

LinkedIn secara terus-menerus. Pengguna akan merasa puas jika

ketika harapan pengguna terhadap penggunaan LinkedIn di

perhatikan seperti kemampuan untuk membangun koneksi dengan

profesional.

4.4.3.4 H4 : Apakah variabel Media Influence (MI) berpengaruh

secarta signifikan terhadap variabel Continuance Use Intention

(CUI)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kelima (H5) Diterima. Hal ini, artinya

Media Influence (MI) memiliki pengaruh yang signifikan terhadap

 Continuance Use Intention (CUI). Dengan hasil nilai pengujian path

coefficient yaitu 0.126. Jalur ini memiliki nilai pengaruh kecil

berdasarkan perhitungan f2 0.084 dan berdasarkan perhitungan q2

yaitu 0.029.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Kim B. , 2010) yang menyatakan bahwa pengaruh yang signifikan

dalam membentuk niat keberlanjutan pengguna. Hal ini

menunjukkan bahwa dengan memanfaatkan penyebaran informasi

dan promosi di media massa dapat meningkatkan jumlah pengguna

dan mempertahankan pengguna yang ada serta menumbuhkan niat

berkelanjutan penggunaan LinkedIn.

4.4.3.5 H5 : Apakah variabel Interpersonal Influence (II) berpengaruh

secarta signifikan terhadap variabel Continuance Use Intention

(CUI)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kelima (H5) Diterima. Hal ini, artinya

Interpersonal Influence (II) memiliki pengaruh yang signifikan

terhadap Continuance Use Intention (CUI). Dengan hasil nilai

pengujian path coefficient yaitu 0.165. Jalur ini memiliki nilai

pengaruh yang sedang atau menengah berdasarkan perhitungan f2

0.161 sedangkan berdasarkan perhitungan q2 memiliki pengaruh

yang kecil yaitu 0.055.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Yoon & Rolland, 2015) yang menyatakan bahwa pengaruh

interpersonal memainkan peran penting dalam membentuk niat

 keberlanjutan pengguna, dengan memanfaatkan jaringan lingkungan

terdekat pengguna, maka pengguna yang aktif akan mempengaruhi

sekitarnya untuk menjadi pengguna baru. Hal ini menunjukkan

bahwa semakin banyak pengguna aktif maka akan tercipta jaringan

yang meluas dan meningkatkan jumlah pengguna baru, setelah

pengguna baru merasakan manfaat dan keuntungan maka terciptalah

niat berkelanjutan penggunaan LinkedIn.

4.4.3.6 H6 : Apakah variabel Perceived Usefulness (PU) berpengaruh

secarta signifikan terhadap variabel Satisfaction (S)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis keenam (H6) Diterima. Hal ini, artinya

Perceived Usefulness (PU) memiliki pengaruh yang signifikan

terhadap Satisfaction (S). Dengan hasil nilai pengujian path

coefficient yaitu 0.409. Jalur ini memiliki nilai pengaruh yang besar

berdasarkan perhitungan f2 0.437 sedangkan berdasarkan

perhitungan q2 memiliki pengaruh yang sedang atau menengah yaitu

0.200.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Kim B. , 2011) yang menyatakan bahwa manfaat adalah faktor

penting terbentuknya kepuasan. Hal ini menunjukkan bahwa

semakin tinggi manfaat yang dirasakan oleh pengguna maka

pengguna akan merasa puas. Pengaruh manfaat yang signifikan ini

menunjukkan kepuasan yang dirasakan bahwa sebagai pengguna

situs jejaring sosial LinkedIn memperoleh manfaat yang diharapkan.

 Semakin LinkedIn meningkatkan kinerja dengan baik seperti yang

diharapkan oleh pengguna, pengguna akan merasa puas.

4.4.3.7 H7 : Apakah variabel Perceived Usefulness (PU) berpengaruh

secarta signifikan terhadap variabel Continuance Use Intention

(CUI)?

Hasil pengujian t-test pada analisis inner model

menunjukkan bahwa hipotesis ketujuh (H7) Diterima, Hal ini,

artinya Perceived Usefulness (PU) memiliki pengaruh yang

signifikan terhadap Continuance Use Intention (CUI). Dengan hasil

nilai pengujian path coefficient yaitu 0.161. Jalur ini memiliki nilai

pengaruh yang kecil berdasarkan perhitungan f2 yaitu 0.084 dan q2

yaitu 0.023.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Kim B. , 2011) yang menyatakan bahwa manfaat adalah faktor

utama pembentuk niat berkelanjutan penggunaan suatu sistem. Hal

ini menunjukkan bahwa semakin tinggi manfaat yang dirasakan oleh

pengguna maka pengguna akan cenderung terus menggunakannya.

LinkedIn telah memberikan layanan yang dapat memberikan

manfaat bagi penggunanya. Hal tersebut menjadikan pengguna akan

cenderung ingin tetap menggunakan LinkedIn.

4.4.3.8 H8 : Apakah variabel Perceived Enjoyment (PE) berpengaruh

secarta signifikan terhadap variabel Satisfaction (S)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kedelapan (H8) Diterima. Hal ini,

artinya Perceived Enjoyment (PE) memiliki pengaruh yang

 signifikan terhadap Satisfaction (S). Hal ini dikarenakan hasil nilai

pengujian path coefficient mencapai 0.244. Jalur ini memiliki nilai

pengaruh yang kecil berdasarkan perhitungan f2 yaitu 0.126 dan

berdasarkan perhitungan q2 yaitu 0.060.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Oghuma, Saenz, & Wong, 2016) yang menyatakan bahwa

kenyamanan yang dirasakan pengguna adalah faktor penting

pembentuk kepuasan. Hal ini menunjukkan bahwa semakin baik

kinerja dan kualitas layanan yang ditawarkan oleh LinkedIn, maka

pengguna akan merasa puas.

4.4.3.9 H9 : Apakah variabel Perceived Enjoyment (PE) berpengaruh

secarta signifikan terhadap variabel Continuance Use Intention

(CUI)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kesembilan (H9) Diterima. Hal ini,

artinya Perceived Enjoyment (PE) memiliki pengaruh yang

signifikan terhadap Continuance Use Intention (CUI). Hal ini

dikarenakan hasil nilai pengujian path coefficient mencapai 0.328.

Jalur ini memiliki nilai pengaruh yang besar berdasarkan

perhitungan f2 yaitu 0.378 sedangkan berdasarkan perhitungan q2

memiliki nilei pengaruh yang kecil yaitu 0.107.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Bataineh, Al-Abdallah, & Alkharabsheh, 2015) yang menyatakan

bahwa kenyamanan yang dirasakan pengguna adalah faktor utama

yang dapat mempengaruhi niat pengguna untuk menggunakan

 kembali sebuah sistem atau teknologi. Hal ini menunjukkan bahwa

semakin tinggi kualitas fitur yang disajikan oleh LinkedIn yang

memberikan kenyamanan, maka pengguna akan cenderung terus

menggunakannya. LinkedIn telah memberikan fitur yang dapat

memberikan kenyamanan bagi penggunanya. Hal tersebut

menjadikan pengguna akan cenderung ingin tetap menggunakan

LinkedIn.

4.4.3.10 H10 : Apakah variabel Satisfaction (S) berpengaruh secarta

signifikan terhadap variabel Continuance Use Intention (CUI)?

Hasil pengujian t-test pada analisis inner model yang telah

dilakukan, bahwa hipotesis kesepuluh (H10) Diterima. Hal ini,

artinya Satisfaction (S) memiliki pengaruh yang signifikan terhadap

Continuance Use Intention (CUI). Hal ini dikarenakan hasil nilai

pengujian path coefficient mencapai 0.393. Jalur ini memiliki nilai

pengaruh yang menengah berdasarkan perhitungan f2 yaitu 0.336

sedangkan berdasarkan perhitungan q2 memiliki nilei pengaruh yang

kecil yaitu 0.123.

Hal ini selaras dengan penelitian yang telah dilakukan oleh

(Susanto, Chang, & Ha, 2016) yang menyatakan bahwa kepuasan

yang dirasakan pengguna adalah faktor utama yang dapat

mempengaruhi niat pengguna untuk menggunakan kembali sebuah

sistem atau teknologi.

Berdasarkan hasil pengamatan, peneliti beranggapan bahwa

hasil ini telah sesuai dengan kondisi yang ada di lapangan, dimana
pengguna akan memiliki niat untuk menggunakan kembali LinkedIn

jika pengguna puas dengan apa yang di berikan oleh LinkedIn.

Variabel satisfaction merupakan salah satu yang menjadi

pertimbangan dalam mendorong niat untuk menggunakan kembali

LinkedIn. Namun, jika pengguna merasa tidak puas dengan

penggunaan LinkedIn, pengguna mungkin akan memilih untuk

berhenti menggunakan LinkedIn. Maka dari itu, dapat disimpulkan

bahwa Satisfaction (S) mempengaruhi Continuance Use Intention

(CUI) yang dimiliki pengguna terhadap penggunaan LinkedIn.

 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pada hasil penelitian Analisis Continuance Use Intention Pada

Situs Jejaring Sosial LinkedIn dengan menggunakan Expectation Confirmation Model

(ECM) (Studi Kasus : UIN JAKARTA), maka dapat diambil kesimpulan sebagai

berikut :

1. Hasil pengolahan data yang telah dilakukan oleh peneliti, dari jumlah

responden mencapai 127 responden yang merupakan mahasiswa semester

akhir UIN Syarif Hidayatullah Jakarta yang telah menjadi pengguna situs

jejaring sosial LinkedIn. Terdapat sebanyak 76 responden (60%) akan berniat

untuk terus menggunakan LinkedIn. 44 responden (35%) memilih mungkin

akan melanjutkan penggunaan LinkedIn. Dan yang tidak berniat melanjutkan

penggunaan LinkedIn hanya 7 responden (5%). Mayoritas dari responden

menyatakan bahwa responden akan berniat untuk terus menggunakan

LinkedIn.

2. Berdasarkan hasil dari penelitian, seluruh hipotesis pada penelitian ini terbukti

secara statistik berpengaruh positif dan signifikan terhadap pengukuran tingkat

niat berkelanjutan pengguna dalam penggunaan situs jejaring sosial LinkedIn.

Pengguna merasa LinkedIn telah memenuhi kriteria dan telah memberikan

kualitas layanan yang terbaik bagi para penggunanya, dengan memberikan

manfaat serta kenyamanan dalam setiap penggunaannya. Hal tersebut

menjadikan pengguna merasakan kepuasan dalam penggunaannya dan

 menjadi faktor yang mendorong pengguna untuk dapat terus menggunakan

LinkedIn.

3. Berdasarkan hasil penelitian, hipotesis yang memiliki hasil effect size (f2) yang

berpengaruh besar adalah C → PE, . Pengaruh Confirmation (C) yang kuat

dan signifikan terhadap Perceived Enjoyment (PE), menunjukkan bahwa

kinerja yang telah diberikan oleh LinkedIn telah sesuai dengan harapan

penggunanya. Pengguna telah memperoleh manfaat yang sesuai dengan apa

yang diharapkan sehingga pengguna lebih cenderung merasa nyaman ketika

menggunakan LinkedIn.

5.2 Saran

Berdasarkan dari hasil penelitian yang telah dilakukan, terdapat beberapa

saran yang perlu diperhatikan untuk peneliti selanjutnya, yaitu sebagai berikut :

1. Peneliti selanjutnya disarankan untuk mengembangkan kembali model yang

digunakan oleh peneliti, serta menambahkan variabel-variabel yang terbukti

memiliki pengaruh yang signifikan.

2. Peneliti selanjutnya disarankan untuk mendapatkan data dengan cakupan yang

lebih luas, dan tidak membatasi kriteria responden yang dicari.

3. Penyebaran kuesioner lebih diperbanyak dengan cara tatap muka langsung

dengan responden agar dapat dengan mudah mengetahui sasaran responden

yang dituju, serta membantu responden jika ada pertanyaan yang kurang

dimengerti guna menghindari kesalah pahaman terhadap pertanyaan dalam

kuesioner.

4. Bagi pihak LinkedIn agar terus meningkatkan layanan dan dapat terus

mempertahankan penggunanya dengan tetap terus meningkatkan fitur- fitur

 terbaru serta memperbaiki kualitas sistem agar pengguna tidak merasakan

kejenuhan dalam penggunaannya.

DAFTAR PUSTAKA
Abbas, H. A., & Hamdy, H. (2015). Determinants of continuance intention factor in Kuwait
communication market: Case study of Zain-Kuwait. Computers in Human Behavior, 648-657.

Abdillah, W. (2017). Metode Penelitian Terpadu Sistem Informasi. Yogyakarta: Andi.

Afthanorhan, W. M. (2013). A Comparison of Partial Least Square Structural Equation Modelling

(PLS-SEM) and Covariance Based Structural Equation Modelling (CB-SEM) for Confimatory
Factor Analysis. International Journal of Engineering Science and Innovative Technology, 198-
205.

Agazzi, A. E. (2020). Study of the usability of LinkedIn: a social media platform meant to connect
employers and employees. 9.

Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision
Processes, 179-211.

Aleman, A. M., & Wartman, K. L. (2009). Online Social Networking on Campus: Understanding What
Matters in Student Culture. New York: Taylor & Francis Press.

Andri, R. M. (2017). Peran dan Fungsi Teknologi Dalam Peningkatan Kualitas Pembelajaran. Jurnal
Ilmiah Research Sains, 122-129.

Arifin, F. (2018). Evaluasi Penerimaan Sistem E-ticket di Taman Margasatwa Ragunan Berdasarkan
Tema UTAUT. Skripsi: UIN Syarif Hidayatullah Jakarta.

Aslam, W., Ham, M., & Farhat, K. (2019). Building Brand Loyalty: An Application of Expectation
Confirmation Model in Mobile Social Commerce. Pakistan Journal of Commerce and Social
Sciences, 806-825.

Avornyo, P., Fang, J., Odai, R. O., Vondee, J. B., & Nartey, M. N. (2019). Factors Affecting Continuous
Usage Intention of Mobile Banking in Tema and Kumasi. International Journal of Business
and Social Science , 17.

Bhattacherjee, A. (2000). Acceptance of Internet Applications Service: The Case of Electronic

Brokerages. IEEE Transactions on System, Man and Cybernetics Part A: System and Human,
411-420.

Bhattacherjee, A. (2001). Understanding Information Systems Continuance: An Expectation-

Confirmation Model. MIS Quarterly.

Boyd, D. M., & Ellison, N. B. (2008). Social Network Sites: Definition, History and Scholarship. Journal
of Computer-Mediated Communication.
Boyd, D., & Ellison, N. (2008). Social Network Sites: Definition, History, and Scholarship. Journal of
Computer-Mediated Communication, 210-230.

Brown , S. A., & Venkatesh, V. (2005). Model of adoption of technology in households: A baseline
model test and extension incorporating household life cycle. MIS Quarterly, 399-426.

Byoungsoo, K. (2011). Understanding Antecedents of Continuance Intention in Social-Networking

Services. CYBERPSYCHOLOGY, BEHAVIOR, AND SOCIAL NETWORKING, 10.

Chandra, F. S. (2017). Kepuasan Pengguna Jejaring Sosial LinkedIn sebagai Jejaring Sosial yang
Berorientasi pada Dunia Bisnis dan Profesional di Indonesia. Jurnal E-Komunikasi, 11.

Chandra, F. S. (2017). Kepuasan Pengguna Jejaring Sosial LinkedIn sebagai Jejaring Sosial yang
Berorientasi pada Dunia Bisnis dan Profesional di Indonesia. JURNAL E-KOMUNIKASI , 11.

Chen, C. M., Wang, E. T., & Chen, M. F. (2017). Assessing the impact of determinants in E-Magazines
acceptance : An empirical study. Computer Standard .

Chen, C. M., Wang, E. T., & Chen, M. F. (2017). Assessing the impact of determinants in E-Magazines
acceptance : An empirical study. Computer Standard & Interfaces, 10.

Chen, I. Y. (2015). The factors influencing members continuance intentions in professional

virtualcommunities – a longitudinal study. 1-17. doi:
http://doi.org/10.1177/0165551506075323

Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using
partial least squares. Statistical strategies for small sample research, 307-341.

Chiu, C.-M., Hsu, M.-H., Sun, S.-Y., Lin, T.-C., & Sun, P.-C. (2005). Usability, quality, value and e-
learning continuance decisions. Computers&Education, 399-416.

Crego, E. T., & Schiffrin, P. D. (1995). Customer Centered Reengineering: Remapping for Total
Customer Value.

Davis, F. D. (1985). A Technology Acceptance Model For Empirically Testing New End-User
Information Systems: Theory and Results Management.

Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information
Technology (Vol. 133). MIS Quarterly.

Davis, F., Bagozzi, R., & Warshaw , P. (1992). Extrinsic and intrinsic motivation to user computers in
the workplace. Journal of Aplied Social Psychology.

Davis, J., Wolff, H.-G., Forret, M. L., & Sullivan, S. E. (2020). Networking via LinkedIn: An examination
of usage and career benefits. Journal of Vocational Behavior, 15.

Dijck, J. V. (2013). ‘You have one identity’: performing the self on Facebook and LinkedIn. Media,
Culture & Society, 199-215.

Dirgayuza , S. (2009). Panduan Praktis Mengoptimalkan Facebook. Jakarta: Media Kita.

Eriyanto. (2007). Teknik Sampling ; Analisis Opini Publik. Yogyakarta: Lkis Pelangi Aksara.

Festinger, L. (1962). Cognitive dissonance. Scientific American, 93-107.

Gaol, L. J. (2008). Sistem Informasi Manajemen Pemahaman dan Aplikasi. Jakarta: PT Grasindo.
Geladi, P., & Kowalski, B. R. (1986). Partial Least Square Regression: A Tutorial. Analytica Chimica
Acta, 17.

Gelinas, J. U., Dull, R. B., & Wheeler, P. R. (2012). Accounting Information Systems. South Western:
Cengage Learning.

Ghozali, I. (2008). Model Persamaan Struktural, Konsep dan Aplikasi dengan Program AMOS 16.0.
Semarang: Badan Penerbit Universitas Diponegoro.

Ghozali, I., & Latan, H. (2015). Partial Least Square, Konsep, Teknik, dan Aplikasi Menggunakan
Program SmartPLS 3.0 untuk Penelitian Empiris. Semarang: UNDIP.

Guritno, S., Sudaryono, & Rahardja, U. (2011). Metodologi Penelitian Teknologi Informasi.
Yogyakarta: Andi.

Hair, J. F. (2012). An Assesment Of The Use Of Partial Least Squares Structural Equation Modeling In
Marketing Research. Journal of the academy of marketing science, 414-433.

Hair, J., Anderson, R., Tatham , R., & Black, W. (1998). Multivariate data analysis 5th Edition. New
Jersey: Prentice Hall.

Hair, J., Ringle, C., & Sarstedt, M. (2011). PLS-SEM: Indeed a Silver Bullet. Journal of Marketing
Theory and Practice.

Hsu, C. L., & Lin, J. C. (2015). What Drives Purchase Intention for Paid Mobile Apps? - An Expectation
Confirmation Model with Perceived Value. Electronic Commerce Research and Applications,
46-57.

Hsu, M. H., & Chiu, C. M. (2004). Predicting electronic service continuance with a decomposed
theory of planned behaviour . Behaviour & Information Technology, 359-373.

Idris, M. (2009). Metode Penelitian Ilmu Sosial. Jakarta: Erlangga.

Jeffry, L. (2004). Metode Desan dan Analisis Sistem . Yogyakarta: Andi Madcoms.

Jogiyanto. (2005). Analisa dan Desain Sistem Informasi: Pendekatan Terstruktur Teori dan Praktik
Aplikasi Bisnis. Yogyakarta: Andi.

Jogiyanto. (2007). Sistem Informasi Keperilakuan. Yogyakarta: Andi Offset.

Jogiyanto. (2008). Analisis dan Desain Sistem Informasi : Pendekatan Terstruktur Teori dan Praktek
Aplikasi Bisnis. Yogyakarta: Andi.

Juditha, C. (2011). Hubungan Penggunaan Situs Jejaring Sosial Facebook Terhadap Perilaku Remaja di
Kota Makassar. Jurnal Penelitian IPTEKKOM, 23.

Jusuf, M. B., Utami, N. P., Hidayanto, A. N., & Shihab, M. R. (2017). Analysis of intrinsic factors of
mobile banking application users’ continuance intention: An evaluation using an extended
Expectation Confirmation Model. 2017 Second International Conference on Informatics and
Computing (ICIC).

Kadir, A. (2014). Pengenalan Sistem Informasi Edisi Revisi. Yogyakarta: Andi.

Kim, B. (2010). An empirical investigation of mobile data service continuance: Incorporating the
theory of planned behavior into the expectation–confirmation model. Expert Systems with
Applications, 7033-7039.
Kim, B., & Han, I. (2009). What drives the adoption of mobile data services? An approach from a
value perspective. Journal of Information Technology, 35-45.

Kordina, L., Putra, W. H., & Herlambang, A. D. (2019). Evaluasi Keadaan Continuance Intention to Use
dan Citizen Support pada Implementasi Layanan Website Pusat Pelayanan Pengaduan
Masyarakat (P3M) Kabupaten Sidoarjo. Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputer, 10.

Krismaji. (2015). Perancangan Sistem Informasi Dan Sistem informasinya. Yogyakarta: Gava Media.

Lai, H. M., Chen, C. P., & Chang, Y. F. (2016). Expectation Confirmation Model of Information system
continuance: A meta analysis. International Journal of Educational and Pedagogical Sciences,
6.

Lam, S. Y., Shankar, V., & Erramilli, M. K. (2004). Customer value, satisfaction, loyalty, and switching
costs: An illustration from a business-to-business service context. Journal of the Academy of
Marketing Science.

Latan, H. (2012). Structural Equation Modeling: Konsep dan Aplikasi. Bandung: Alfabeta.

Laudon, K. C., & Laudon, J. P. (2012). Management Information Systems- Managing The Digital Firm
(12th ed). London: Person Education.

Lee, M. C. (2010). Explaining and Predicting Users' Continuance Intention Toward E-Learning: An
Extension of the Expectation-Confirmation Model. Computers & Education, 506-516.

Lin, C. A., & Atkin, D. A. (2002). Cresskill, N.J. : Hampton Press.

Lin, C. S., Wu, S., & Tsai, R. J. (2005). Integrating perceived playfulness into expectation-
confirmationmodel for web portal context. Information & Management, 683-693.

Martono , A., Maulani, G., & Pujianingsih, S. (2017). Pengembangan Web Alumni dengan
Menggunakan LinkedIn pada Perguruan Tinggi. 13.

Mathieson, K. (1991). Predicting user intentions: Comparing the technology acceptance model with
the theory of planned behavior. Information System Research, 173-191.

McLeod, R. (2007). Management Information System. New Jersey: Pearson Education.

Mulyanto, A. (2009). Sistem Informasi Konsep dan Aplikasi. Yogyakarta: Pustaka Pelajar.

Nawawi, A. (2021). Strategi Pemasaran di Media Sosial. EAS Artikel E-Bisnis (R), 14.

Nazir. (2005). Metode Penelitian. Bogor: Ghalia Indonesia.

Nematollahi et al. (2017). Factors Affecting in Adoption and Use of Electronic Medical Record Based
on Unified Theory of Acceptance and Use of Technology in Iran. Shiraz E-Medical Journal.

Nurrahman , Y. (2017, April 6). Tempo Ekslusif. Retrieved from Pengguna LinkedIn di Indonesia Capai
8 Juta: https://tekno.tempo.co/read/869469/pengguna-linkedin-di-indonesia-capai-8-juta

Nursiyono, J. A. (2015). Kompas Teknik Pengambilan Sampel. Bogor: In Media.

O'Brien, & Marakas. (2009). Management Information Systems.Ninth Edition. New York: McGraw-
Hill/Irwin.
Oliver, R. L. (1980). A Cognitive Model of the Antecedents and Consequences of Satisfaction
Decisions. Journal of Marketing Research.

Parthasarathy, M., & Bhattacherjee, A. (1998). Understanding Post-Adoption Behavior in the Contex
of Online Services. Information Systems Research, 362-379.

Prabandari, S. P., & Sholihah, P. I. (2014). The influence of theory of planned behavior and
entrepreneurship education towards entrepreneurial intention. Journal of Economics,
Business, and Accountancy Ventura, 385-392.

Putra, M. A. (2018). Evaluasi Penggunaan pada Produk Uang Elektronik E-Money Bank Mandiri
Menggunakan Model UTAUT 2. UIN Syarif Hidayatullah Jakarta: Skripsi .

Raharjo, S., & Gudnanto. (2011). Pemahaman Individu: Teknik Nontes. Kudus: Nora Media
Enterprise.

Ramzan, S., & Khan, I. M. (2010). Dimension reduction and remedy of multicollinearity using latent
variable regression methods. World Applied Science Journal, 404-410.

Ringle, C. M., Silva, D. D., & Bido, D. (2014). STRUCTURAL EQUATION MODELING WITH THE
SMARTPLS. Brazilian Journal Of Marketing, 19.

Ringle, C., Silva, D., & Bido, D. (2014). Structural Equation Modeling With The SmartPLS. REMark –
Revista Brasileira de Marketing, 18.

Riyanto, A. D. (2022, Februari 20). Hootsuite (We are Social): Indonesian Digital Report 2022.
Retrieved from Andi.Link: https://andi.link/hootsuite-we-are-social-indonesian-digital-
report-2022/

Romney, M. B., & Steinbart, P. J. (2015). Accounting Information System, 13th ed. England: Pearson
Educational Limited.

Sangadji, E. M., & Sopiah. (2010). Metodologi Penelitian: Pendekatan Praktis dalam Penelitian.
Yogyakarta: Andi Offset.

Sangadji, E. M., & Sopiah. (2010). Metodologi Penelitian: Pendekatan Praktis dalam Penelitian.
Yogyakarta: C.V Andi Offset.

Sangadji, E. M., & Sopiah. (2010). Metodologi Penelitian: Pendekatan Praktis dalam Penelitian.
Yogyakarta: Andi Offset.

Sarwono, J. (2013). Strategi Melakukan Riset. Yogyakarta: Ando Offset.

Setiawan, A. B. (2016). Evaluasi Kepuasan Pengguna Sistem Aplikasi Surat Keterangan Tinggal
Sementara Online (SKTS) dengan Menggunakan Metode End-User Computing Satisfaction.
Surabaya: Universitas Airlangga.

Sheldon, K. M., Abad, N., & Hinsch, C. (2011). Two-process view of facebook use and relatedness
need-satisfaction: Disconnection drives use, and connection rewards it. J Pers Soc Psychol.

Sholihin, M., & Ratmono, D. (2013). Analisis SEM-PLS dengan WarpPLS 3.0. Yogyakarta: Andi.

Siswanto, V. A. (2012). Strategi dan Langkah-langkah Penelitian. Yogyakarta: Graha Ilmu.

Siswanto, V. A. (2012). Strategi dan Langkah-langkah Penelitian. Yogyakarta: Graha Ilmu.

Skeels, M. M., & Grudin, J. (2009). When Social Networks Cross Boundaries: A Case Study of
Workplace Use of Facebook and LinkedIn. 9.

Soehartono, I. (2011). Metode Penelitian Sosial: Suatu Teknik Penelitian Bidang Kesejahteraan Sosial
dan Ilmu Sosial Lainnya. Bandung: Rosda.

Sreelakshmi, C. C., & Prathap, S. K. (2020). Continuance adoption of mobile-based payments in

Covid-19 context: an integrated framework of health belief model and expectation
confirmation model. International Journal of Pervasive Computing and Communications, 29.

Sugiyono. (2012). Metode Penelitian Kombinasi. Bandung: Alfabeta.

Sugiyono. (2013). Metode Penelitian Bisnis. Bandung: Alfabeta.

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

Sugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: CV Alfabeta.

Sukandarrumidi. (2012). Metodologi Penelitian. Cetakan Keempat. Yogyakarta: Gadjah Mada

University Press.

Susanto, A., Chang, Y., & Ha, Y. (2016). Determinants of continuance intention to use the
smartphone banking services: An extension to the expectation-confirmation model.
Industrial Management and Data Systems, 508-525.

Sutabri, T. (2012). Analisis Sistem Informasi. Yogyakarta: Andi.

Sutanta, E. (2011). Basis Data dalam Tinjauan Konseptual. Yogyakarta: Andi.

Taheerdoost, H. (2016). Sampling Methods in Research Methodology: How To Choose a Sampling

Technique for Research. SSRN Electronic Journal.

Thong, J. Y., Hong, S. J., & Tam, K. Y. (2006). The effects of post-adoption beliefs on the expectation -
confirmation model for information technology continuance. International Journal of
Human-Computer Studies.

Van der Heijden, H. (2004). User acceptance of hedonic information systems. MIS quarterly, 695-
704.

Venkatesh, V., Morris, M. G., & Davis , G. B. (2003). User acceptance of information technology:
Toward a unified view. MIS Quarterly 2003, 425.

Wang, Y., & Li, M. X. (2019). Regional characteristics of sports industry profitability: Evidence from
China’s province level data. Physica A: Statistical Mechanics and Its Applications, 946-955.

Watkins, S. C. (2009). The Young and the Digital: What the Migration to Social Network Sites, Games,
and Anytime, Anywhere Media Means for Our Future. UK: Beacon Press.

We Are Social. (2022, April 21). More Than 5 Billion People Now Use The Internet. Retrieved from We
Are Social: https://wearesocial.com/uk/blog/2022/04/more-than-5-billion-people-now-use-
the-internet/

Wicaksono, I. (2016). ANALISIS FAKTOR YANG MEMPENGARUHI NIAT KEBERLANJUTAN

PENGGUNAAN E – LEARNING PADA PERSPEKTIF DOSEN (STUDI KASUS: SHARE ITS). Institut
Teknologi Sepuluh Nopember, 193.
Widi, R. (2011). Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologi Kedokteran Gigi.
Stomatognatic, 27-34.

Widi, R. K. (2010). Asas Metodologi Penelitian. Yogyakarta: Graha Ilmu.

Wijaya, T. (2009). Analisis SEM Untuk Penelitian Menggunakan AMOS. Penerbit Universitas
Atmajaya: Yogyakarta.

Wong, K. K.-K. (2013). Partial Least Squares Structural Equation Modeling (PLS-SEM) Techniques.
Marketing Bulletin, 33.

Wu, J., Tsai, R. J., Chen, C. C., & Wu, Y. (2006). An Integrative Model To Predict The Continuance Use
Of Electronic Learning Systems: Hints For Teaching. The Electric Journal of e-learning, 287.

Yamin, S., & Kurniawan, H. (2011). Generasi Baru Mengola Data Penelitian dengan Partial Least
Square Path Modelling: Aplikasi dengan software XLSTAT, SmartPLS, dan Visual PLS. Jakarta:
Salemba Infotek.

Zhou, T., & Li, H. (2014). Understanding mobile SNS continuance usage.
LAMPIRAN – LAMPIRAN
Lampiran 1 : Kuesioner Penelitian

Analisis Continuance Use Intention Pada Situs Jejaring Sosial LinkedIn dengan

menggunakan Expectation Confirmation Model (ECM) (Studi Kasus : UIN JAKARTA)

Assalamu’alaikum Wr.Wb

Saya Gina Sajiah Hilman Syah, mahasiswi program studi Sistem Informasi, Fakultas

Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta (UIN Jakarta)

yang saat ini sedang melaksanakan penelitian dalam rangka penyelesaian skripsi.

Penelitian ini bertujuan untuk mengetahui niat keberlanjutan pengguna Situs Jejaring

Sosial Profesional LinkedIn berdasarkan persepsi pengguna yaitu mahasiswa semester akhir

UIN Syarif Hidayatullah Jakarta yang telah menjadi pengguna LinkedIn dengan

menggunakan Expectation Confirmation Model (ECM) oleh Anol Bhattacherjee (2001).

Peneliti memohon kepada responden untuk meluangkan waktu untuk mengisi kuesioner di

bawah ini. Jika terdapat informasi yang kurang jelas atau ada hal yang ingin ditanyakan,

Anda dapat menghubungi peneliti melalui email : ginasajiah.hilmansyah15@mhs.uinjkt.ac.id

Nb*seluruh informasi yang dicantumkan dalam form ini hanya digunakan sebagai data

penelitian dan akan dijamin kerahasiannya.

Atas perhatian dan kesediaan waktunya, saya mengucapkan terima kasih.

Wassalamualaikum, Wr. Wb.

Bagian Pertama
A. Profil Responden
No Pertanyaan Jawaban
 .
1. Nama
2. NIM
3. Semester ☐8
☐ 10
☐ 12
☐ 14
4. Jenis Kelamin ☐ Laki-Laki
☐ Perempuan
5. Fakultas ☐ Dirasat Islamiyah (FDI)
☐ Ilmu Tarbiyah & Keguruan (FITK)
☐ Syariah & Hukum (FSH)
☐ Adab & Humaniora (FAH)
☐ Ilmu Sosial & Ilmu Politik (FISIP)
☐ Kedokteran (FK)
☐ Ushuludin (FU)
☐ Dakwah & Ilmu Komunikasi (FDIKOM)
☐ Ekonomi & Bisnis (FEB)
☐ Sains & Teknologi (FST)
☐ Psikologi (FPsi)
☐ Ilmu Kesehatan (FIKES)
6. Username LinkedIn
7. Sudah berapa lama anda ☐ < 1 tahun
menggunakan LinkedIn ☐ 1-2 tahun
☐ >2 tahun
8 Berapa lama frekuensi ☐ <1 jam
penggunaan LinkedIn ☐ 1-2 jam
(Perhari) ☐ >2 jam
B. Status Kepuasan & Niat Penggunaan
9. Secara keseluruhan, ☐ Puas
apakah anda puas dengan ☐ Netral
LinkedIn ☐ Tidak Puas
10. Apakah anda akan terus ☐ Iya
menggunakan LinkedIn ☐ Mungkin
☐ Tidak

Bagian Kedua
Bagian kedua dari kuesioner ini berisikan pertanyaan terkait pengalaman

pengguna menggunakan LinkedIn serta kepuasan dan niat penggunaan

LinkedIn. Untuk pertanyaan berikut, pilihlah satu jawaban yang paling sesuai

dengan Anda. Berilah tanda (√) pada salah satu skala berikut!

Keterangan:
 Singkatan Keterangan Nilai
STS Sangat Tidak Setuju 1
TS Tidak Setuju 2
N Netral/Tidak Tahu 3
S Setuju 4
SS Sangat Setuju 5

Perceived Usefulness
No. Pernyataan STS TS N S SS
LinkedIn memungkinkan saya untuk
1. berkomunikasi lebih cepat dengan
para profesional
Menggunakan LinkedIn  telah
2. memudahkan saya dalam berinteraksi
dengan para profesional
Menggunakan LinkedIn dapat
3. meningkatkan efektivitas saya dalam
berinteraksi dengan profesional
Saya merasa menggunakan LinkedIn
4. bermanfaat dalam berinteraksi dengan
profesional

Perceived Enjoyment
No. Pernyataan STS TS N S SS
Saya merasa nyaman menggunakan
5.
LinkedIn
Saya merasa senang menggunakan
6.
LinkedIn
7. Saya menikmati semua fitur LinkedIn
Saya menemukan bahwa
8. menggunakan LinkedIn hal yang
menarik

Confirmation
No. Pernyataan STS TS N S SS
Menggunakan LinkedIn memberikan
9. saya pengalaman yang lebih baik dari
ekspektasi saya
Menggunakan LinkedIn memberikan
10. saya kualitas layanan yang lebih baik
dari ekspektasi saya
Harapan saya terpenuhi dari
11.
menggunakan LinkedIn
Secara keseluruhan ekspektasi saya
12. terpenuhi dalam penggunaan LinkedIn
sesuai dengan realita

Satisfaction
No. Pernyataan STS TS N S SS
LinkedIn memberikan pengalaman
13.
yang sangat memuaskan
LinkedIn memberikan pengalaman
14.
yang sangat menyenangkan
Secara keseluruhan saya sangat puas
15.
dalam menggunakan LinkedIn
Performa LinkedIn sudah memenuhi
16.
ekspektasi saya
Saya merasa saya telah melakukan hal
17. yang benar dengan menggunakan
LinkedIn

Interpersonal Influence
No. Pernyataan STS TS N S SS
Saya menggunakan LinkedIn atas
18.
rekomendasi keluarga atau teman saya
Saya menggunakan LinkedIn setelah
19. mengamati keluarga atau teman saya
menggunakan LinkedIn
Berdasarkan informasi orang terdekat,
20. menggunakan LinkedIn adalah
keputusan atau ide yang bagus

Media Influence
No. Pernyataan STS TS N S SS
Saya menggunakan LinkedIn karena
21.
melihat berita di televisi atau internet
Saya menggunakan LinkedIn karena
22.
iklan di sosial media
Saya menggunakan LinkedIn karena
23.
hadiah yang ditawarkan

Continuance Use Intention

No. Pernyataan STS TS N S SS
Saya berniat untuk terus menggunakan
24. LinkedIn dibanding berhenti
menggunakannya
Saya berniat untuk terus menggunakan
25. LinkedIn dibanding situs jejaring
sosial lain
Saya akan sering menggunakan
26.
LinkedIn di kemudian hari
Lampiran 2 : Data Responden

P P P P P P P P I I I C C C
U U U U E E E E C C C C S S S S S I I I M M M UI UI UI
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 5 1 2 3 I1 I2 I3 1 2 3
4 4 4 4 4 4 3 5 4 4 4 4 5 5 5 4 4 5 4 4 4 4 4 4 4 4
4 4 4 5 4 3 4 4 4 4 4 4 5 4 4 4 4 5 4 4 4 3 4 5 5 5
4 5 4 5 2 5 4 4 3 3 4 5 4 5 5 4 4 5 4 4 4 4 3 4 4 4
5 4 5 4 4 3 4 4 4 3 3 3 4 5 4 4 5 5 4 5 4 4 3 4 5 4
5 5 4 4 3 4 5 4 4 4 4 5 4 5 5 4 4 5 5 5 3 3 4 4 4 4
5 4 4 4 3 4 5 4 4 4 4 3 4 5 4 4 4 3 4 3 4 3 3 3 4 5
4 5 3 4 3 4 4 4 5 5 5 5 5 4 5 3 4 4 3 3 3 3 4 4 4 4
5 5 4 3 3 4 4 4 4 4 3 4 4 5 5 4 3 3 4 3 3 3 4 4 4 4
5 4 4 4 3 4 5 4 3 3 3 3 4 5 4 4 4 3 4 4 4 4 4 4 4 3
4 5 4 4 5 4 4 4 4 4 5 4 4 4 5 4 4 4 4 4 4 4 3 4 4 5
5 5 4 5 4 4 4 4 4 4 4 4 5 5 5 4 5 4 4 4 4 4 4 5 4 5
5 5 5 5 3 4 4 5 4 5 3 4 5 5 5 5 5 3 4 4 4 4 4 4 5 4
3 3 3 4 5 5 4 4 4 5 4 5 4 5 5 4 4 3 4 4 4 4 4 4 4 4
4 4 3 4 5 5 4 4 4 5 5 5 5 5 5 4 4 3 3 4 3 3 3 4 4 4
4 4 3 4 5 4 4 4 4 5 4 4 4 5 4 4 4 4 3 4 3 4 4 4 4 4
3 4 4 4 5 5 4 4 5 5 4 4 5 5 5 4 4 3 3 4 3 4 3 4 5 4
3 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 3 4 5 4 3 3 3 4 4 5
4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 5 4 4 3 3 4 4 4
3 3 3 4 4 5 4 4 4 4 4 5 5 4 5 4 4 5 4 5 4 4 4 4 5 4
3 4 4 4 4 4 4 4 5 5 4 4 5 4 4 4 4 4 4 5 4 4 4 4 4 4
4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 5 4 5 5 4 4 4 4 5 5
4 3 4 3 4 4 4 5 5 5 4 4 4 5 5 4 4 4 5 5 4 4 4 4 4 4
3 3 3 3 4 3 4 5 4 4 4 4 4 5 5 4 4 5 4 4 4 4 4 5 5 4
4 4 4 4 3 4 4 5 5 4 4 4 5 5 5 5 4 3 3 3 3 3 3 4 4 4
4 4 4 4 3 4 5 5 5 4 5 5 5 5 5 5 4 3 3 4 3 3 3 5 5 5
5 5 4 5 4 4 4 5 5 4 4 4 5 5 5 5 4 4 4 3 4 4 3 5 5 4
5 5 5 5 3 4 4 5 4 4 4 5 4 5 5 5 5 3 3 3 3 3 3 4 5 4
5 5 5 5 4 4 4 4 5 5 5 4 5 5 5 4 4 5 4 4 3 2 2 4 4 5
5 5 5 5 4 4 4 4 5 4 4 4 4 4 4 4 4 3 3 4 3 3 3 4 4 4
4 4 4 4 4 4 4 5 4 4 5 4 5 5 5 4 4 3 3 3 4 3 2 4 4 4
2 3 2 3 4 4 4 4 4 5 4 4 3 5 4 4 4 5 5 3 3 3 4 4 4 4
2 2 3 3 4 4 4 5 4 4 4 4 3 4 5 4 4 3 5 3 3 3 3 4 4 4
3 2 3 3 4 4 4 4 4 5 4 4 4 5 5 4 4 3 3 3 3 3 3 3 4 4
3 3 2 2 4 4 4 4 4 4 4 4 4 4 4 3 4 5 4 4 2 2 2 4 4 4
3 3 2 2 4 4 4 5 4 4 4 5 4 4 4 4 4 4 4 4 3 3 3 4 4 5
1 2 3 3 4 3 4 5 4 4 4 4 4 5 4 4 4 4 4 4 5 3 4 4 4 5
2 3 2 2 4 4 5 5 5 5 5 5 4 4 5 4 4 4 4 4 2 1 1 4 4 4
1 1 3 2 1 1 2 2 5 5 5 5 2 2 2 2 2 4 4 4 3 2 2 1 2 3
2 2 3 3 2 2 3 3 3 5 3 5 3 3 3 3 3 5 5 5 3 2 2 2 4 3
3 3 3 2 3 3 2 2 3 3 3 3 2 4 2 4 3 4 3 4 3 2 1 3 2 3
2 2 3 2 2 2 2 2 5 4 5 4 2 2 2 2 3 4 4 4 3 2 1 2 2 3
3 4 4 4 1 1 1 2 4 4 4 4 5 4 5 5 5 3 3 3 3 2 1 1 1 2
4 4 3 4 3 3 3 3 4 4 4 4 5 3 5 5 5 5 5 5 3 3 2 3 3 4
2 2 3 2 2 3 2 2 4 4 4 4 4 4 4 4 4 4 4 4 2 2 1 2 2 3
2 2 2 2 2 2 2 2 4 4 4 4 3 3 3 3 3 4 5 4 1 1 1 2 2 2
2 2 2 2 3 3 4 4 5 5 5 5 2 2 2 2 2 4 5 4 2 2 2 2 2 2
1 1 1 1 5 5 5 5 3 3 3 3 1 1 1 1 1 4 4 5 1 1 1 1 1 1
4 4 4 4 5 5 5 5 4 4 4 4 4 4 4 4 4 4 5 5 2 1 1 4 4 4
4 4 5 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 5 4 1 1 1 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 1 1 1 4 4 4
4 4 5 4 5 5 5 5 4 4 5 4 4 5 5 5 4 4 4 4 1 1 1 4 5 4
3 3 4 5 3 3 4 4 4 4 4 4 3 4 4 4 4 4 4 4 2 2 2 3 4 4
4 4 4 5 5 5 5 5 4 4 4 5 4 4 4 4 4 4 4 4 2 2 2 4 4 4
2 2 2 2 1 1 2 2 2 2 1 1 2 1 1 1 1 3 4 3 2 2 2 2 1 1
4 4 4 4 2 2 4 4 4 4 2 2 4 2 2 2 2 4 4 4 2 1 2 4 2 2
4 4 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 3 4 3 2 2 2 2 2 2
4 4 3 4 3 3 4 4 4 4 3 2 4 3 3 3 2 3 3 4 2 1 1 4 3 2
5 5 5 4 1 1 1 1 1 1 1 2 1 1 1 1 2 4 4 4 1 2 1 1 1 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 2 1 1 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 2 1 1 2 2 2
2 2 2 1 1 3 2 1 3 2 2 2 2 1 3 2 2 3 4 3 2 2 2 1 3 2
1 3 2 2 2 3 2 2 3 2 1 3 2 2 3 3 3 3 3 4 1 1 1 2 3 2
2 2 4 2 2 3 4 2 3 2 2 2 4 2 3 2 2 3 3 3 1 2 1 2 3 2
3 3 5 2 4 2 5 2 2 4 3 3 4 3 4 3 3 4 4 3 2 2 2 2 2 4
2 3 4 2 4 3 4 2 4 2 2 3 2 2 2 2 3 4 4 4 1 1 1 2 4 2
2 4 4 2 3 2 4 2 4 3 2 4 3 2 3 2 4 4 4 4 2 2 2 2 4 3
2 2 2 2 3 2 2 2 3 2 2 2 2 2 2 2 2 4 4 4 2 2 2 2 3 2
2 3 2 2 2 2 2 2 3 2 2 3 2 2 2 2 3 4 4 4 2 2 1 2 3 2
4 5 3 4 5 4 3 4 4 4 5 5 4 4 4 4 5 4 4 4 2 3 4 4 4 4
4 4 4 4 5 4 4 4 4 4 4 5 5 4 5 4 4 3 4 4 3 4 4 4 4 5
4 4 4 4 5 4 4 4 4 4 4 4 5 4 5 4 4 3 4 4 2 2 2 4 4 5
5 5 4 4 5 5 4 4 5 5 5 4 4 5 4 5 5 4 4 3 2 2 2 4 4 4
4 4 5 5 5 4 5 5 4 4 4 5 4 4 4 4 4 4 4 4 3 3 3 5 4 4
5 4 3 5 5 5 3 5 4 4 5 4 4 5 4 5 4 4 4 4 3 3 3 5 5 4
4 5 4 4 5 5 4 4 4 4 4 4 4 4 4 4 5 4 4 4 3 3 3 4 5 4
4 4 5 4 5 5 5 4 4 4 5 4 5 4 5 4 4 5 5 4 3 2 2 4 4 5
4 5 4 4 5 4 4 4 4 4 4 5 4 5 4 4 5 4 4 5 2 3 4 4 5 4
4 4 5 5 5 5 5 5 4 4 4 5 4 4 5 4 4 5 4 4 3 4 3 5 4 5
5 5 5 4 5 5 5 4 5 5 5 3 5 5 5 5 5 5 4 4 3 3 3 4 4 5
5 4 5 5 5 5 5 5 5 5 4 4 5 4 5 5 4 5 3 4 3 2 3 5 4 5
4 4 5 5 5 5 4 5 5 4 5 4 5 5 4 5 5 4 4 4 3 3 3 4 5 4
5 5 5 4 5 4 4 5 4 4 5 5 5 4 5 5 4 4 4 4 4 3 4 5 4 5
5 5 5 3 5 5 5 5 4 4 4 4 5 3 5 5 3 4 4 4 2 3 2 5 5 5
5 5 4 5 5 4 5 5 5 5 4 4 4 5 5 4 5 4 4 4 2 2 2 5 4 5
5 5 5 5 4 4 4 4 4 3 5 4 5 5 5 5 5 5 4 5 3 3 4 4 4 5
5 5 5 5 5 5 5 5 4 3 5 4 5 5 5 5 5 5 5 5 2 3 3 5 5 5
5 5 5 5 5 5 5 5 4 3 5 4 5 5 5 5 5 5 5 5 4 3 2 5 5 5
5 5 5 4 5 5 5 5 4 3 5 4 5 5 5 3 3 5 5 5 3 3 3 5 5 5
4 3 4 4 4 3 4 4 4 3 5 4 4 4 4 4 4 4 4 4 3 4 3 4 3 4
4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 5 4 4 4 4 3 3 3 4 4 4
4 4 4 5 4 4 4 4 4 3 4 4 4 3 4 4 3 4 4 4 4 5 4 4 4 4
4 4 4 4 4 4 4 4 5 3 4 4 4 4 4 4 4 4 4 4 3 4 5 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 5 4 3 3 3 4 2 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3 3 3 3 2 1 3 3 3
2 2 2 2 5 5 5 5 2 2 2 2 2 2 2 4 4 2 2 2 3 3 3 2 2 2
3 3 3 4 4 4 4 5 4 3 3 3 3 3 3 4 5 3 3 3 3 2 3 3 3 3
4 4 3 4 5 4 4 4 4 4 4 3 3 4 3 4 5 3 3 3 3 4 3 4 4 3
4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 2 1 4 4 4
3 3 3 3 5 4 4 4 3 3 3 3 3 3 3 5 5 3 3 3 3 3 3 3 3 3
3 3 4 3 5 4 5 4 3 3 3 4 4 3 4 3 5 4 4 4 2 1 2 3 3 4
4 4 3 4 3 3 4 3 4 4 4 3 3 4 3 3 3 3 5 4 3 2 1 4 4 3
4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 5 4 4 4 3 4 3 4 4 4
2 2 4 2 4 4 2 4 2 2 2 4 4 2 4 4 4 2 2 2 2 1 1 2 2 4
5 4 3 3 3 3 4 5 4 4 4 5 5 4 5 5 5 4 4 4 3 2 3 4 4 5
5 5 5 5 3 3 5 4 5 5 5 4 4 5 4 4 5 4 4 3 4 3 4 5 5 4
5 4 5 5 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 5 3 3 3 4 4 4
5 3 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 1 1 1 4 4 4
3 5 5 5 4 4 3 5 3 5 3 5 5 5 5 5 3 5 5 5 3 3 3 5 3 5
4 4 4 4 5 5 5 4 5 4 5 4 4 4 4 4 3 4 4 4 3 2 1 4 5 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 2 3 4 4 4
3 2 3 2 3 3 3 3 3 3 3 3 3 2 3 2 5 3 3 4 2 3 2 3 3 3
4 4 4 4 3 3 3 3 3 3 3 3 4 4 4 4 4 3 3 4 1 1 2 3 3 3
4 5 4 5 3 4 4 3 3 4 3 3 4 5 4 5 4 4 4 4 3 3 3 4 3 4
4 4 4 4 4 4 3 4 3 3 4 3 4 4 4 4 5 4 4 4 3 2 3 3 4 4
3 4 3 4 3 4 4 3 4 3 4 4 3 4 3 4 3 4 4 5 2 2 3 4 3 4
4 4 4 4 3 4 4 3 4 4 4 4 4 4 4 4 4 3 4 4 2 3 2 4 4 3
3 3 3 3 4 4 4 4 3 3 4 3 3 3 3 3 4 3 4 5 3 4 3 3 4 3
4 3 4 3 4 3 4 4 3 4 3 4 4 3 4 3 3 4 5 5 3 3 3 3 3 4
3 4 3 3 4 3 3 4 4 4 4 4 3 4 3 4 3 3 3 3 3 4 3 4 3 3
3 3 3 3 3 3 4 4 4 4 3 3 3 3 3 3 3 4 4 4 3 2 2 3 4 4
3 3 3 3 4 3 3 3 3 4 4 4 3 3 3 3 3 4 4 4 1 1 2 3 3 4
3 2 3 3 3 3 3 2 2 2 3 2 3 2 3 2 3 2 2 2 3 3 2 2 2 2
3 2 3 3 3 2 3 2 3 2 3 3 2 3 3 3 3 2 2 2 3 2 3 3 3 2
2 1 2 2 3 2 3 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 2
1 2 1 1 1 1 1 1 2 2 2 2 1 1 1 2 2 2 2 2 3 1 3 2 1 1
5 4 5 5 4 4 4 5 5 5 5 4 4 5 5 5 5 4 4 4 3 2 1 4 4 4
4 4 5 4 4 5 4 5 5 5 4 4 4 4 4 4 4 5 5 5 2 2 1 5 5 4