SKRIPSI

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI NIAT

KEBERLANJUTAN PENGGUNAAN SISTEM INFORMASI MANAJEMEN

EDEN FARM (SIMEF) DALAM KEGIATAN OPERASIONAL START-UP

EDEN FARM

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer

Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta

Disusun Oleh :

Eka Putri Nur Asyiam

11170930000022

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

2021 M / 1442 H

1
 SKRIPSI

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI NIAT

KEBERLANJUTAN PENGGUNAAN SISTEM INFORMASI MANAJEMEN

EDEN FARM (SIMEF) DALAM KEGIATAN OPERASIONAL START-UP

EDEN FARM

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer

Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta

Disusun Oleh :

Eka Putri Nur Asyiam

11170930000022

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

2021 M / 1442 H

ii
 HALAMAN JUDUL

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI NIAT

KEBERLANJUTAN PENGGUNAAN SISTEM INFORMASI MANAJEMEN

EDEN FARM (SIMEF) DALAM KEGIATAN OPERASIONAL START-UP

EDEN FARM

Skripsi

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer

Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta

Disusun Oleh :

Eka Putri Nur Asyiam

11170930000022

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

2021 M / 1442 H

iii
 LEMBAR PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI

MANAPUN

Jakarta, 11 November 2021

Eka Putri Nur Asyiam

11170930000022

vi
 ABSTRAK

Eka Putri Nur Asyiam – 1170930000022, Analisis Faktor-Faktor yang

Mempengaruhi Niat Keberlanjutan Penggunaan Sistem Informasi Manajamen
Eden Farm (SIMEF) Dalam Kegiatan Operasional Start-Up Eden Farm dibawah
bimbingan Bayu Waspodo dan Rinda Hesti Kusumaningtyas.

Eden Farm merupakan start-up agrotechnology yang sudah berdiri sejak 2017.
Kegiatan operasional merupakan kegiatan utama dalam berjalannya sebuah
perusahaan, oleh karena itu sejak akhir 2019 Eden Farm mulai menerapkan SIMEF
untuk membantu dan mengontrol segala kegiatan operasional. Divisi Technology
Eden Farm selalu meluncurkan fitur-fitur terbarunya sesuai kebutuhan pengguna di
setiap bulannya, hingga Juni 2021 kini SIMEF berada di versi 2.0.0, dan selama
masa development fitur baru tersebut pengguna dialihkan sementara ke sistem lain
seperti App Sheet. Hal tersebut bisa membuat pengguna beralih ke sistem lain saat
fitur baru dirilis. Selain itu dalam implementasi SIMEF yang hampir digunakan 24
jam pada kegiatan operasional Eden Farm, masih ada beberapa keluhan mengenai
ketidakpuasan pengguna seperti pada kualitas informasi dan kualitas sistem yang
dihasilkan oleh SIMEF, oleh karena itu peneliti juga menambahkan variabel
information quality dan system quality dalam membantu mengukur satisfaction
terhadap niat keberlanjutan pengguna. Melihat implementasi SIMEF yang hampir
dilakukan selama 24 jam dalam kegiatan operasional maka peneliti juga
menambahkan variabel habit dalam mengukur niat keberlanjutan pengguna. Selain
itu, pihak Eden Farm juga belum memiliki tolak ukur sejauh mana pengguna ingin
terus menggunakan SIMEF melihat terlalu seringnya perilisan fitur yang dilakukan.
Oleh karena itu, penelitian ini bertujuan untuk menganalisis faktor-faktor apa saja
yang mempengaruhi niat keberlanjutan penggunaan atau Continuance Use
Intention (CUI) SIMEF dalam kegiatan operasional Eden Farm. Salah satu model
yang dapat digunakan dalam mengukur CUI adalah dengan Expectation
Confirmation Model (ECM) dengan menambahkan variabel system quality,
information quality, dan habit. Penelitian ini mengacu pada pendekatan kuantitatif
dengan teknik sampling jenuh sebanyak 50 responden. Pendekatan SEM-PLS
dengan SmartPLS versi 3.3.3 digunakan untuk analisis data pada penelitian ini.
Berdasarkan hasil analisis outer model dan inner model, menunjukkan bahwa 5 dari
8 hipotesis dapat diterima. Faktor-faktor yang mempengaruhi continuance use
intention dalam penelitian ini adalah habit dan perceived usefulness. Hasil
penelitian ini, merekomendasikan kepada pihak Eden Farm untuk lebih
memperhatikan faktor satisfaction dalam mempertahankan pengguna dengan
melihat information quality dan system quality.

Kata kunci : Niat Keberlanjutan Pengguna, Continuance Use Intention (CUI),

Sistem Informasi Manajemen, PLS-SEM, SmartPLS 3.3.3

V Bab + XVIII Halaman + 184 Halaman + 29 Gambar + 22 Tabel + Daftar Pustaka

+ Lampiran

vii
 KATA PENGANTAR

Assalamualaikum Wr.Wb,

Segala puji serta syukur peneliti panjatkan kehadirat Allah SWT yang telah

memberikan kekuatan sehingga peneliti mampu menyelesaikan skripsi ini dengan

baik dengan judul “Analisis Faktor-Faktor yang Mempengaruhi Niat

Keberlanjutan Penggunaan Sistem Informasi Manajamen Eden Farm

(SIMEF) Dalam Kegiatan Operasional Start-Up Eden Farm”. Peneliti

menyadari masih jauhnya laporan skripsi ini dari kata sempurna. Walau demikian,

peneliti berharap laporan skripsi ini dapat memenuhi persyaratan untuk dapat lulus

dan mendapatkan gelar sarjana komputer dari Program Studi Sistem Informasi

Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.

Dalam penyusunan laporan skripsi ini, penulis banyak mendapatkan

bantuan, saran, dorongan, dan bimbingan yang tidak dapat diukur dengan materi.

Oleh karena itu pada kesempatan ini, dengan kerendahan hati peneliti ingin

mengucapkan terima kasih kepada :

1. Ir. Nashrul Hakiem, M.T. Ph. D selaku Dekan Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta.

2. Bapak A’ang Subiyakto, Ph. D selaku Ketua Program Studi Sistem

Informasi dan Bapak Nuryasin, M.Kom selaku Sekretaris Program Studi

Sistem Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri

Syarif Hidayatullah Jakarta.

3. Bapak Bayu Waspodo, M.M sebagai Dosen Pembimbing I dan Ibu Rinda

Hesti Kusumaningtyas, M.M.S.I sebagai Dosen Pembimbing II yang tidak

viii
 pernah Lelah dan selalu sabar dalam membimbing, memotivasi, dan

mengingatkan peneliti agar segera menyelesaikan laloran skripsi ini.

Peneliti sangat beterima kasih atas ilmu, waktu, tenaga, dan arahan yang

telah diberikan dalam membimbing peneliti selama proses penelitian dan

penyusunan laporan skripsi ini.

4. Dosen – dosen Program Studi Sistem Informasi yang telah memberikan

ilmunya selama peneliti menuntut ilmu di UIN Syarif Hidayatullah Jakarta.

5. Seluruh karyawan Eden Farm khususnya Divisi Operation yang telah

menerima dan mengizinkan peneliti melakukan penelitian skripsi ini.

6. Bapak Winarto dan Ibu Suliswati selaku orang tua yang selalu menyayangi,

mendidik, memberikan motivasi, nasihat, serta doa yang tak terhingga

sehingga peneliti dapat menyelesaikan skripsi ini, serta adik peneliti yaitu

Dhea Akmalia Fibri yang selalu memberi semangat, membantu, mengajak

liburan, dan doa agar peneliti selalu semangat dalam menyelesaikan skripsi

ini.

7. Keluarga besar Divisi Technology Eden Farm yang telah memberikan

dukungan dan kesempatan kepada peneliti untuk bekerja sekaligus

melakukan penelitian skripsi ini secara bersamaan.

8. Mas Agus selaku narasumber dan para responden yang telah membantu

peneliti dalam melakukan penelitian skripsi ini. Tanpa bantuan data yang

diberikan, penelitian ini tidak akan dapat terselesaikan.

ix
 9. Keluarga besar Sistem Informasi Angkatan 2017 dan teman-teman Sistem

Informasi kelas A yang selama ini berjuang bersama dalam menuntut ilmu

selama berada di UIN Syarif Hidayatullah Jakarta.

10. Para senior yang telah memberikan informasi, saran, serta ilmu yang

bermanfaat kepada peneliti mengenai penelitian skripsi.

11. Teman-teman dekat peneliti, Wahyu, Sabil, Sarah, Inggrit, Dewi, Mutia,

Azizah, Rizka, Syawal, Riftika, Feny, Inas, Uga, Audi, Vefy, Echu,

Delfhina, Dendy, Dede, Syahrizal, Ucok, Tebe, Pajri, Rafid, Salman, dan

lainnya yang telah menjadi teman diskusi, memberikan banyak bantuan,

serta dukungan semangat kepada peneliti.

12. Pihak – pihak lain yang tidak dapat disebutkan satu per satu yang telah

membantu baik secara langsung maupun tidak langsung, sehingga laporan

skripsi ini dapat terselesaikan.

Selain terima kasih, peneliti juga ingin memohon maaf yang sebesar-

besarnya kepada semua pihak apabila sewaktu menjalankan penelitian laporan

skripsi ini ada hal-hal yang kurang berkenan dari pihak peneliti. Sekali lagi, peneliti

menyadari bahwa laporan skripsi ini masih jauh dari kata sempurna. Oleh karena

itu, kritik dan saran akan sangat dibutuhkan untuk perbaikan di kemudian hari.

Wassalamualaikum Wr.Wb

Jakarta, 11 November 2021

Eka Putri Nur Asyiam

11170930000022

x
 DAFTAR ISI

HALAMAN JUDUL

LEMBAR PENGESAHAN SKRIPSI

LEMBAR PENGESAHAN UJIAN

LEMBAR PERNYATAAN

ABSTRAK

KATA PENGANTAR

DAFTAR GAMBAR

DAFTAR TABEL

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang ........................................................................................ 1

1.2 Identifikasi Masalah .............................................................................. 14

1.3 Rumusan Masalah ................................................................................. 15

1.4 Ruang Lingkup dan Batasan Penelitian ................................................ 15

1.5 Tujuan Penelitian .................................................................................. 16

1.6 Manfaat Penelitian ................................................................................ 17

1.7 Metodelogi Penelitian ........................................................................... 18

1.8 Sistematika Penelitian ........................................................................... 19

BAB II LANDASAN TEORI ............................................................................. 21

xi
2.1 Definisi Analisis .................................................................................... 21

2.2 Konsep Manajemen Operasional .......................................................... 21

2.2.1 Definisi Kegiatan Operasional .......................................................... 21

2.2.2 Definisi Manajemen Operasional ...................................................... 22

2.2.3 Fungsi Manajemen Operasional ........................................................ 22

2.2.4 Tujuan Manajemen Operasional ....................................................... 24

2.3 Konsep Perusahaan Start-Up................................................................. 24

2.3.1 Definisi Start-Up ............................................................................... 24

2.3.2 Karakteristik Start-Up ....................................................................... 25

2.3.3 Perkembangan Start-Up .................................................................... 26

2.4 Konsep Sistem Informasi Manajemen .................................................. 27

2.4.1 Definisi Sistem .................................................................................. 27

2.4.2 Definisi Informasi ............................................................................. 27

2.4.3 Definisi Sistem Informasi ................................................................. 28

2.4.4 Definisi Sistem Informasi Manajemen.............................................. 29

2.5 Expectation Confirmation Model .......................................................... 30

2.5.1 Perceived Usefulness (PU) ................................................................ 31

2.5.2 Confirmation ..................................................................................... 32

2.5.3 Satisfaction (S) .................................................................................. 32

2.5.4 Continuance Use Intention (CUI) ..................................................... 33

2.6 Information Quality (IQ) ....................................................................... 34

2.7 System Quality (SQ) ............................................................................. 34

xii
 2.8 Habit (H) ............................................................................................... 35

2.9 Metode Pengumpulan Data ................................................................... 36

2.10 Pengelompokkan Data .......................................................................... 38

2.11 Populasi dan Sampel ............................................................................. 41

2.11.1 Populasi ......................................................................................... 41

2.11.2 Sampel ........................................................................................... 41

2.12 Skala Likert ........................................................................................... 44

2.13 Variabel Penelitian ................................................................................ 45

2.14 Structure Equation Model (SEM) ......................................................... 47

2.15 Partial Least Square (PLS) .................................................................... 48

2.16 Smart-PLS ............................................................................................. 56

2.17 Studi Literatur ....................................................................................... 58

BAB III METODOLOGI PENELITIAN ......................................................... 68

3.1 Pendekatan Penelitian dan Strategi Penelitian ...................................... 68

3.2 Tempat dan Waktu Penelitian ............................................................... 69

3.3 Gambaran Umum Start-Up Eden Farm................................................. 69

3.3.1 Profil Eden Farm ............................................................................... 69

3.3.2 Logo Eden Farm ................................................................................ 70

3.3.3 Visi dan Misi Eden Farm .................................................................. 71

3.4 Gambaran Sistem Informasi Manajemen Eden Farm (SIMEF) ............ 71

xiii
 3.5 Populasi dan Sampel Penelitian ............................................................ 73

3.6 Metode Pengumpulan Data ................................................................... 74

3.6.1 Observasi ........................................................................................... 74

3.6.2 Studi Pustaka ..................................................................................... 75

3.6.3 Survei ................................................................................................ 75

3.7 Metode Analisis Data ............................................................................ 76

3.7.1 Model Usulan Penelitian ................................................................... 76

3.7.2 Indikator Penelitian ........................................................................... 78

3.8 Hipotesis Penelitian ............................................................................... 85

3.9 Analisis Data dan Interprestasi Data ..................................................... 85

3.9.1 Analisa Demografi ............................................................................ 85

3.9.2 Analisa Model Pengukuran (Outer Model) ....................................... 86

3.9.3 Analisa Model Struktural (Inner Model)........................................... 86

3.10 Prosedur Penelitian................................................................................ 87

BAB IV HASIL DAN PEMBAHASAN............................................................. 90

4.1 Pilot Study ............................................................................................. 90

4.2 Hasil Analisis ........................................................................................ 91

4.2.1 Analisis Demografi ........................................................................... 91

4.2.2 Hasil Analisis Measurement Model (Outer Model) ........................ 100

4.2.3 Hasil Analisis Struktur Model (Inner Model) ................................. 111

4.3 Interpretasi dan Diskusi Hasil Analisis ............................................... 119

xiv
 4.3.1 Interpretasi dan Diskusi Hasil Analisis Demografis ....................... 119

4.3.2 Interpretasi dan Diskusi Hasil Analisa Pengukuran Model ............ 123

4.3.3 Interpretasi dan Diskusi Hasil Analisa Pengukuran Struktural Model

124

BAB V KESIMPULAN DAN SARAN ............................................................ 133

5.1 Kesimpulan ......................................................................................... 133

5.2 Saran .................................................................................................... 135

DAFTAR PUSTAKA ........................................................................................ 138

LAMPIRAN ....................................................................................................... 149

xv
 DAFTAR GAMBAR

Gambar 1.1 Jumlah produksi Eden Farm berdasarkan jumlah rata-rata packing

dan picking per hari di 4 warehouse Eden Farm ..................................................... 6

Gambar 1.2 Keluhan ketidakpuasan mengenai kualitas SIMEF yang dapat

mempengaruhi niat keberlanjutan pengguna ........................................................ 10

Gambar 1.3 Rata - rata frekuensi satu user dalam menggunakan SIMEF dalam

sehari ..................................................................................................................... 12

Gambar 1.4 Rata-rata user yang menggunakan SIMEF per menit ...................... 12

Gambar 1.5 Frekuensi user activity ..................................................................... 13

Gambar 2.1 Siklus Informasi ............................................................................... 28

Gambar 2.2 Model Expectation Confirmation .................................................... 31

Gambar 2.3 Hubungan Antar Variabel ................................................................ 46

Gambar 3.1 Logo Start-Up Eden Farm ............................................................... 70

Gambar 3.2 Halaman Login SIMEF.................................................................... 71

Gambar 3.3 Halaman Setelah Login Untuk Divisi Operation ............................. 72

Gambar 3.4 Expectation Confirmation Model (Bhattacherjee, 2001)................. 77

Gambar 3.5 Model Penelitian Usulan yang Digunakan ...................................... 78

Gambar 3.6 Prosedur Penelitian .......................................................................... 88

Gambar 4.1 Diagram Lingkaran Jenis Kelamin .................................................. 92

Gambar 4.2 Diagram Lingkaran Usia.................................................................. 92

Gambar 4.3 Diagram Lingkaran Domisili Responden Bekerja ........................... 93

Gambar 4.4 Diagram Lingkaran Posisi Pekerjaan di Jakarta 1 ........................... 94

Gambar 4.5 Diagram Lingkaran Posisi Pekerjaan di Jakarta 2 ........................... 94

xvi
Gambar 4.6 Diagram Lingkaran Posisi Pekerjaan di Bandung ........................... 95

Gambar 4.7 Diagram Lingkaran Posisi Pekerjaan di Semarang ......................... 95

Gambar 4.8 Diagram Lingkaran Posisi Pekerjaan di Non Warehouse................ 96

Gambar 4.9 Diagram Lingkaran Lama Penggunaan Internet .............................. 96

Gambar 4.10 Diagram Lingkaran Jenis Browser Untuk Mengakses SIMEF...... 97

Gambar 4.11 Diagram Lingkaran Lama Penggunaan SIMEF ............................ 98

Gambar 4.12 Diagram Lingkaran Frekuensi Menggunakan SIMEF Dalam Sehari

............................................................................................................................... 98

Gambar 4.13 Diagram Lingkaran Kepuasan Menggunakan SIMEF .................. 99

Gambar 4.14 Diagram LingkaranKeinginan Melanjutkan Menggunakan SIMEF

............................................................................................................................. 100

Gambar 4.15 Hasil Uji Path Coefficient ............................................................ 112

xvii
 DAFTAR TABEL

Tabel 2.1 Syarat Standardized Loading Factor ................................................... 50

Tabel 2.2 Syarat Cronbach’s Alpha ..................................................................... 51

Tabel 2.3 Studi Literatur....................................................................................... 58

Tabel 3.1 Responden Divisi Operation di Seluruh Area Gudang ........................ 73

Tabel 3.2 Responden Karyawan Divisi Operation Selain Area Gudang.............. 74

Tabel 3.3 Indikator Penelitian .............................................................................. 79

Tabel 3.4 Modifikasi Pertanyaan Hasil Pilot Study.............................................. 83

Tabel 4.1 Nilai Outer Loading Sebelum Penghapusan ...................................... 101

Tabel 4.2 Nilai Outer Loading Setelah Penghapusan ........................................ 102

Tabel 4.3 Nilai Composite Reliability ................................................................ 103

Tabel 4.4 Nilai Cronbach’s Alpha...................................................................... 104

Tabel 4.5 Nilai Average Variance Extracted (AVE).......................................... 105

Tabel 4.6 Nilai Cross Loading ........................................................................... 106

Tabel 4.7 Nilai Fornell Lackers’s ....................................................................... 107

Tabel 4.8 Hasil Keseluruhan Pengukuran Measurement Model (Outer Model) 109

Tabel 4.9 Hasil Pengujian Path Coefficient (β) .................................................. 111

Tabel 4.10 Hasil Coefficient of Determinant ...................................................... 112

Tabel 4.11 Nilai T-test dan P-value ................................................................... 113

Tabel 4.12 Hasil Effect Size (f2) ......................................................................... 114

Tabel 4.13 Hasil Predictive Relevance (Q2) ....................................................... 115

Tabel 4.14 Hasil Relative Impact (q2) ................................................................ 116

Tabel 4.15 Hasil Keseluruhan Pengukuran Structural Model (Inner Model) .... 118

xviii
1
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Era digital menuntut suatu instansi atau perusahaan pemerintahan

maupun swasta untuk menerapakan peran teknologi, salah satunya adalah

melalui sistem informasi yang dijembatani oleh internet. Menurut laporan

International Telecommunication Union (ITU) yang merupakan sebuah badan

Perserikatan Bangsa-Bangsa (PBB), jumlah pengguna Internet di seluruh dunia

pada 2018 adalah 3,9 miliar, lebih dari setengah populasi dunia

(SINDOnews.com, 2020). Peningkatan ini juga tercatat di Indonesia dengan

jumlah 196.71 juta jiwa pengguna Internet, hal ini menurut survei Asosiasi

Penyelenggara Jasa Internet Indonesia (APJII) tentang penetrasi pengguna

Internet tahun 2019-2020 (Q2) dimana total populasi di Indonesia pada Q2

tersebut adalah 266,91 juta jiwa(Asosiasi Penyelenggara Jasa Intenet Indonesia

2019-2020 (Q2), 2020).

Seiring dengan perkembangan internet yang semakin mempengaruhi

kehidupan masyarakat setiap tahunnya, tidak dapat dipungkiri bahwa teknologi

telah mengubah peradaban dunia dengan cepat. Salah satu dampak dari

perkembangan teknologi yaitu makin banyaknya perusahaan baru yang

bermunculan, start-up menjadi salah satu jenis perusahaan yang turut serta

tumbuh di era digital. Start-up adalah sebuah perusahaan yang belum lama

berdiri dan beroperasi (Arya Jaya et al., 2017). Berdasarkan data (KOMINFO,

1
2019) dengan jangka waktu dua tahun ada 525 start-up yang dilahirkan dari

program gerakan 1.000 start-up digital yang dilakukan oleh Kemenkominfo di

tahun 2016. Sedangkan riset yang dilakukan oleh (MIKTI, 2018) dijelaskan

bahwa di tahun 2018 ada 992 start-up di Indonesia dan berdasarkan lembaga

riset CHGR mencatat jumlah start-up di Indonesia pada tahun 2020 menjadi

sekitar 13.000 (BeritaSatu.com, 2020).

Kehadiran inovasi layanan teknologi yang dilakukan start-up di

Indonesia membuat ekonomi digital Indonesia semakin maju. Menurut survei

INDEF, ekonomi digital telah menyumbang 5,5% untuk PDB Indonesia pada

2018 atau sekitar Rp 814 triliun (DailySocial, 2020). Sementara itu,

berdasarkan laporan bertajuk SEA e-Economy 2019, valuasi ekonomi digital

Indonesia mencapai angka $40 miliar pada tahun 2019 dan diperkirakan akan

mencapai angka $130 miliar pada 2025 (S. Davis et al., 2019). Hal ini

menunjukkan adanya potensi besar untuk mendorong ekonomi digital dengan

memanfaatkan inovasi yang ditawarkan oleh start-up melalui produk dan

layanan. Oleh karena itu untuk menghasilkan sebuah inovasi dari suatu layanan

atau produk maka sebuah start-up harus memiliki sebuah sistem informasi

yang dapat menunjang dan mengendalikan operasi perusahaan.

PT. Eden Pangan Indonesia atau yang lebih dikenal dengan Eden Farm

adalah perusahaan start-up agrotechnology yang menghadirkan layanan

distribusi sayur segar, buah-buahan, dry goods, ikan, daging, ayam dan telur

sejak tahun 2017. Start-up yang sudah berdiri sejak tahun 2017 ini merupakan

startup pemasok buah dan sayuran segar langsung dari para petani untuk

2
konsumen B2B (Business to Business) dan B2C (Business to Customer) di

seluruh JABODETABEK, Semarang, Bandung dan Surabaya. Berdasarkan

data yang didapatkan dari data analyst Eden Farm, dijelaskan bahwa hingga

Maret 2021 Eden Farm memiliki 35.097 merchant aktif, 39.193 branch aktif,

2 warehouse utama di Jakarta, 1 warehouse utama di Bandung, 1 warehouse

utama di Semarang, dan 2 kantor cabang di Bandung dan Semarang. Melihat

makin banyaknya layanan yang diberikan Eden Farm dan makin banyaknya

kantor cabang serta warehouse yang tersebar di beberapa kota, maka Eden

Farm harus memiliki manajemen operasional yang baik.

Menurut (Saputri, 2020), manajemen operasi adalah kegiatan

perubahan input menjadi output yang menghasilkan nilai baik dalam bentuk

produk maupun jasa. Input yang dimaksud di Eden Farm seperti pemanfaatan

Sumber Daya Manusia (SDM), modal (peralatan dan fasilitas), penyediaan

produk di gudang, pendisitribusian produk ke pelanggan hingga output yang

dihasilkan adalah produk yang diterima oleh pelanggan. Chief Operation

Officer merupakan stakeholder yang bertanggung jawab untuk memastikan

bahwa segala kegiatan operasional di Eden Farm sudah sesuai dengan strategi

yang tepat.

Untuk mempermudah dan mengontrol segala kegiatan operasional di

Eden Farm, Eden Farm memiliki aplikasi sistem informasi berbasis web yang

digunakan di setiap harinya hampir 24 jam yang ditampilkan dalam bentuk

Sistem Informasi Manajemen (SIM) dan dinamakan Sistem Informasi

Manajemen Eden Farm (SIMEF). Frederick H. Wu menjelaskan dalam

3
(Jogiyanto, 2005), Sistem Informasi Manajemen (SIM) diartikan sebagai

seperangkat sumber daya manusia dan sumber daya modal di suatu organisasi

dan bertanggung jawab dalam melakukan pengumpulan data dan pengelolaan,

perencanaan dan pengelolaan kegiatan agar menghasilkan sebuah informasi

yang berguna.

Berdasarkan wawancara yang dilakukan peneliti kepada operation

analyst Eden Farm yang bernama Ronald, selama ini penggunaan SIMEF

sangat membantu dalam manajemen operasional di Eden Farm seperti

memastikan segala kegiatan operasional dan logistik (di Eden Farm lebih

dikenal dengan kegiatan warehousing) berjalan dengan strategi yang tepat.

Kegiatan logistik sendiri selalu berkaitan dengan organisasi, penanganan dan

penyimpanan bahan serta sumber daya yang ada. Logistik tidak hanya

mencakup distribusi, tetapi juga penyimpanan, manajemen persediaan,

pengiriman dan transportasi barang (Chandra, 2013).

Kegiatan warehousing di Eden Farm meliputi kegiatan inbound,

kegiatan inbound di Eden Farm merupakan kegiatan masuknya produk dengan

status good receipt atau layak jual, barang layak jual dan tidak layak jual yang

didapatkan dengan melakukan kegiatan penyortiran produk di gudang yang

disebut dengan kegiatan sorting, lalu ada kegiatan pengepakan produk pesanan

dari pelanggan yang disebut dengan kegiatan packing dan picking, dan terakhir

produk yang sudah di packing dan picking akan diantarkan kepada pelanggan

lewat kurir Eden Farm. Segala kegiatan warehousing tentunya tidak mudah

dilakukan jika tidak ada sebuah sistem informasi, namun dengan adanya

4
SIMEF maka segala kegiatan warehousing Eden Farm lebih efisien dan efektif,

serta memudahkan para stakeholder termasuk Chief Operation Officer (COO)

dalam memastikan segala kegiatan operasional Eden Farm berjalan dengan

baik. Oleh karena itu, SIMEF sangat bepengaruh besar dalam operasional Eden

Farm.

Berdasarkan data yang didapatkan per maret 2021 mengenai metrics

operation Eden Farm, dijelaskan bahwa packing dan picking productivity di

dua gudang Eden Farm di Jakarta dan gudang Eden Farm di Semarang

mengalami peningkatan, sedangkan di gudang Bandung kegiatan packing dan

picking productivity mengalami penurunan. Berdasarkan wawancara terhadap

Business Analyst Eden Farm, kegiatan packing dan picking yang meningkat

mengartikan bahwa meningkatnya pula jumlah produksi yang dihasikan, hal

ini dapat dilihat pada gambar 1.1 yang menjelaskan mengenai rata-rata jumlah

packing dan picking per hari pada 4 warehouse. Lalu pada sorting productivity

pada kedua gudang Eden Farm di Jakarta dan gudang di Bandung juga

mengalami kenaikan, sedangkan di gudang Bandung kegiatan sorting

productivity mengalami penurunan.

5
 Gambar 1.1 Jumlah produksi Eden Farm berdasarkan jumlah rata-rata

packing dan picking per hari di 4 warehouse Eden Farm

Keterangan :

• Jkt1 mengalami kenaikan ke 216.5 Kg/Mp/Day.

• Jkt2 naik ke 377.15 Kg/Mp/Day.

• Sedangkan Bandung turun 178.1 Kg/Mp/Day.

• Semarang naik ke 225.18 Kg/MP/Day.

Menurut business analyst operational Eden Farm, produktivitas

kegiatan warehousing semakin baik karena penerapan SIMEF. Sejak rilisnya

SIMEF di tahun 2019 divisi Information Technology (IT) selalu mencoba

meningkatkan kepuasan penggunanya dengan selalu memenuhi kebutuhan-

kebutuhan pengguna. Hal ini dibuktikan dengan adanya improvement yang

rutin dilakukan setiap satu bulan terhadap fitur-fitur di dalam SIMEF dan

hingga Juni 2021 kini SIMEF sudah mencapai versi ke 2 (v2.0.0). Namun

melihat waktu development terhadap SIMEF yang tidak sebentar maka

6
beberapa kegiatan di gudang dialihkan sementara dengan manual atau melalui

google sheet hal ini tentunya dapat mengakibatkan pengguna beralih ke sistem

lain.

Berdasarkan wawancara terhadap business analyst Eden Farm, selama

perilisan fitur atau layanan baru belum adanya monitoring sejauh mana niat

keberlanjutan pengguna dalam menggunakan SIMEF. Hal tersebut

dikarenakan belum adanya tolak ukur bagaimana cara menganalisis faktor-

faktor yang mempengaruhi niat keberlanjutan pengguna terhadap

perkembangan SIMEF terutama pada Divisi Operation. Menurut (Kordina et

al., 2019), continuance use intention adalah kondisi dimana pengguna sistem

informasi merasa puas dengan sistem informasi yang digunakan dan

termotivasi untuk terus menggunakan sistem informasi secara berkelanjutan.

Apabila sistem informasi yang ditingkatkan dapat memenuhi

ekspektasi dan kebutuhan pengguna, maka dapat menciptakan niat untuk terus

menggunakan sebuah sistem khususnya pada SIMEF dalam manajemen

operasional Eden Farm, jika tidak ditingkatkan maka akan sangat mudah

pengguna untuk beralih ke sistem lain. Oleh karena itu perlu dilakukan

pengukuran mengenai continuance use intention pada penggunaan SIMEF

dalam kegiatan operasional Eden Farm karena berdasarkan hasil wawancara,

dikatakan bahwa penerapan SIMEF yang hampir 24 jam pada Divisi Operation

tentunya sangat mempengaruhi kegiatan operasional perusahaan pula. Selain

itu, penelitian ini juga dapat mengetahui seberapa besar niat keberlanjutan dan

mengetahui faktor-faktor yang mempengaruhi niat keberlanjutan karyawan

7
gudang Eden Farm di Jakarta, Bandung, dan Semarang untuk terus

menggunakan SIMEF agar dapat menjadi dasar pengambilan keputusan

pengembang SIMEF.

Dalam mengidentifikasi continuance use intention penerapan SIMEF,

peneliti menggunakan model Expectation Confirmation Model (ECM) sebagai

model utama. Menurut (Park, 2020) dijelaskan bahwa pada bidang sistem

informasi dan teknologi, Expectation Confirmation Model (ECM) dianggap

sebagai salah satu teori penting yang dapat menjelaskan perilaku pengguna

pasca mengadopsi sebuah sistem. Expectation Confirmation Model (ECM)

telah digunakan untuk menjelaskan Continuance Use Intention (CUI) suatu

produk atau layanan sebuah sistem (Oliver, 1980).

Dalam memprediksi niat keberlanjutan pengguna dalam menggunakan

sebuah teknologi informasi model ECM didukung oleh 3 variabel utama yaitu

perceived usefulness, confirmation, dan satisfaction. Menurut (Hasanah,

2020), faktor utama dalam menentukan continuance use intention atau niat

keberlanjutan pengguna dalam menggunakan sistem informasi yaitu variabel

perceived usefulness dan satisfaction. Berdasarkan pengamatan, dengan

adanya SIMEF seharusnya pengguna merasa lebih mudah dalam melakukan

kegiatan operasional. Penelitian sebelumnya yang dilakukan (Jumaan et al.,

2020) juga mengatakan bahwa variabel confirmation dari model ECM sangat

mempengaruhi kepuasan pengguna.

8
 Pada literatur sebelumnya menurut Ha dan Park dalam (Hasanah, 2020)

juga dijelaskan bahwa kepuasan pengguna atau satisfaction merupakan faktor

penentu dalam mengukur niat keberlanjutan pengguna dalam menggunakan

sistem informasi. Kemudian ada beberapa variabel tambahan yang digunakan

untuk mendukung variabel satisfaction yang dapat mempengaruhi continuance

use intention dari perspektif kualitas SIMEF yang selama ini diberikan, yaitu

system quality dan information quality. Hal ini dilakukan karena berdasarkan

wawancara terhadap business analyst Eden Farm, dijelaskan bahwa masih

adanya beberapa keluhan mengenai kualitas sistem dan kualitas informasi yang

dihasilkan oleh SIMEF setelah perilisan fitur baru, salah satunya yaitu

pengguna yang mendadak tidak bisa login, duplicate menu, dan loading

forever selama upload data packing order seperti pada gambar 1.2. Hal ini

tentunya sangat mengganggu pengguna saat melakukan kegiatan operasional

terutama saat malam hari, dan business analyst Eden Farm mengkhawatirkan

mengenai kepuasan pengguna terhadap SIMEF yang akan mempengaruhi pula

niat keberlanjutan penggunaan SIMEF. Diharapkan bahwa satisfaction akan

memperkuat nilai niat keberlanjutan karyawan gudang Eden Farm di Jakarta

dalam menggunakan SIMEF.

9
Gambar 1.2 Keluhan ketidakpuasan mengenai kualitas SIMEF yang

dapat mempengaruhi niat keberlanjutan pengguna

10
 Variabel system quality dan information quality dapat membantu

dalam memahami faktor apa yang secara langsung mempengaruhi kepuasan

pengguna sehingga menentukan keberlanjutan niat pengguna untuk terus

menggunakan sistem. Dengan system quality dan information quality juga

dapat membantu dalam menyelidiki penggunaan sistem dari perspektif

kualitas. Pada literatur sebelumnya dikatakan bahwa sebuah kualitas sistem

dan kualitas informasi memiliki pengaruh pada kepuasan dan penggunaan

sebuah sistem (Dağhan & Akkoyunlu, 2016). Menurut (Zheng et al., 2013)

dijelaskan bahwa, System Quality (SQ), Service Quality (SEQ), dan

Information Quality (IQ) secara langsung mempengaruhi kepuasan pengguna

yang pada akhirnya menentukan continuance use intention. Melihat dari sisi

kualitas SIMEF perlu dilakukan agar mengetahui kepuasan pengguna terhadap

improvement yang dilakukan pada SIMEF dimana akan mempengaruhi niat

keberlanjutan pengguna dalam menggunakan SIMEF, selain itu sejak pertama

kali SIMEF rilis belum pernah dilakukannya pengukuran kualitas dari SIMEF

dalam menentukan continuance use intention.

Selain itu, karena penggunaan SIMEF terhadap manajemen operasional

hampir 24 jam dan tentunya menjadi sebuah kebiasaan bagi para user, maka

peneliti juga menambahkan variabel habit. Hal ini didukung dengan hasil

laporan google analytics yang ada pada SIMEF di 90 hari terakhir yang

terhitung sejak 28 Agustus 2021, mengenai rata-rata frekuensi satu user dalam

menggunakan SIMEF dalam sehari dapat mencapai 6 Jam 47 Menit pada

gambar 1.3. Selain itu, hasil laporan google analytics juga menjelaskan bahwa

11
rata-rata user yang menggunakan SIMEF per menit ada sekitar 28 user seperti

pada gambar 1.4 Serta mengenai frekuensi user activity pada penggunaan

SIMEF pada gambar 1.5.

Gambar 1.3 Rata - rata frekuensi satu user dalam menggunakan SIMEF

dalam sehari

Gambar 1.4 Rata-rata user yang menggunakan SIMEF per menit

12
 Gambar 1.5 Frekuensi user activity

Menurut (Mouakket, 2015) habit juga memainkan peran utama dalam

menentukan continuance use intention. Berdasarkan habit theory, dijelaskan

bahwa habit memiliki hubungan positif dengan continuance use intention. Hal

ini dikarenakan perilaku sebelumnya yang terulang dapat menimbulkan

perasaan suka terhadap perilaku tersebut, oleh karena itu intensitas

keberlanjutan penggunaan sebuah sistem akan terus meningkat (S. Kim &

Malhotra, 2005). Jika penggunaan SIMEF hampir 24 jam maka hal tersebut

menandakan sebuah kebiasaan, maka diharapkan bahwa habit atau kebiasaan

dapat memperkuat nilai dari niat keberlanjutan karyawan gudang Eden Farm

Jakarta dalam menggunakan SIMEF.

Berdasarkan latar belakang yang telah diuraikan diatas, maka peneliti

ingin menganalisis faktor-faktor yang mempengaruni niat keberlanjutan

13
penggunaan SIMEF dalam kegiatan operasional Eden Farm. Maka judul yang

diambil oleh peneliti yaitu “Analisis Faktor-Faktor yang Mempengaruhi

Niat Keberlanjutan Penggunaan Sistem Informasi Manajemen Eden

Farm (SIMEF) Dalam Kegiatan Operasional Start-Up Eden Farm”.

1.2 Identifikasi Masalah

Berdasarkan uraian yang telah dijelaskan, maka diperoleh 2 permasalah

utama dalam penelitian ini, yaitu :

1. Frekuensi development pada SIMEF yang dilakukan setiap satu

bulan, selama masa development kegiatan operasional Eden Farm

sementara dialihkan dengan manual atau melalui google sheet. Hal

ini dapat memungkinkan mudahnya pengguna beralih ke suatu

sistem lain.

2. Setelah perilisan fitur baru masih didapatkan beberapa keluhan

ketidakpuasan mengenai kualitas informasi dan kualitas sistem. Hal

ini dapat mempengaruhi pengguna untuk tidak menggunakan sebuah

sistem.

3. Penggunaan SIMEF yang hampir dilakukan 24 jam dapat

mempengaruhi pengguna untuk terus menggunakan SIMEF.

4. Start-up Eden Farm belum pernah melakukan pengukuran mengenai

niat keberlanjutan pengguna mengenai penggunaan SIMEF

dikarenakan belum adanya tolak ukur mengenai masalah tersebut.

14
1.3 Rumusan Masalah

Rumusan masalah yang akan dibahas dalam penelitian ini, yaitu :

“Faktor apa saja yang mempengaruhi Continuance Use Intention (CUI)

atau niat keberlanjutan pengguna terhadap Sistem Informasi Manajemen Eden

Farm (SIMEF) dalam kegiatan operasional Eden Farm ?”

1.4 Ruang Lingkup dan Batasan Penelitian

Ruang lingkup dan keterbatasan dalam penelitian ini adalah sebagai

berikut :

1. Peneliti melakukan penelitian ini pada Sistem Informasi Manajemen

Eden Farm (SIMEF) dalam kegiatan operasional start-up Eden

Farm.

2. Secara teori, model utama dalam penelitian ini yaitu menggunakan

Expectation Confirmation Model (ECM) dalam mengidentifikasi

masalah.

3. Responden dari penelitian ini adalah seluruh user Divisi Operation

yang menggunakan SIMEF di warehouse Eden Farm Jakarta,

Bandung, Semarang, dan Non Warehouse.

4. Penelitian ini menggunakan metode kuantitaif dengan melakukan

obervasi, studi literatur, dan survey sebagai teknik pengumpulan

15
 data kepada pengguna SIMEF di warehouse Eden Farm Jakarta,

Bandung, Semarang, dan Non Warehouse.

5. Kuesioner dirancang sebagai pertanyaan tertutup dengan

menggunakan lima skala Likert.

6. PLS-SEM digunakan dalam menganalisis data dalam penelitian ini

dimana menggunakan bantuan software SmartPLS versi 3.3.3.

1.5 Tujuan Penelitian

Berdasarkan penjelasan yang telah dipaparkan sebelumnya, penelitian

ini memiliki 3 tujuan utama, yaitu :

1. Mengetahui faktor-faktor yang mempengaruhi Continuance Use

Intention (CUI) pada Sistem Informasi Manajemen Eden Farm

(SIMEF) dalam kegiatan operasional Eden Farm.

2. Memahami karakteristik faktor-faktor yang mempengaruhi

Continuance Use Intention (CUI) terhadap penggunaan Sistem

Informasi Manajemen Eden Farm (SIMEF) dalam kegiatan

operasional Eden Farm.

3. Menghasilkan sebuah rekomendasi untuk pihak Eden Farm sebagai

bahan pertimbangan dalam mengembangkan SIMEF di masa

mendatang serta strategi mempertahankan pengguna agar tidak

beralih ke sistem lain.

16
1.6 Manfaat Penelitian

Penelitian ini memiliki manfaat yang terbagi menjadi dua yaitu manfaat

teoritis dan manfaat praktis, berikut penjelasan mengenai 2 manfaat tersebut :

1. Manfaat teoritis

Penelitian ini dapat menjadi acuan bagi penelitian kuantitatif

mengenai pengukuran faktor-faktor yang mempengaruhi

Continuance Use Intention.

2. Manfaat praktis

a. Bagi perusahaan

Penelitian ini dapat dijadikan sebagai tolak ukur penilaian dan

rekomendasi untuk mengembangkan sistem yang lebih baik dan

efisien di masa mendatang..

b. Bagi kampus

Dengan adanya penelitian ini, maka dapat menjadi rujukan

ataupun referensi penelitian ‘sejenis untuk pengembangan

penelitian.

c. Bagi penulis

Penelitian ini merupakan sarana untuk meningkatkan

pengetahuan dan intuisi dengan menerapkan teori yang diperoleh

selama kuliah pada kejadian nyata yang terjadi di lapangan.

d. Bagi pembaca

17
 Penelitian ini dapat memberikan informasi tentang kepuasan

pengguna dan niat keberlanjutan penggunaan sistem internal

dalam start-up.

1.7 Metodelogi Penelitian

Penelitian ini menggunakan Expectation Confirmation Model (ECM)

sebagai model utama dalam mengukur niat keberlanjutan pengguna dan

dengan pendekatan kuantitatif. ECM sendiri merupakan model yang pernah

diteliti oleh (Bhattacherjee, 2001). Peneliti menggunakan model Expectation

Confirmation Model (ECM) sebagai model utama yang didukung dengan 3

variabel yaitu confirmation, perceived usefulness, satisfaction, dan perceived

usefulness. Menurut Ha dan Park dalam (Hasanah, 2020), salah satu penentu

utama niat keberlanjutan pengguna dalam menggunakan sistem adalah

kepuasan pengguna atau satisfaction. Oleh karena itu, peneliti menambahkan

beberapa variabel pada penelitian ini untuk membantu dalam menyelidiki

faktor apa yang secara langsung mempengaruhi kepuasan pengguna, yaitu

Information Quality (IQ), System Quality (SQ) dengan mengadopsi dari

penelitian sebelumnya yang dilakukan (Roca et al., 2006). Selain itu, karena

penggunaan SIMEF terhadap manajemen operasional hampir 24 jam maka

peneliti juga menambahkan variabel habit untuk membantu menyelidiki

continuance use intention dengan mengadopsi penelitian sebelumnya (Huang

et al., 2013; Limayem & Cheung, 2011).

18
1.8 Sistematika Penelitian

Penelitan ini terbagi menjadi beberapa bab, berikut penjelasan singkat

mengenai bab atau bagian yang ada dalam penelitian ini :

BAB I PENDAHULUAN

Bab ini memberikan gambaran singkat tentang latar belakang

masalah, rumusan masalah, ruang lingkup penelitian, tujuan dan

manfaat penelitian, metode, serta sistematika penelitian

BAB II LANDASAN TEORI

Bab ini mengkaji teori-teori yang mendasari dan mendukung

penelitian, seperti teori-teori yang mendukung dalam menganalisis

faktor-faktor yang mempengaruhi kepuasan pengguna dan

continuance use intention terhadap SIMEF

BAB III METODE PENELITIAN

Bab ini menjelaskan metode pengumpulan data dan analisis data

yang digunakan dalam penelitian ini.

BAB IV HASIL DAN PEMBAHASAN

Bab ini menjelaskan mengenai implementasi SIMEF dan membahas

hasil-hasil yang diperoleh dari penelitian tentang faktor-faktor yang

mempengaruhi continuance use intention pengguna SIMEF dalam

kegiatan operasional start-up Eden Farm.

BAB V PENUTUP

Bab ini melaporkan kesimpulan tentang hasil pemecahan masalah

dan beberapa saran untuk pengembangan.

19
20
 BAB II

LANDASAN TEORI

2.1 Definisi Analisis

Analisis didefinisikan sebagai serangkaian kegiatan berpikir rasional,

sistematis, logis, dan objektif dengan menggunakan teknik berbasis

pengetahuan (Soedjadi, 1997). Di sisi lain, analisis didefinisikan sebagai

kegiatan berpikir yang bertujuan untuk menggambarkan suatu keseluruhan

komponen menjadi komponen yang lebih kecil, sehingga dapat menjadi tanda

dalam sebuah komponen (Komarudin, 1994).

Berdasarkan teori-teori yang telah dikaji, peneliti menyimpulkan

bahwa analisis adalah suatu kegiatan berdasarkan pemikiran logis yang

menggambarkan seluruh komposisi hingga dapat mengenali tanda-tanda

komposisi objek tersebut.

2.2 Konsep Manajemen Operasional

2.2.1 Definisi Kegiatan Operasional

Menurut (Pramono, 2007), kegiatan operasional merupakan kegiatan

utama dari suatu perusahaan. Kegiatan ini dihitung berdasarkan hasil penjualan

suatu barang atau jasa setelah dikurangi dengan harga pokok produksi, harga

pokok penjualan, dan pengeluaran-pengeluaran lainnya seperti biaya listrik,

upah dan telepon. Berdasarkan penjelasan pada (Pengertian Kegiatan

Operasional Perusahaan, 2016) kegiatan operasional merupakan kegiatan inti

21
atau fokus dari suatu perusahaan untuk menghasilkan sebuah profit atau

keuntungan sehingga aktivitas bisnis suatu perusahaan dapat terus berjalan.

Berdasarkan beberapa teori yang telah dikaji, dapat disimpulkan bahwa

kegiatan operasional adalah kegiatan utama perusahaan untuk menghasilkan

pendapatan dan mencapai tujuan usaha dalam rangka melanjutkan usaha.

2.2.2 Definisi Manajemen Operasional

Berdasarkan (Heizer & Render, 2004), manajemen’ operasional

didefinisikan sebagai strategi dalam mengelola dan mengoptimalisasikan

tenaga kerja, barang, atau faktor produksi lainnya yang dapat menghasilkan

barang atau jasa guna diperjual belikan. Berdasarkan (Priharto, 2020),

manajemen operasional juga dapat dipahami sebagai bentuk manajemen

termasuk perencanaan, pengorganisasian, pengarahan, pengkoordinasian, dan

pengendalian langsung pada semua kegiatan yang berkaitan dengan barang dan

jasa.

Berdasarkan beberapa teori yang dikaji, penulis menyimpulkan bahwa

manajemen operasional adalah bentuk pengelolaan dari semua kegiatan

operasional untuk mendapatkan kegiatan operasional yang’ efektif dan efisien.

Kegiatan operasional’ yang baik juga membutuhkan manajemen operasional

yang baik.

2.2.3 Fungsi Manajemen Operasional

Menurut (S. Setiawan, 2021) berikut merupakan fungsi dari manajemen

operasional :

22
1. Fungsi Perencanaan

Dalam hal ini, manajer operasi harus menetapkan tujuan dari

subbagian organisasi serta pengembangan terhadap kebijakan yang

telah ada, selain itu pada fase ini sebuah pedoman kerja juga

diperlukan guna mencapai tujuan organisasi. Peran dan tujuan dari

kegiatan operasional juga perlu disampaikan pada fase ini, seperti

perencanaan produk yang akan dihasilkan, perencanaan peralatan,

dan perencanaan sumber daya produksi.

2. Fungsi Pengorganisasian

Selama fase ini, segala kebutuhan sumber daya yang diperlukan

untuk mencapai tujuan operasional dan wewenang, serta prosedur

ditentukan oleh manajer operasi.

3. Fungsi Penggerakan

Pada fase ini, manajemen operasi memiliki fungsi membimbing,

melakukan pengawasan, dan memberi dukungan kepada seluruh

karyawan untuk terus menjalankan fungsinya.

4. Fungsi Pengendalian

Pada fase ini, manajemen operasi harus mampu mengembangkan

standarisasi yang sudah ada serta menjaga komunikasi yang baik

untuk memungkinkan organisasi tetap bergerak sesuai dengan

tujuan mereka.

23
2.2.4 Tujuan Manajemen Operasional

Menurut (S. Setiawan, 2021) berikut merupakan fungsi dari manajemen

operasional :

1. Meningkatkan efisiensi dalam sebuah perusahaan.

2. Meningkatkan produktivitas dalam sebuah perusahaan.

3. Pengeluaran biaya operasional bisnis menjadi lebih kecil.

4. Kualitas di dalam perusahaan selalu meningkat.

5. Waktu proses produksi di suatu perusahaan menjadi lebih cepat.

2.3 Konsep Perusahaan Start-Up

2.3.1 Definisi Start-Up

Menurut Paul Graham (Patenaude-gaudet, 2014) dikatakan bahwa

start-up sebagai perusahaan yang didesain untuk berkembang pesat.

Sedangkan menurut (MacVivar & Throne, 2016) start-up adalah perusahaan

yang sedang berada dalam tahap’ pengembangan untuk membuat produk atau

layanan, fokus dari start-up biasanya pada teknologi tinggi, manufaktur, serta

strategi pemasaran produk atau layanan. Start-up adalah perusahaan baru yang

sedang berkembang dan sedang melakukan penelitian untuk menemukan

potensi pasar di berbagai bidang teknologi dan informasi (Nugraha dan

Wahyuhastuti, 2017).

Dari berbagai teori yang dikaji, dapat disimpulkan bahwa start-up

adalah perusahaan baru atau perusahaan rintisan yang sedang dalam tahap

24
pengembangan agar dapat berkembang pesat, biasanya start-up berbasis pada

bidang teknologi.

2.3.2 Karakteristik Start-Up

Ada beberapa karakteristik dari perusahaan start-up, berikut 7

karakteristik start-up (Plimbi, 2015) :

1. Perusahaan Belum Lama

Sebuah perusahaan dapat dikatakan perusahaan start-up jika

perusahaan’ tersebut belum lama berdiri atau bisa dikatakan sebagai

new born atau bayi yang baru dilahirkan. Perusahaan tersebut telah

berdiri setidaknya 3 tahun.

2. Pegawai yang Sedikit

Jika dibandingkan dengan Sumber Daya Manusia (SDM) pada

sebuah korporasi tentu start-up akan sangat kontras. Start-up dapat

dikelola oleh 3 hingga 5 orang. Namun, dengan lebih sedikit

karyawan, startup dapat tumbuh lebih cepat, bekerja lebih efisien,

dan membuang lebih sedikit uang.

3. Bekerja dengan Multitasking

Multitasking adalah kemampuan untuk melakukan lebih banyak

pekerjaan. Artinya, mereka yang bekerja di start-up biasanya

melakukan sejumlah pekerjaan tertentu.

4. Semangat “Muda”

Start-up biasanya memiliki karyawan muda dan produktif yaitu

kisaran 20-35 tahun. Faktanya, banyak CEO start-up yang diketahui

25
 berusia di bawah 35 tahun atau bahkan di atas 35 tahun, tetapi

memiliki pemikiran yang muda untuk mengembangkan bisnis.

5. Pendapatan dan Investor

Eksistensi suatu perusahaan pada umumnya disebabkan oleh dua

faktor. Salah satunya adalah kehadiran investor yang membawa

uang dalam jumlah besar, dan pembiayaan dengan dana sendiri yang

harus diperkirakan akan cukup untuk beberapa tahun ke depan.

6. Bergerak di Bidang Teknologi

Pada ranah teknologi biasanya istilah start-up akan dituntut untuk

selalu mengikuti perkembangan teknologi pada saat ini.

7. Beroperasi dengan Website

Sebuah situs atau website sebuh perusahaan start-up bisa dikatakan

identitas dari perusahaan tersebut, karena memang operasional ada

pada bidang tersebut.

2.3.3 Perkembangan Start-Up

Tahun 2015 dapat dikatakan sebagai tahun keberuntungan bagi start-

up Indonesia dari perspektif global. Sedikitnya sekitar 62 start-up dalam negeri

dari berbagai sektor didanai oleh investor dalam dan luar negeri. Pada awal

tahun 2016, Presiden Joko Widodo Republik Indonesia mencanangkan visi

untuk menjadikan Indonesia sebagai The Energy of Asia, dalam mencapai misi

tersebut Pemerintah Indonesia bekerja sama dengan Kementrian Komunikasi

dan Informatika (Menkominfo) dan PT Kibar Kreasi dengan meluncurkan

26
Gerakan Nasional 1000 Start-up Digital di bawah koordinasi Kementrian

Koordinator Bidang Perekonomian (Suryadi, 2017).

Diakses dari situs startupranking.com saat ini Indonesia memilik 2.234

perusahaan start-up. Situasi ini mampu membawa Indonesia ke peringkat lima

sebagai negara dengan jumlah start-up terbanyak di dunia. Dari data tersebut

Indonesia kalah dari negara Amerika Serikat dengan jumlah 98.990 start-up,

India dengan jumlah 10.074 start-up, Inggris dengan jumlah 5.653 start-up,

dan Kanada dengan jumlah 2.915 start-up (startupranking.com, 2021).

2.4 Konsep Sistem Informasi Manajemen

2.4.1 Definisi Sistem

Definisi sistem berdasarkan (Mulyadi, 2008) adalah beberapa

komponen yang dikelompokkan menjadi satu sehingga saling bergantung satu

sama lain. Sedangkan definisi sistem berdasarkan pendapat (Winarno, 2006),

kumpulan beberapa komponen yang saling terintegrasi dan saling bekerja sama

dalam mencapai sebuah tujuan tertentu.

Berdasarkan beberapa teori yang dikaji, peneliti menyimpulkan bahwa

sistem adalah beberapa elemen yang diintegrasikan guna mencapai tujuan yang

diharapkan.

2.4.2 Definisi Informasi

Menurut (Asmara, 2017), informasi merupakan sebuah data yang dapat

diolah dalam format yang lebih baik, bermakna, dan berguna bagi

27
penerimanya. Informasi yang berguna dan tepat didapatkan dari sebuah Data.

Data tersebut harus menggambarkan kejadian yang sebenarnya.

Siklus Informasi seperti yang terlihat pada gambar 2.2 dimulai dengan

data yang berupa bahan mentah, meskipun tidak diproses dan data tidak

diperlukan. Data berguna ketika diproses melalui model dan dapat

menghasilkan informasi. Siklus pengolahan data menjadi sebuah informasi

biasanya dijadikan sebagai model yang digunkaan untuk mengolah data

(Kristanto, 2008).

Gambar 2.1 Siklus Informasi

2.4.3 Definisi Sistem Informasi

Sistem yang digunakan dalam sebuah organisasi dimana berfungsi

dalam mengatur segala kebutuhan pemrosesan transaksi sehari-hari,

mendukung manajemen dan kegiatan strategis organisasi serta pihak eksternal

dengan menyajikan sebuah laporan sesuai kebutuhan disebut dengan sistem

informasi (Zakiyudin, 2012). Di sisi lain (Azhar, 2004) menjelaskan bahwa

sistem informasi dikatakan perkumpulan subsistem-subsistem yang saling

berhubungan menjadi sebuah sistem yang utuh dan saling bekerja sama dalam

mencapai sebuah tujuan. Tujuan yang dimaksud ialah mampu mengolah data

28
menjadi sesuatu yang penting serta menghasilkan informasi yang berguna

sesuai kebutuhan (Subiyakto, 2018; Subiyakto, Septiandani, et al., 2017).

Berdasarkan beberapa teori yang dikaji, peneliti menyimpulkan bahwa

sistem informasi merupakan perkumpulan beberapa komponen yang saling

terhubung dan terkoordinasi dimana mendukung kegiatan operasional seperti

mengolah, mengumpulkan, dan mengubah data menjadi informasi yang

berguna.

2.4.4 Definisi Sistem Informasi Manajemen

Seperangkat subsistem yang logis dan saling terintegrasi dimana

mampu mengubah data menjadi informasi yang berguna berdasarkan standar

kualitas yang telah ditentukan dengan tujuan meningkatkan produktivitas

disebut dengan Sistem Informasi Manajemen. Berdasarkan pendapat (Kadir,

2003) Sistem Informasi Manajemen (SIM) memiliki empat fungsi utama, yaitu

1. Membantu dalam melakukan pencarian data

2. Mengelola data menjadi informasi yang berguna

3. Menyajikan data kepada user sesuai kebutuhan

4. Membantu dalam mengarsipkan data

Pemahaman Frederick H. Wu tentang Sistem Informasi Manajemen

(SIM) dalam (Winarno, 2006) adalah kumpulan dari seluruh sumber daya

seperti sumber daya manusia dan modal yang memiliki tanggung jawab dalam

menghasilkan informasi tepat guna bagi seluruh tingkatan manajerial dengan

melakukan pengumpulan dan pengelolaan data.

29
 Berdasarkan beberapa teori yang dikaji, maka dapat disimpulkan bahwa

SIM adalah kumpulan dari beberapa subsistem yang berguna dalam

meningkatkan produktivitas, meningkatkan mutu yang ditetapkan, dan mampu

menghasilkan informasi tepat guna bagi seluruh tingkatan manajerial.

2.5 Expectation Confirmation Model

Expectation Confirmation Model (ECM) adalah model yang digunakan

pada penelitian dengan judul Understanding Information Systems Continuance

: An Expectation-Confirmation Model oleh Bhattacherjee (Nematolohi et al.,

2016). Expectation Disconfirmation Theory (EDT) yang dikembangkan oleh

(Oliver, 1980) merupakan awal mula munculnya ECM.

Di bidang sistem dan teknologi informasi, ECM dianggap sebagai salah

satu teori penting untuk menjelaskan perilaku pengguna setelah penerapan

sistem (Park, 2020). ECM sendiri merupakan model kognitif yang menjelaskan

proses dinamis yang dialami individu ketika membuat keputusan terkait

dengan keberlanjutan penggunaan TI atau kontinuitas TI (Bhattacherjee,

2001).

Berdasarkan teori yang dikemukakan oleh (Bem, 1972) dikatakan

bahwa ECM dikembangkan dan digunakan untuk memberikan penjelasan

bahwa pengguna akan terus memperbarui ekspektasi mereka setelah

mendapatkan informasi yang baru dari sebuah teknologi (Bhattacherjee, 2001).

Hal ini berarti ekspektasi pengguna terhadap teknologi atau layanan informasi

dapat diperbarui sesuai informasi dan pengalaman yang dirasakan pengguna.

30
Oleh karena itu dalam ECM, harapan (confirmation) direpresentasikan oleh

perceived usefulness. Penggunaan perceived usefulness sebagai alternatif

untuk mengetahui nilai ekspektasi, hal ini karena niat keberlanjutan pengguna

dapat diukur dengan variabel perceived usefulness dimana perceived

usefulness merupakan variabel yang secara konsisten mampu mempengaruhi

niat pengguna selama penggunaan teknologi informasi (Bhattacherjee, 2001).

Pada ECM tidak hanya ada indikator perceived usefulness saja, namun terdapat

indikator-indikator lainnya seperti satisfaction, confirmation, dan continuance

intention yang membentuk model pengukuran IT continuance yang

dikembangkan oleh Bhattacherjee (Lai et al., 2016). Gambar 2.2

menggambarkan hubungan dari empat variabel pada ECM.

Gambar 2.2 Model Expectation Confirmation

2.5.1 Perceived Usefulness (PU)

Perceived Usefulness didefinisikan sebagai sejauh mana sebuah sistem

yang digunakan dapat meningkatkan kinerja seseorang (F. D. Davis, 1989).

Teori lain dari Davis (1989) menjelaskan bahwa kemanfaatan (usefulness)

adalah sejauh mana penggunaan subjek tertentu diyakini dapat meningkatkan

kinerja pekerjaan. Pada Expectation Confirmatin Model oleh (Bhattacherjee,

31
2001) dijelaskan bahwa penerapan perceived usefulness dapat dilakukan dalam

menganalisis keberlanjutan information system, selain itu hubungan antara

perceived usefulness dengan information didukung oleh beberapa bukti

empiris. Semakin banyak manfaat yang dirasakan pengguna dari penawaran

layanan, maka pengguna akan merasa puas juga dengan layanan.

2.5.2 Confirmation

Confirmation adalah sejauh mana pengalaman penggunaan teknologi

dalam mengonfirmasi harapan awal seseorang dalam menggunakan teknologi

(Oghuma et al., 2016). Definisi sebelumnya didukung juga berdasarkan (Hsu

& Lin, 2015) yang menjelaskan bahwa confirmation merupakan persepsi

pengguna terhadap harapan mengenai penggunaan teknologi informasi dan

kenyataan kinerja teknologi informasi yang sebenarnya digunakan. Banyak

penelitian menjelaskan bahwa confirmation merupakan indikator yang

signifikan untuk mengukur perceived usefulness atau manfaat dari penggunaan

sebuah sistem informasi (Lin et al., 2017). Penelitian sebelumnya juga

menemukan bahwa confirmation berhubungan positif dengan kepuasan

(Bhattacherjee, 2001; Oghuma et al., 2016; Thong et al., 2006; Venkatesh,

2000).

2.5.3 Satisfaction (S)

Menurut Expectation Confirmation Model (ECM), satisfaction atau

kepuasan pengguna adalah penentu yang signifikan dalam menentukan niat

keberlanjutan pengguna (Bhattacherjee, 2001). Satisfaction merupakan

penilaian dari pengalaman pertama pengguna menggunakan sebuah layanan.

32
Penilaian ini dapat berupa respon positif atau kepuasan, ketidakpedulian,

bahkan respon negative atau ketidakpuasan (Hsu & Lin, 2015). Definisi

kepuasan pengguna sebelumnya sejalan dengan (Bhattacherjee, 2001), yang

menjelaskan bahwa kepuasan mengacu pada respons afektif yang diperoleh

individu dari pengalaman penggunaan teknologi mereka sebelumnya.

Berdasarkan penelitian sebelumnya mengenai continuance use intention

menunjukan bahwa kepuasan merupakan variabel penting untuk menentukan

niat keberlanjutan (F. D. Davis et al., 1992; Lee, 2010; Wang et al., 2011; Weng

et al., 2017; Subiyakto et al., 2017)

2.5.4 Continuance Use Intention (CUI)

Continuance Use Intention (CUI) didefinisikan sebagai penggunaan

keberlanjutan dari sistem informasi oleh pengadopsi sistem informasi, dimaba

keputusan kelanjutan mengikuti keputusan penerimaan awal (Bhattacherjee,

2001). Sedangkan berdasarkan pendapat (Hsu & Lin, 2015) menjelaskan

bahwa Continuance Use Intention (CUI) adalah sejauh niat pengguna dalam

menggunakan sebuah information system. Niat keberlanjutan dapat

didefinisikan juga sebagai proses dalam mempertahankan bisnis dan niat untuk

terus menggunakan produk atau jasa yang dihasilkan dari organisasi itu sendiri

(Abbas & Hamdy, 2015).

Menurut Kharismayanti Rahma (2012) dalam (Hartono & Julian,

2020) ada 3 hal yang menjadi pengukur minat dalam mengukur continuance

use intentioin :

1. Keinginan pengguna untuk menggunakan sebuah layanan

33
 2. Pengguna selalu ingin mencoba menggunakan sebuah layanan

3. Penggunaan layanan berkelanjutan di masa mendatang

2.6 Information Quality (IQ)

Information Quality pertama kali diusulkan oleh model Information

System Success (ISS) (Ashfaq et al., 2020). Menurut (Setia et al., 2013 )

information quality dapat didefinisikan sebagai akurasi, format, kelengkapan,

dan mata uang informasi yang dihasilkan oleh teknologi digital. Akses ke

informasi yang memadai, tepat, akurat, terkini , dan andal memainkan peran

yang menentukan dalam kepuasan pengguna (Teo et al., 2008). Hal ini sejalan

dengan pendapat (Delone & McLean, 1992), yang menjelaskan bahwa, relevan

(relevance), kelengkapan (completeness), ketepatan waktu (timeliness), akurat

(accuracy), dan penyajian informasi (format) merupakan kriteria yang mampu

mengukur sebuah kualitas informasi yang baik. Barnes dan Vigden (2003)

dalam (K & Pawirosumarto, 2017) berpendapat bahwa informasi dengan

kualitas yang baik artinya mampu menyajikan informasi yang tidak terbatas

bagi dalam organisasi maupun luar organisasi. Pada model ISS asli (Ashfaq et

al., 2020) dan pada (Subiyakto et al., 2015), ditunjukkan bahwa kualitas

informasi mampu mempengaruhi kepuasan pengguna secara signifikan.

2.7 System Quality (SQ)

System Quality mengacu pada keunggulan produk dari sudut pandang

teknis (Delone & McLean, 2003). Kualitas sistem juga didefinisikan sebagai

34
proses mengukur sebuah sistem informasi dengan berfokus pada hasil interaksi

antara pengguna dengan sistem (K & Pawirosumarto, 2017). Pada penelitian

(K.-H. Kim et al., 2019; M. Kim et al., 2015; S. S. Kim et al., 2005)

menjelaskan bahwa mempertimbangkan keandalan dan fungsionalitas penting

sebagai dua komponen utama dari kualitas sistem yang dirasakan. Dalam

konteks inovasi digital, kualitas sistem merupakan faktor utama yang

mempengaruhi kepuasan (Zhou, 2013). Menurut Gao & Waechter (2017)

dalam (Ashfaq et al., 2020) jika sistem lambat dan pengguna mengalami

gangguan layanan, memiliki desain antarmuka yang buruk, tidak merespons

secara tepat waktu atau menawarkan perhatian individual, kepercayaan

pengguna akan berkurang yang dapat mengurangi tingkat kepuasan mereka.

Hal ini sejalan dengan pendapat (Delone & McLean, 2003) yang menjelaskan

bahwa kemudahan penggunaan, kecepatan akses, keandalan sistem,

fleksibilitas, dan keamanan merupakan indikator yang mampu digunakan

dalam mengukur system quality.

2.8 Habit (H)

Menurut (Verplanken et al., 1997) habit adalah urutan yang dipelajari

dari tindakan yang menjadi respon otomatis untuk situasi tertentu yang

mungkin berfungsi dalam memperoleh tujuan tertentu atau keadaan akhir.

Suatu tindakan dapat menjadi sebuah kebiasaan jika seorang individu

melakukan tindakan tersebut secara berulang dan puas dengan hasil yang

dilakukannya (Verplanken & Orbell, 2003). Sedangkan menurut (Limayem &

35
Cheung, 2011) habit didefinisikan sebagai tingkat kecenderungan seseorang

untuk bertindak secara otomatis melalui pembelajaran yang didapatkan

sebelumnya (Mouakket, 2015). Penelitian terbaru menunjukkan ketika sistem

informasi menjadi lebih sering digunakan maka kebiasaan tersebut dapat

meningkatkan niat pengguna untuk terus menggunakan sistem informasi

(Gefen, 2003; Liao et al., 2006; Limayem & Cheung, 2011). Menurut

(Bhattacherjee & Barfar, 2011) menjelaskan bahwa habit memainkan peran

penting dalam hubungan antara niat berkelanjutan dan perilaku kontinuitas

sistem informasi.

2.9 Metode Pengumpulan Data

Berdasarkan teori dari (A. B. Setiawan, 2016), metode pengumpulan

data didefinisikan sebagai teknik yang dapat digunakan peneliti agar

mendapatkan informasi sesuai dengan kebutuhan dan membantu peneliti dalam

mencapai tujuan dari penelitiannya. Beberapa metode pengumpulan data yang

digunakan dalam penelitian ini yaitu observasi, wawancara, studi pustaka, dan

kuesioner.

1. Observasi

Menurut (Sugiyono, 2015), observasi adalah kegiatan yang

melibatkan objek penelitian dengan studi langsung di lapangan.

Selama pengumpulan data, observasi harus dibagi menjadi 2 jenis

yaitu partisipan dan non-partisipan. Observasi juga didefinisikan

36
 sebagai metode pengumpulan data dengan melihat secara langsung

aktivitas dari pengguna (Sutabri, 2012).

2. Wawancara

Menurut (Dewi, 2019), banyak peneliti yang memilih wawancara

sebagai metode pengumpulan data untuk eksplorasi dan kerja

lapangan. Wawancara dimaksudkan untuk memberikan informasi

secara langsung kepada responden atau partisipan untuk mengkaji

informasi tertentu (Abdillah, 2017). Sedangkan menurut (Jogiyanto,

2005), wawancara adalah kegiatan tanya jawab yang diikuti dengan

daftar pertanyaan yang disiapkan untuk pihak yang berhubungan

dengan penelitian terkait.

3. Studi Pustaka

Berdasarkan teori (Nazir, 2003) dengan membaca dan mempelajari

buku, karya referensi, serta beberapa situs web yang menyediakan

informasi mengenai judul penelitian maka peneliti sedang

melakukan kegiatan pengumpulan data dengan teknik studi pustaka.

Teori lain mendefinisikan bahwa studi pustaka sebagai metode

pengumpulan data yang dilakukan peneliti dengan mempelajari

buku-buku pustaka dan membacanya, serta situs web khusus yang

dapat digunakan sebagai fasilitator penelitian (Jogiyanto, 2005).

4. Kuesioner

Kuesioner adalah teknik mengumpulkan data dengan memberikan

responden serangkaian pertanyaan tertulis atau pertanyaan langsung

37
 untuk dijawab (Sugiyono, 2015). Kuesioner memiliki beberapa

kelebihan dibandingkan dengan metode pengumpulan data lainnya,

yaitu :

a. Peneliti dan responden tidak perlu hadir secara langsung.

b. Kuesioner yang telah dibuat bisa didistribusikan ke beberapa

responden sekaligus.

c. Responden dapat merespon sesuai dengan kecepatan mereka

sendiri, tergantung pada waktu luang mereka.

d. Dapat dibuat anonym sehingga memungkinkan responden dapat

menjawab pertanyaan dengan bebas dan jujur.

e. Peneliti dapat membuat standarisasi pada kuesioner sehingga

seluruh responden mendapatkan pertanyaan yang sama.

2.10 Pengelompokkan Data

Data adalah bahasa atau simbol alternatif yang diterima secara umum

untuk menggambarkan sebuah objek, manusia, kejadian, dan sebuah konsep

(Prathama & Sahetapy, 2019). Sedangkan menurut (Sujarweni & Endrayanto,

2012) data dapat dibedakan menjadi 2 tipe yaitu data berbasis jenis dan data

berbasis sumber. Penjelasan dari setiap tipe data akan dijelaskan sebagai

berikut :

38
1. Jenis data berdasarkan tipe jenisnya, yaitu .

a. Data kualitatif

Data kualitatif merupakan data yang berupa kalimat yang

bermakna, gambar, atau kata. Karakteristik dari tipe data ini yaitu

tidak dapat dihitung dengan perhitungan matematika seperti

penjumlahan ataupun pengurangan. Hal ini dikarenakan data

kualitiatif diperolah dari penyebaran kuesioner, maka peneliti

perlu melakukan pengujian realibiltas dan validitas. Menurut

(Sujarweni & Endrayanto, 2012), dijelaskan bahwa data ini

dibedakan menjadi 2, yaitu :

- Data nominal, jenis data ini merupakan data yang disajikan

dalam bentuk kategori. Contohnya adalah jenis kelamin, jenis

pekerjaan.

- Data ordinal, jenis data ini merupakan data yang disediakan

dalam beberapa tingkatan. Misal tanggapan responden dengan

skala likert.

b. Data kuantitatif

Jenis data ini merupakan data yang disajikan dengan format

numerik, atau dapat dikatakan data yang diolah menjadi angka

atau skor. Pada jenis data, operasi penjumalahan atau

pengurangan dapat digunakan. Menurut (Sujarweni &

Endrayanto, 2012) data kuantitatif dibagi 2 yaitu :

39
 - Data interval, jenis data ini merupakan kategorikal dengan

tingkatan yang dapat dikuantitaifkan. Misalnya keberhasilan

dari seorang siswa.

- Data rasio, secara harfiah adalah angka (bukan kategori) serta

dapat digunakan dengan perhitungan matematika. Dalam jenis

data ini, titik nol berarti tidak memiliki arti apapun.

2. Jenis data berdasarkan sumbernya, yaitu :.

a. Data primer

Data primer dapat dikatakan sebagai sumber data yang

menggambarkan data langsung, yaitu data yang digunakan

sebagai sumber penelitian (Noeng, 1993). Sedangkan menurut

(Sangadji & Sopiah, 2010) data primer dapat pendapat individu,

kelompok, dan hasil dari pengamatan terhadi suatu objek,

kejadian, dan hasil observasi.

b. Data sekunder

Data yang diperoleh dari modifikasi sumber utama atau dapat

dikatakan data yang digunakan sebagai teori pendukung

penelitian disebut dengan data sekunder (Noeng, 1993). Di sisi

lain (Punaji, 2010), menjelaskan bahwa data sekunder tidak selalu

dibuat khusus dengan tujuan untuk memenuhi segala kebutuhan

penelitian. Hal ini sejalan dengan (Sangadji & Sopiah, 2010)

yang menjelaskan bahwa sebagian atau seluruh bagian data

40
 sekunder belum dipastikan dapat memenuhi kebutuhan

penelitian.

2.11 Populasi dan Sampel

2.11.1 Populasi

Berdasarkan (Sugiyono, 2015), populasi didefinisikan sebagai suatu

wilayah atau bagian yang digeneralisasikan dengan karakteristik suatu objek

tertentu yang diterapkan oleh peneliti dalam penelitiannya guna menarik

sebuah kesimpulan dari penelitian tersebut. Sementara itu (Arikunto, 2010)

menyatakan bahwa populasi adalah objek penelitian secara keseluruhan.

2.11.2 Sampel

Menurut (Sugiyono, 2015) sampel didefinisikan sebagai bagian dari

karakterisitik suatu populasi. Di sisi lain (Arikunto, 2010) menjelaskan bahwa

sebagian atau wakil dari populasi yang dijadikan sebagar sumber penelitian

disebut dengan sampel. Populasi yang baik dapat digambarkan melalui sampel

yang baik pula. Sedangkan (Sugiarto et al., 2001), menjelaskan bahwa

pengambilan sampel merupakan sebuah kegiatan yang dilakukan untuk

mendapatkan perwakilan representatif dari sebuah populasi dengan melakukan

pengambilan dan pemilihan sampel secara akurat dari popoulasi tersebut

Teknik sampling adalah metode pengambilan sampel. Terdapat dua

jenis teknik sampling secara umum yaitu probability sampling dan non

probability sampling. Berikut adalah penjelasan dari dua kategori teknik

sampling (Siregar, 2013) :

41
1. Probability Sampling

Jenis teknik sampling ini didefinisikan sebagai metode pengambilan

sampel dari sebuah populasi dengan memberikan kesempatan atau

peluang yang sama bagi setiap elemen (anggota) populasi tersebut.

Teknik ini memiliki beberapa jenis, yaitu :

a. Simple Random Sampling (Sampel Random Sederhana)

Pengambilan sampel dengan teknik ini dilakukan dengan

membebaskan setiap anggota populasi sebagai sampel.

b. Stratified Sampling (Strata Sampel)

Stratified Sampling yaitu teknik pengambilan sampel dari sebuah

populasi dengan melihat pada satu kelas yang sama dengan

karakteristik yang berbeda..

c. Cluster Sampling

Pada teknik ini, pengambilan sampel dilakukan dengan membagi

populasi menjadi beberapa kelompok dari cluster atau wilayah,

sehingga cluster yang terpilih tersebut dapat dijadikan sampel

dalam sebuah penelitian. Anggota populasi dari tiap cluster yang

dijadikan sampel belum tentu homolog. Sampel diekstraksi

menggunakan kombinasi stratified sampling dan cluster

sampling.

42
 d. Double Sample

Teknik ini dikenal sebagai pengambilan sampel berjenjang

(sequential sampling) dan sampel multi tahap (multiphase

sampling).

2. Non Probability Sampling

Pengambilan sampel dengan teknik ini bertolak belakang dengan

probability sampling, dimana pada non probability sampling

pengambilan sampel dilakukan pada sebuah populasi dengan tidak

memberikan kesempatan yang sama bagi setiap elemen populasi

tersebut. Non probability sampling meliputi beberapa teknik, yaitu :

a. Convenience Sampling

Pada teknik ini, pengambilan sampel dilakukan dengan

mengidentifikasi sampel berdasarkan sebuah kejadian, anggota

dari populasi yang ditemui peneliti, dan sampel yang telah terpilih

tidak diperbolehkan ada unsur paksaan.

b. Purposive Sampling

Teknik ini dilakukan dengan mengidentifikasi responden yang

dijadikan sampel berdasarkan kriteria yang sudah ditetapkan

peneliti.

c. Quota Sampling

Teknik ini dapat dikatakan sebagai metode penentuan sampel

yang terlebih dahulu menggunakan kuota pada tiap kelompok,

43
 pencarian tidak dianggap selesai sebelum kuota untuk setiap

kelompok tercapai.

d. Snowball Sampling

Teknik ini dilakukan dengan mengumpulkan sampel dengan

wilayah kecil namun akan terus bertambah menjadi besar dan

dapat diberhentikan jika informasi yang diperoleh sudah dinggap

cukup oleh peneliti. Jika sulit mengidentifikasi calon responden

dalam suatu penelitian, maka teknik ini merupakan teknik yang

paling baik untuk diterapkan dalam penelitian tersebut.

e. Sampling Jenuh

Teknik sampling jenuh adalah teknik yang paling tepat diterapkan

jika sebuah penelitian memiliki populasi yang relatif kecil atau

kurang dari 30 orang. Pada metode ini, seluruh anggota sampel

dijadikan sampel dalam penelitian atau lebih dikenal dengan

sensus. Kelebihan dari metode ini yaitu hasil yang akan dihasilkan

lebih akurat karena seluruh populasi dapat dijadikan sampel.

2.12 Skala Likert

Berdasarkan teori (Sugiyono, 2015) menunjukkan bahwa skala likert

dapat digunakan dalam mengetahui fenomena atau kejadian sosial dengan

melakukan pengukuran sikap, persepsi, dan pendapat individu atau kelompok.

Tujuan skala likert digunakan dalam pengukuran yaitu (Risnita, 2012) :

44
 1. Menilai sejauh mana keberhasilan strategi yang telah

diimplementasikan.

2. Mengukur manfaat dari strategi yang telah diimplementasikan.

3. Mengukur kepuasan terhadap strategi yang telah diimplementasikan

kepada stakeholder.

Dengan skala likert, indikator dalam variabel dapat membuat lebih rinci

pengukuran suatu variabel. Indikator yang digunakan dalam penelitian

digunakan sebagai titik tolak ukur dalam merumuskan sebuah pertanyaan yang

akan diberikan kepada responden. Tanggapan untuk setiap instrument dapat

menggunakan skala likert yang mempunyai tingkat negatif sampai positif.

Berdasarkan (Risnita, 2012) dijelaskan bahwa terdapat 5 format yang

disediakan dalam skala likert, yaitu :

1. Skor 5 digunakan responden dalam memilih sangat setuju

2. Skor 4 digunakan responden dalam memilih setuju

3. Skor 3 digunakan responden dalam memilih netral/kadang-kadang

4. Skor 2 digunakan responden dalam memilih tidak setuju

5. Skor 1 digunakan responden dalam memilih sangat tidak setuju

2.13 Variabel Penelitian

Variabel dari sebuah penelitian dikatakan sebagai sesuatu yang penting

karena dapat memberikan nilai dan mempengaruhi hasil dari sebuah penelitian

(Muchlisin, 2020). Variabel yang ada dalam sebuah penelitian harus ditetapkan

45
oleh peneliti itu sendiri sehingga diperoleh hasil dan kesimpulan sesuai dengan

tujuan penelitian (Sugiyono, 2015).

Di sisi lain (Winarno, 2013), menjelaskan bahwa variabel dibedakan

menurut kedudukannya dalam suatu penelitian. Pada studi yang mempelajari

hubungan sebab-akibat antar variabel, variabel dibedakan menjadi beberapa

tipe seperti pada gambar 2.3.

Gambar 2.3 Hubungan Antar Variabel

1. Variabel Terikat

Jenis variabel ini dapat dikatakan sebagai variabel output yang juga

disebut dengan variabel dependen yang dibuat untuk variabel

independen. Peneliti tidak dapat memanipulasi variabel dependen,

tetapi harus mengamati variasinya atau indikatornya.

2. Variabel Bebas

Variabel bebas dapat dianggap sebagai salah satu variabel yang

berasal daari variabel terikat. Variabel bebas juga didefinisikan

sebagai variabel yang menyebabkan perubahan atau munculnya

variabel terikat. Peneliti dapat memanipulasi, mengamati, dan

mengukur variabel independen untuk menentukan hubungan antar

variabel (pengaruh dengan variabel lain).

46
 3. Variabel Moderator

Jenis variabel ini didefinisikan sebagai variabel independen yang

menentukan berpengaruh atau tidaknya hubungan antara variabel

indepen lainnya dengan variabel dependen.

4. Variabel Kontrol

Variabel yang perlu dinetralkan pengaruhnya disebut variabel

kontrol. Beberapa variabel tersebut harus dinetralisir agar variabel

yang bersangkutan tidak mengganggu hubungan antara variabel

bebas dan variabel terikat. Variabel yang efeknya perlu dipantau

disebut variabel kontrol.

5. Variabel Antara

Variabel antara disebut juga dengan variabel yang memiliki

pengaruh teoritis terhadap variabel terikat tetapi tidak dapat

ditampilkan, diukur, atau dimanipulasi. Pengaruh variabel intervensi

terhadap variabel terikat hanya dapat diperkirakan dari derajat

pengaruh variabel bebas dan atau rata-rata variabel terikat.

2.14 Structure Equation Model (SEM)

SEM adalah metode statistik yang digunakan peneliti dalam

mengintegrasikan analisis faktor dan analisis jalur untuk melakukan pengujiaan

dan memperkirakan hubungan sebab akibat antar variabel. Menurut (Jogiyanto,

2011) validasi model pengukuran dan verifikasi model struktural merupakan 2

tahapan dasar pada SEM. SEM mampu mengukur variabel laten dengan

47
memperkirakan indeks atau parameter daripada diukur secara langsung. Hal ini

memungkinkan peneliti untuk menguji secara internal keandalan model

penelitian yang dapat memperkirakan hubungan struktural teoritis antara

variabel laten. Hipotesis kausal kualitatif SEM diwakili oleh variabel-variabel

yang terdapat dalam sebuah persamaan lalu diuji menggunakan solusi berbasis

kovarians. Hipotesis tersebut dapat diuji dalam studi eskperimental dan harus

dilakukan penilaian dalam studi observasional untuk mengkonfirmasinya.

(Jogiyanto, 2011).

Structural Equation Model adalah kepanjangan dari SEM, yang

merupakan generasi kedua pemodelan persamaan struktural dengan teknik

analisis multivariat di mana peneliti secara rekursif dan non-rekursif memeriksa

hubungan antara variabel kompleks di seluruh model.

Maka dari itu, salah satu metode analisis multivariat yang digunakan

peneliti dalam menganalisis hubungan antar variabel dan jauh lebih kompleks

daripada analisis regresi atau analisis faktor disebut dengan SEM.

2.15 Partial Least Square (PLS)

Analisis PLS adalah metode statistik multivariat yang membandingkan

banyak variabel dependen dengan banyak variabel independen. PLS dirancang

untuk memecahkan regresi berganda ketika ada masalah khusus dengan data,

seperti ukuran sampel yang kecil, data yang hilang, atau multikolinearitas. Di

sisi lain (Jogiyanto, 2011), menjelaskan mengenai beberapa perangkat lunak

yang dapat membantu dalam menyelesaikan teknik SEM dengan PLS, yaitu

48
LVPLS atau latent variable partial least square, SmartPLS, XLSTAT, dan

PLSGRaph. Menurut (Ghozali, 2014), metode pemodelan analitik yang

fleksibel karena tidak mengandalkan asumsi bahwa data memerlukan skala,

distribusi data, dan jumlah sampel tertentu disebut dengan PLS. Dalam hal ini,

jika jumlah sampel dibawah 100 maka jumlah sampel tersebut dapat dikatakan

kecil.

PLS dapat dikatakan sebagai metode yang digunakan peneliti dalam

melakukan uji model pengukuran dan uji model struktural dengan analisis

persamaan struktural berbasis varian. Jika peneliti ingin memeriksa sebuah

validitas dan reliabilitas dari suatu model yang digunakan maka peneliti dapat

melakukan analisis measurement model atau model pengukuran, sedangkan

jika ingin memverifikasi hubungan sebab akibat atau hipotesis menggunakan

model prediktif maka peneliti dapat melakukan analisis structural model atau

model struktural. Berdasarkan tujuan penggunaannya, terdapat perbedaan

antara PLS SEM seperti LISREL atau AMOS, berbasis varian dengan berbasis

kovarians. Tujuan dari SEM berbasis kovarians adalah memperkirakan model

untuk menguji atau mengkonfirmasi teori, sedangkan tujuan SEM berbasis

varians adalah memprediksi model untuk pengembangan teori. Di sisi lain

(Jogiyanto, 2011), menjelaskan bahwa PLS merupakan prediktor kausal yang

digunakan untuk pengembangan teori.

Model evaluasi di dalam PLS dibagi menjadi dua. Pertama adalah outer

model atau pengukuran model, dan yang kedua pengukuran terhadap structural

model atau inner model (Yamin & Kurniawan, 2011):

49
1. Evaluasi Pengukuran Model (Outer Model)

Pada outer model terdiri dari individual, average variance

extracted, item reliability, internal consistency atau construct

reliability. Tiga hal tersebut dikelompokkan dalam convergent

validity, atau dapat dikatakan sebuah proses pengukuran besarnya

korelasi antara konstrak dengan variabel laten. Jika convergent

validiy telah dilakukan maka selanjutnya adalah dilakukannya

pengukuran discriminant validity. Menurut (Yamin & Kurniawan,

2011) measurement model atau pengukuran model dilakukan untuk

dapat mengetahui hubungan variabel dengan indikator-indikator di

dalamnya.

Tahap pertama dalam outer model yaitu dengan melihat nilai dari

standardized loading factor maka peneliti dapat melakukan

pemeriksaaan individual item reliability. Nilai tersebut dapat

menjelaskan hubungan antar tiap indikator terhadap variabelnya

(konstrak).

Terdapat beberapa syarat dari sebuah nilai standardized

loading factor dalam pemeriksaan item reliability, yaitu :

Tabel 2.1 Syarat Standardized Loading Factor

Nilai Keterangan
0,4-0,5 Pada nilai ini indikator pada penelitian dapat
dipertimbangkan jika nilai composite reliability
indikator tersebut berada pada batas aman, namun
indikator tersebut juga dapat dihapus agar

50
 meningkatkan nilai composite reliability (Hair et
al., 2012).
0,5-0,6 Pada nilai ini maka indikator tersebut dapat
dikatakan cukup (Ghozali, 2014).
> 0,7 Pada nilai ini maka indikator tersebut dapat
dikatakan ideal, artinya bahwa indikator tersebut
valid sebagai indikator dalam mengukur sebuah
variabel (konstrak) (Ghozali, 2014).

Lalu tahap kedua yaitu, dengan melihat hasil dari internal

consistency reliability yang didapatkan dari nilai composite

reliability. Dalam menguji internal consistency reliability, lebih baik

melihat nilai composite reliability dibandingkan cronbach’s alpha

dalam model SEM, hal tersebut karena “composite reliability tidak

mengasumsikan kesamaan boot dari setiap “indikator. Sedangkan

Cronbach’s alpha” cenderung menaksir lebih rendah construct

reliability dibandingkan composite” reliability. Selain itu terdapat

beberapa syarat dalam melihat cronbach’s alpha seperti pada tabel

2.2.

Tabel 2.2 Syarat Cronbach’s Alpha

Nilai Keterangan
≥ 0,5 Pada nilai ini cronbach’s alpha suatu indikator
dapat dikatakan baik dan diterima, Triton pada
(Iskandar, 2020)
0,6 - 0,7 Pada nilai ini cronbach’s alpha suatu indikator
dapat dikatakan baik dan diterima (Yamin &
Kurniawan, 2011)

51
 > 0,7 Pada nilai ini cronbach’s alpha suatu indikator
dapat dikatakan baik dan diterima (Yamin &
Kurniawan, 2011)
> 0,8 dan > 0,9 Pada nilai ini cronbach’s alpha suatu indikator
dapat dikatakan sangat memuaskan (Yamin &
Kurniawan, 2011)

Adapun rumus untuk composite reliability (CR) yaitu :

CR = (Σλi)2 (Σλi)2 + Σεi .............................(1)

Tahap ketiga dari pengukuran outer model yaitu dengan

melakukan pengukuran convergent validity dengan melihat nilai

Average Variance Extracted (AVE). Nilai ini menjelaskan besaran

varian atau keragaman variabel manifes yang dapat dikandung oleh

konstruk laten. Convergent validity dapat dikatakan baik jika

memiliki nilai nilai AVE minimal 0.5. Artinya, setengah variance

dari indikatornya dijelaskan dengan variabel laten. Nilai AVE

dihasilkan dari penjumlahan kuadrat loading factor dibagi dengan

error. Berikut adalah rumus Average Variance Extracted (AVE) :

AVE = Σλi 2 Σλi 2 + Σεi..............................(2)

Tahap terakhir dari pengukuran outer model yaitu dengan

melakukan pengukuran discriminant validity dimana dapat dilihat

52
 dari hasil kriteria Fornell-Lasker’s atau nilai cross loading. Cross

loading antar indikator dilakukan dengan membandingkan nilai

outer loading indikator dengan variabelnya dan variabel pada blok

lainnya dimana nilai antar indikator dengan variabelnya harus lebih

tinggi dari korelasi dengan variabel blok” lainnya. Sedangkan untuk

Fornell-Lacker’s dilakukan dengan membandingkan akar AVE dari

suatu variabel yang harus lebih tinggi dari korelasi antar variabel

latennya.

2. Evaluasi Struktural Model (Inner Model)

Menurut (Yamin & Kurniawan, 2011) pengujian struktural model

dilakukan untuk mengetahui hubungan antara variabel (kontsruk)

pada hipotesis yang telah dirancang dalam penelitian. Terdapat 6

tahapan dalam melakukan pengujian ini.

Tahapan pertama pada pengukuran inner model adalah dengan

melihat signifikansi pada hubungan antara variabel. Kekuatan atau

signifikansi hubungan antara variabel dapat dilihat dari koefisien

jalur (path coefficient). Sebuah jalur (path) dapat dikatakan memiliki

pengaruh yang signifikan dalam model penelitian jika memiliki path

coefficient (β) dengan nilai ambang batas di atas 0.1.

Tahap kedua dalam pengukuran inner model yaitu dengan

melakukan pengujian pada nilai R² (coefficient of determination).

Pengujian ini menjelaskan varian dari tiap target endogenous

variabel dengan beberapa standar pengukuran yang telah ditentukan.

53
Jika nilai R² sekitar 0.67 maka dapat dikatakan bahwa variabel

tersebut kuat, jika nilai R² sekitar 0.33 maka dapat dikatakan bahwa

variabel tersebut moderat, dan jika nilai R² dibawah 0.19 maka dapat

dikatakan bahwa variabel tersebut tingkat varian lemah.

Selanjutnya tahap ketiga adalah melakukan pengujian two-tailed

dengan metode bootstrapping dengan tingkat signifikansi 5% agar

dapat melihat nilai t-test dari setiap hipotesis yang sudah dirancang.

Nilai t-test yang menjelaskan bahwa suatu hipotesis dapat diterima

dalam penelitian harus >1,96.

Tahap keempat dari pengukuran inner model yaitu dengan

melakukan pengujian f² (effect size). Pengujian ini dilakukan untuk

memprediksi pengaruh variabel tertentu terhadap variabel lainnya

dalam struktur model dengan beberapa nilai ambang batas yang

sudah ditentukan. Variabel dapat dikatakan berpengaruh kecil jika

memiliki nilai effect size sekitar 0.02, lalu variabel dapat dikatakan

berpengaruh sedang atau menengah jika memiliki nilai effect size

sebesar 0.15, dan variabel dapat dikatakan berpengaruh besar jika

memiliki nilai effect size sebesar 0.35. Perhitungan f² didapatkan dari

rumus sebagai berikut:

#! %&'()*+ − #! +-'()*+
!! = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (1)
. − #! %&'()*+

54
 Keterangan :

R² include = Nilai R² yang diperoleh ketika konstruk eksogen

dimasukkan ke model.

R² exclude = Nilai R² yang diperoleh ketika konstruk eksogen

dikeluarkan dari model.

Tahap kelima dalam pengukuran inner model yaitu pengujian yang

dilakukan dengan metode blindfolding dalam mengukur nilai

(predictive relevance). Pengujian ini bertujuan untuk mendapatkan

bukti bahwa variabel tertentu yang digunakan dalam model peneltian

memiliki keterkaitan prediktif (predictive relevance) terhadapa variabel

lainnya dalam model tersebut dan memiliki nilai ambang batas

pengukuran sebesar > 0.

Tahap keenam merupakan tahapan terakhir dalam pengukuran inner

model dimana tahap ini dilakukannya pengujian dengan metode

blindfolding dalam mengukur nilai q² (Relative Impact). Tahapan ini

bertujuan untuk mengukur relatif pengaruh sebuah keterkaitan antara

prediktif sebuah variabel tertentu dengan variabel lainnya yang

memiliki nilai ambang batas. Variabel dapat dikatakan berpengaruh

kecil jika memiliki nilai effect size sekitar 0.02, lalu variabel dapat

dikatakan berpengaruh sedang atau menengah jika memiliki nilai effect

size sebesar 0.15, dan variabel dapat dikatakan berpengaruh besar jika

55
 memiliki nilai effect size sebesar 0.35. Perhitungan q² didapatkan dari

rumus berikut :

4! %&'()*+ − 4! +-'()*+
3! = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (5)
. − 4! %&'()*+

Keterangan :

Q² include = Nilai Q² yang diperoleh ketika konstruk eksogen

dimasukkan ke model.

Q² exclude = Nilai Q² yang diperoleh ketika konstruk eksogen

dikeluarkan dari model.

Berdasarkan teori yang dikaji maka dapat disimpulkan bahwa PLS-

SEM adalah salah satu metode yang digunakan dalam mengelola SEM.

SEM bertujuan untuk membantu dalam mengetahui hubungan antar

variabel dan untuk menemukan nilai hubungan tersebut.

2.16 Smart-PLS

Smart-PLS merupakan software pertama yang dikembangkan oleh Jan-

Bernd Lohmoller dalam bentuk Latent Variable Partial Least Square (LVLPS)

dalam ((Ghozali & Hengky, 2015). Perangkat lunak ini awalnya dibuat sebagai

proyek di School Of Business University of Hamburg, Jerman dan melayani

tujuan yang sama seperti perangkat lunak lain seperti Lisrel dan Amos dalam

menganalisis hubungan variabel laten dengan variabel indikator ataupun

manifest.

56
 Smart-PLS dapat membantu untuk mengolah data ketika jumlah sampel

yang dimiliki pengguna terbatas namun dengan model yang digunakan

terbilang sangat kompleks. Tentunya hal tersbeut menjadi kelebihan dari Smart-

PLS dibandingkan dengan Lisrel atau Amos. Selanjutnya, SmartPLS dapat

mengolah data menggunakan model SEM reflektif dan terformat. Model SEM

formal adalah model dimana variabel indikator membentuk variabel penyusun

dan panah komposisi variabel diambil dari variabel indikator. SEM bersifat

refleksif adalah kebalikannya yaitu berlaku untuk model di mana variabel

struktural mencerminkan variabel indikator dan panah menunjuk dari variabel

struktural ke variabel manifes.

57
 2.17 Studi Literatur

Tabel 2.3 Studi Literatur

No Judul dan Publikasi Literatur Uraian Literatur Variabel Hasil

1 User Acceptance of Smart Wearable Penelitian ini bertujuan untuk 1. Service Quality Hasil yang diperoleh dari
devices : An Expectation Confirmation mengeksplorasi persepsi 2. System Quality penelitian ini yaitu
Model Approach (Park, 2020) pengguna tentang perangkat 3. Confirmation berdasarkan analisis faktor
smart wearable dengan 4. Perceived Ease of Use konfirmatori dan metode
Telematics and Informatics menggunakan faktor-faktor yang 5. Perceived Usefulness pemodelan persamaan
ada dengan menggunakan 6. Perceived Enjoyment struktural menunjukan
Expectation Confirmation 7. Satisfaction bahwa niat pengguna
Theory, Technology Acceptance 8. Perceived Cost untuk menggunakan
Model, dan User Acceptance of 9. Continuance Intention perangkat yang dapat
Hedonic Information System. to Use dikenakan ditentukan oleh
10. Flow State 5 faktor yaitu, satisfaction,
enjoyment, usefulness,
flow state, and cost.

58
2 Predicting The Continued Use of Penelitian ini bertujuan untuk 1. Perceived Usefulness Hasil penelitian ini
Internet-based Learning Technologies: membuktikan fakta bahwa 2. Confirmation menjelaskan bahwa 20%
The Role of Habit (Limayem & Cheung, perilaku yang sering dilakukan 3. Satisfaction varian dalam penggunaan
2011) pengguna cenderung berubah dari 4. IS Continuance kontinuitas sistem
waktu ke waktu dan habit Intention informasi dan 50% varian
Behaviour & Information Technology dianggap sebagai variabel yang 5. IS Continued Usage dalam intensi kontinuitas
menentukan penggunaan 6. Habit sistem informasi. Habit
keberlanjutan siswa atas merupakan variabel yang
teknologi e-learning. Penelitian secara signifikan
ini menggunakan model mempengaruhi
Expectation Confirmation Model keberlanjutan penggunaan
dengan menambahkan variabel sistem informasi.
Habit.

3 I, Chatbot : Modeling The Determinants Chatbots merupakan agen 1. Information Quality Hasil dari penelitian ini
of User’s Satisfaction and Continuance percakapan berbasis teks yang 2. Service Quality mengungkapkan bahwa
membantu pengguna. Penelitian 3. Perceived Enjotment information quality dan

59
 Intention of AI-Powered Service Agents ini memiliki tujuan untuk 4. Perceived Usefulness service quality
(Ashfaq et al., 2020) menyelidiki faktor pendorong 5. Perceived Ease of Use berpengaruh positif
kepuasan pengguna dan niat 6. Satisfaction terhadap satisfaction dan
Telematics and Informatics keberlanjutan terhadap layanan 7. Continuance Use perceived enjoyment,
pelanggan berbasis chatbot. Intention perceived usefulness, dan
Penelitian ini menggabungkan perceived ease of use
Expectation Confirmation Model adalah predictor signifikan
(ECM), Technology Acceptance dari continuance use
Model, dan Information System intention. Pada penelitian
Success Model. ini juga mengungkapkan
bahwa satisfaction
merupakan variabel yang
kuat terhadap continuance
use intention.
4 Factors Influencing Continuance Social Network Sites (SNS) telah 1. Confirmation Penelitian ini
Intention to Use Social Network Sites : menjadi salah satu sarana 2. Perceived Usefulness menghasilkan bahwa
The Facebook Case (Mouakket, 2015) interaksi sosial online yang paling 3. Satisfaction perceived usefulness,
populer. Penelitian bertujuan 4. Continuance Use satisfaction, habit,
Computers in Human Behavior untuk menentukan niat Intention enjoyment, dan subjective

60
 keberlanjutan penggunaan 5. Habit norms menjelaskan 54,8%
terhadap Facebook, SNS popular 6. Enjoyment dari variabel dalam
di kalangan mahasiswa di United 7. Subjective Norms continuance use intention.
Arab Emirates. Penelitian ini Penelitian ini
menggunakan Expectation menunjukkan bahwa
Confirmation Model (ECM) pengaruh satisfaction pada
dengan menambahkan variabel continuance use intention.
Habit, Enjoyment, dan Subjective
Norms.
5 Modeling The Continuance Usage Penelitian bertujuan dalam 1. Information Quality Penelitian ini
Intention of Online Learning menentukan niat keberlanjutan 2. System Quality menunjukkan bahwa
Environments (Dağhan & Akkoyunlu, penggunaan terhadap lingkungan 3. Service Quality confirmation dalam
2016) pembelajaran online dan juga 4. Confirmation penelitian ini dapat
mengusulkan dan menguji model 5. Satisfaction dijelaskan melalui variabel
Computers in Human Behavior yang terintegrasi untuk lebih 6. Utilitarian Value Information Quality,
memahami penentu niat 7. Outcome System Quality, Service
keberlanjutan siswa dalam Expectations Quality. 63% varian
menggunakan e-learning. 8. Perceived Value variabel satisfaction
Penelitian ini menggunakan 9. Perceived Usability dijelaskan oleh

61
 Information System Success 10. Continuance Intention Information Quality,
Model dan Expectation System Quality, Service
Confirmation Model. Quality, Confirmation,
Utilitarian Value,
Outcame Expectations,
dan Continuance
Intention. Hasil penelitian
ini mengkonfirmasi bahwa
adanya hubungan dari
model keberhasilan sistem
informasi dengan model
ECM .
6 The Impacts of Information Quality and Penelitian ini bertujuan untuk 1. Information Quality Penelitian ini menemukan
System Quality on User’s Continuance mengintegrasikan model pasca 2. System Quality bahwa information quality
Intention in Information-Exchange adopsi sistem informasi dengan 3. Perceived Individual dan system quality secara
Virtual Communities : An Empirical model kesuksesan sistem Benefits langsung mempengaruhi
Investigation (Zheng et al., 2013) informasi dalam menentukan niat 4. User Satisfaction perceived individual
keberlanjutan penggunaan 5. Continuance Intention benefits dan user
Decision Support Systems to Consume satisfaction yang pada

62
 komunitas virtual pertukaran 6. Continuance Intention akhirnya menentukan niat
informasi dari perspektif kualitas. to Provide keberlanjutan pengguna.
Penelitian ini juga
menunjukkan bahwa
kualitas merupakan
masalah utama dalam
komunitas pertukaran
informasi.
7 Expectation Confirmation Model of Penelitian ini bertujuan untuk 1. Perceived Usefulness Penelitian ini memprediksi
Information System Continuance : A menguji 7 pasang hubungan dari 2. Confirmation bahwa adanya efek yang
Meta-Analysis (Lai et al., 2016) ECM asli dengan variabel habit 3. Satisfaction tinggi terhadap 7
dalam menentukan niat 4. Continuance Intention hubungan dalam ECM.
International Journal of Educational and keberlanjutan dengan meta- 5. Habit Hasil dari penelitian ini
Pedagogical Sciences analysis. Sebuah meta-analysis 6. Continuance juga menunjukkan bahwa
digunakan untuk menangani Behavior habit berpengaruh positif
perkembangan penelitian ECM terhadap niat
selama 10 tahun terakhir dari keberlanjutan dengan nilai
berbagai jurnal dan makalah p lebih kecil sama dengan
0,05 dan 6 pasangan

63
 konferensi yang diterbitkan pada hubungan lainnya
tahun 2005-2014. signifikan pada nilai
p<0,10. Pada penelitian
ini, peneliti
menyempurnakan model
penelitian asli dan model
alternatif yang diusulkan
untuk memahami dan
memprediksi
keberlanjutan sistem
informasi.
8 Investigating Use Continuance of Data Penelitian ini bertujuan untuk 1. Task Modeling Penelitian ini
Mining Tools (Huang et al., 2013) menentukan niat keberlanjutan 2. Task Funcionality menghasilkan bahwa TTF
penggunaan sistem informasi 3. Confirmation menunjukkan efek
International Journal of Information dengan model Task-Technology 4. Task-Technology Fit langsung pada 2 faktor dari
Management Fit (TTF), Expectation 5. Confirmation masalah penggunaan
Confirmation Model (ECM), dan 6. Satisfaction teknologi, user
habit dalam penggunaan data 7. Perceived Usefulness satisfaction, dan perceived
mining tools. usefulness. Sedangkan

64
 8. Frequency of Prior user satisfaction dan
Use perceived usefulness, serta
9. Habit habit merupakan kunci
10. Continuance Use variabel dalam
Intention menentukan continuance
use intention.
9 An Integrated Adoption Model of Mobile Penelitian ini bertujuan untuk 1. Perceived Usefulness Hasil penelitian ini
Cloud Services: Exploration of Key mengidentifikasi dan menyelidiki 2. Perceived Mobility menunjukkan bahwa
Determinants and Extension of faktor yang mempengaruhi dalam 3. Perceived perceived usefulness
Technology Acceptance Model (Park & membentuk persepsi dan sikap Connectedness memiliki pengaruh yang
Kim, 2014) pengguna terhadap mobile cloud 4. Perceived Security signifikan terhadap
services dengan model 5. Service and System continuance intention,
Telematics and Informatics penerimaan teknologi. Quality sedangkan attitude dan
6. Attitude satisfaction memiliki
7. Satisfaction pengaruh yang besar
8. Continuance Intention terhadap niat
keberlanjutan penggunaan
mobile cloud services.

65
10 An Expectation-Confirmation Model of Penelitian bertujuan untuk 1. Service Quality Hasil penelitian
Continuance Intention to Use Mobile menyelidiki dampak dari 2. Confirmation menunjukkan bahwa
Instant Messaging (MIM) (Oghuma et kegunaan yang dirasakan, 3. Usefulness service quality dan
al., 2016) keamanan yang dirasakan, 4. Enjoyment perceived usability
kualitas layanan yang dirasakan, 5. User Interface berpengaruh signifikan
Telematics and Informatics dan konfirmasi pada niat 6. Perceived usability terhadap kepuasan
keberlanjutan penggunaan MIM. 7. Perceived Security pengguna dan niat
8. Satisfaction berkelanjutan untuk
9. Continuance Intention menggunaka MIM.
Kualitas layanan yang
dirasakan juga
mempengaruhi
konfirmasi, yang pada
akhirnya mempengaruhi
persepsi kegunaan.
perceived security tidak
signifikan pada kepuasan
pengguna,

66
67
 BAB III

METODOLOGI PENELITIAN

3.1 Pendekatan Penelitian dan Strategi Penelitian

Pendekatan kuantitatif dipilih peneliti dalam membantu menganalisis

faktor-faktor yang mempengaruhi continuance use intention pada Sistem

Informasi Manajemen Eden Farm (SIMEF) versi v2.0.0 pada kegiatan

operasional Eden Farm. Penelitian ini memiliki tujuan untuk menganalisis

faktor-faktor yang mempengaruhi keberlanjutan penggunaan SIMEF yang

nantinya dapat memberikan rekomendasi kepada tim tech start-up Eden Farm

dalam pengembangan SIMEF selanjutnya.

Peneliti menggunakan 2 metode, yang pertama adalah metode

pengumpulan data dan yang kedua yaitu metode analisis data. Peneliti

mengumpulkan data dengan tiga cara yaitu dengan melakukan observasi

langsung ke tempat penelitian, studi literatur, dan kuesioner yang disebarkan

secara langsung maupun tidak langsung (online) menggunakan fitur google

form kepada karyawan Divisi Operation yang menggunakan SIMEF melalui

whatsapp. Selain itu jika seluruh kuesioner telah terkumpul maka peneliti

melakukan klasifikasi dengan bantuan software pengolah angka yaitu Ms.

Excel 2020 dan selanjutnya peneliti melakukan 2 analisis yaitu outer dan inner

model dengan pendekatan PLS-SEM melalui software Smart-PLS versi 3.3.3.

Hasil analisis yang didapatkan akan diinterpretasikan. Lalu kesimpulan

disusun dengan menjawab pertanyaan yang telah dibahas dan dibahas

berdasarkan keterbatasan penelitian yang dilakukan.

68
3.2 Tempat dan Waktu Penelitian

Terdapat beberapa lokasi dalam melakukan penelitian ini, yaitu di

kantor pusat Eden Farm yang berlokasi di Lippo St. Moritz Office Tower 9th

F1. Unit 9002, Jalan Puri Indah Raya, RT03/02, Kelurahan Kembangan

Selatan, Kecamatan Kembangan, Jakarta Barat, Daerah Khusus Ibukota

Jakarta, 11610, gudang Jakarta 1 yang berlokasi di Jalan KH. Ahmad Dahlan

No.1, RT.06/06, Petir, Kec. Cipondoh, Kota Tangerang, Banten 15147, dan

gudang Jakarta 2 yang berlokasi di Pergudangan Karplindo No. 3, RT.9/RW.4,

Ciracas, Kec. Ciracas, Kota Jakarta Timur, Daerah Khusus Ibukota Jakarta

13740 dengan pengambilan data primer berupa kuesioner yang dibagikan

kepada pengguna SIMEF di dua gudang area Jakarta dan wawancara terhadap

2 narasumber. Sedangkan untuk pengguna SIMEF Divisi Operation di gudang

Semarang dan Bandung akan dilakukan pengambilan data primer berupa

kuesioner saja melalui google form yang akan di share melalui whatsapp.

3.3 Gambaran Umum Start-Up Eden Farm

3.3.1 Profil Eden Farm

Eden Farm adalah perusahaan startup agrotechnology yang mencoba

menghadirkan layanan distribusi produk sayur segar di restoran dan cafe.

Platform yang sudah berdiri sejak tahun 2017 ini merupakan startup pemasok

buah dan sayuran dari para petani langsung untuk konsumen B2B (Business to

Business) di seluruh Jakarta. Namun di awal tahun 2021, Eden Farm sudah

69
melayani konsumen B2C (Business to Customer). Start-up yang didirikan oleh

David Gunawan ini juga telah mendapatkan partisipasi pendanaan dalam tahap

yang sama melalui Y Combinator, dengan keterlibatan Everhaus, Soma

Capital, S7 Venture, dan sejumlah angel investor.

Sejak tahun 2017, Eden Farm telah mendukung petani lokal dan

membawa hasil bumi segar terbaik mereka ke berbagai restoran dan warung

makan di Indonesia. Sebagai salah satu perusahaan pertanian yang tumbuh

paling cepat, kini Eden Farm tidak hanya menyediakan sayuran yang berasal

dari kebun petani tradisional dan hidroponik, mereka juga melayani pemesanan

makanan kering dan bumbu dapur selain itu Eden Farm juga mampu melayani

pembelian daging dan ayam kepada pelanggannya. Selain jaminan kualitas dan

harga yang dinilai lebih stabil, Eden Farm turut sajikan jasa pengantaran yang

dilakukan oleh kurir Eden Farm langsung. Kini Eden Farm juga mampu

melayani customer di beberapa kota besar seperti Bandung, Semarang, dan

Surabaya.

3.3.2 Logo Eden Farm

Gambar 3.1 Logo Start-Up Eden Farm

70
3.3.3 Visi dan Misi Eden Farm

a. Visi Eden Farm : Menjaga stabilitas harga pangan di seluruh

Indonesia.

b. Misi Eden Farm :

- Memasok semua jenis bahan makanan ke industri kuliner.

- Harga yang stabil bagi pelanggan.

- Pendapatan petani yang stabil.

3.4 Gambaran Sistem Informasi Manajemen Eden Farm (SIMEF)

Berikut adalah hasil screenshot Sistem Informasi Manajemen Eden

Farm (SIMEF) beserta penjelasan singkat :

Gambar 3.2 Halaman Login SIMEF

Gambar 3.2 diatas, merupakan halaman utama untuk masuk ke SIMEF.

Pengguna dalam sistem ini adalah seluruh karyawan pada divisi Sales and

Marketing, Finance, Pricing, Human Resource, Sourcing, dan Operation.

Pengguna diharuskan melakukan login terlebih dahulu, dengan memasukkan

71
email karyawan Eden Farm dan password dengan benar. Akses kedalam sistem

dapat dilakukan di mana saja tanpa harus menggunakan server local.

Gambar 3.3 Halaman Setelah Login Untuk Divisi Operation

Gambar 3.3 diatas merupakan halaman yang bisa diakses oleh Divisi

Operatiol maka menu yang digunakan oleh karyawan Divisi Operation adalah

menu dashboard untuk mengetahui informasi mengenai top product dan

laporan transaction pada perusahaan, lalu untuk mengetahui informasi

mengenai stock dari setiap product di gudang maka pengguna dari Divisi

Operation Eden Farm dapat menggunakan menu inventory, lalu kegiatan

utama dari operasional Eden Farm dapat diakses pada menu warehouse, jika

ingin merubah password dan melihat akun pengguna maka dapat

menggunakan menu configuration, serta jika membutuhkan laporan yang

dibutuhkan berkaitan dengan kegiatan operasional maka dapat diakses melalui

menu report. Menu yang muncul pada halaman beranda SIMEF tergantung

role dari setiap pengguna.

72
3.5 Populasi dan Sampel Penelitian

Berdasarkan batasan dalam penelitian ini yaitu hanya melakukan

penelitian dalam kegiatan operasional di Eden Farm maka populasi pada

penelitian ini adalah seluruh karyawan Divisi Operation yang terdaftar sebagai

pengguna SIMEF per Juni 2021 yaitu berjumlah 50 orang, jumlah tersebut

sesuai dengan data yang didapatkan dari business analyst, manager warehouse

Jakarta 1 dan J akarta 2, manager warehouse Bandung, serta manager

Semarang.

Peneliti menggunakan pengambilan sampel dengan metode

nonprobability sampling dengan teknik sampling jenuh, dimana seluruh

populasi dijadikan sebagai sampel dalam penelitian ini. Sehingga jumlah

responden atau sampel dalam penelitian ini berjumlah 50 responden seperti

pada tabel 3.1. Kelebihan dari teknik ini yaitu hasil dari pengujiannya lebih

akurat karena keseluruhan pengguna SIMEF dijadikan responden.

Tabel 3.1 Responden Divisi Operation di Seluruh Area Gudang

Jakarta Jakarta 2 Bandung Semarang

Manager Gudang 1 0 1 1

Asistem Manager 1 1 1 0

Gudang

Supervisor Gudang 2 1 0 2

Team Leader 3 4 1 0

Gudang

73
 Admin Gudang 8 7 3 5

Staff Gudang 1 1 1 0

Jumlah Pengguna 16 14 7 8

Tabel 3.2 Responden Karyawan Divisi Operation Selain Area Gudang

Jabatan Jumlah

Hub Bogor 1

Hub Cikupa 1

Hub Cikarang 1

Operation Analyst 1

Chief Operation Officer 1

Jumlah Pengguna 5

3.6 Metode Pengumpulan Data

3.6.1 Observasi

Peneliti melakukan observasi dengan melakukan pengamatan langsung

kepada pihak yang terlibat dalam objek penelitian seperti Divisi Human

Rescource (HR), Divisi Operation, dan Divisi Technology untuk

mengumpulkan data dan informasi. Hasil dari observasi yang telah dilakukan

yaitu :

1. Mendapatkan informasi mengenai profil perusahaan Eden Farm

secara menyeluruh yang telah dipaparkan pada subbab sebelumnya.

74
 2. Mendapatkan informasi mengenai Sistem Informasi Manajemen

Eden Farm (SIMEF) yang telah dipaparkan pada subbab

sebelumnya.

3. Mengetahui permasalahan yang sering terjadi dalam penggunaan

SIMEF sehari-hari dalam kegiatan operasional Eden Farm.

4. Mengetahui kelebihan dan kekurangan dari SIMEF terutama dalam

Divisi Operation.

3.6.2 Studi Pustaka

Metode studi literatur digunakan peneliti sebagai referensi serta sebagai

teori pendukung dalam penelitian ini dengan merangkum hasil dan metode

yang digunakan pada penelitian sebelumnya . Peneliti mencari literatur dengan

cara membaca dan meneliti buku, artikel, jurnal, dan skripsi sesuai dengan

topik pada penelitian ini.

3.6.3 Survei

Survei biasanya dilakukan sebagai media dalam proses penelitian yang

nantinya menggunakan beberapa indikator dan variabel yang sudah dirancang

sehingga dihasilkannya sebuah kuesioner. Pada penelitian ini proses

penyebaran kuesioner dilakukan oleh peneliti baik secara langsung maupun

tidak langsung. Dalam menyebarkan kuesioner secara langsung peneliti

melakukannya dengan tatap muka kepada setiap karyawan Divisi Operation

Eden Farm yang bekerja di gudang area Jakarta 1 dan Jakarta 2 dan di head

office Eden Farm. Sementara itu, penyebaran kuesioner juga didistribusikan

secara online dan menggunakan google form untuk responden melakukan

75
pengisian kuesioner serta sosial media seperti whatsapp untuk karyawan

karyawan Divisi Operation Eden Farm yang bekerja di gudang area Bandung

dan Semarang. Pengisian dan penyebaran kuesioner hanya kepada karyawan

Divisi Operation Eden Farm. Penyebaran dilakukan mulai tanggal 24 Juni

2021 sampai dengan 20 Juli 2021.

Tahap selanjutnya, jika data telah dikumpulkan maka akan diolah

dengan perangkat pengolah angka Ms. Excel 2019 agar dapat dikonversi

menjadi file .CSV. Data yang sudah dikonversi menjadi .CSV akan digunakan

sebagai data primer untuk dianalisis menggunakan software SmartPLS versi

3.3.3.

3.7 Metode Analisis Data

3.7.1 Model Usulan Penelitian

Peneliti menggunakan Expectation Confirmation Model (ECM)

sebagai model utama dalam mengukur kepuasan pengguna dan niat

keberlanjutan pengguna, ECM sendiri merupakan model yang pernah diteliti

oleh (Bhattacherjee, 2001). Dalam ECM terdapat 4 variabel yaitu Perceived

Usefulness (PU), Satisfaction (S), Confirmation (C), dan Continuance Use

Intention (CUI).

76
 Gambar 3.4 Expectation Confirmation Model (Bhattacherjee, 2001)

Menurut (Park, 2020) dijelaskan bahwa pada bidang sistem informasi

dan teknologi, Expectation Confirmation Model (ECM) dianggap sebagai salah

satu teori penting yang dapat menjelaskan perilaku pengguna pasca

mengadopsi sebuah sistem. Menurut Ha dan Park dalam (Hasanah, 2020) juga

dijelaskan bahwa salah satu variabel kuat yang menentukan niat keberlanjutan

pengguna dalam menggunakan sebuah sistem yaitu satisfaction.

Peneliti menambahkan beberapa variabel dalam penelitian ini untuk

membantu dalam menyelidiki faktor apa yang secara langsung mempengaruhi

kepuasan pengguna dalam mempengaruhi continuance use intention, yaitu

variabel Information Quality (IQ), System Quality (SQ) dengan mengadopsi

dari penelitian sebelumnya yang dilakukan (Roca et al., 2006). Untuk

mengetahui hubungan antara Information Quality (IQ), System Quality (SQ)

berpengaruh terhadap kepuasan pengguna dalam mempengaruhi continuance

use intention peneliti mengutip dari penelitian sebelumnya (Dağhan &

Akkoyunlu, 2016; Zheng et al., 2013).

Peneliti juga menambah Habit (H) sebagai variabel dalam mengukur

continuance use intention dengan mengadopsi dari penelitian sebelumnya yang

77
dilakukan (Mouakket, 2015). Untuk mengetahui hubungan Habit (H)

berpengaruh terhadap continuance use intention peneliti mengutip dari

penelitian sebelumnya (Huang et al., 2013; Limayem & Cheung, 2011).

Oleh karena itu, model penelitian yang digunakan dalam penelitian ini

seperti pada gambar 3.5. Variabel dependen dalam penelitian ini adalah

perceived usefulness, satisfaction, dan continuance use intention.

Gambar 3.5 Model Penelitian Usulan yang Digunakan

3.7.2 Indikator Penelitian

Peneliti menggunakan beberapa indikator yang sudah ditentukan dan

dibuat dalam bentuk kuesioner, kuesioner dalam penelitian ini terbagi menjadi

dua bagian. Bagian pertama yang berisikan surat pengantar dari peneliti

sekaligus 10 pertanyaan profil respondon dimana pertanyaan tersebut terkait

dengan data demografi responden dan 3 pertanyaan umum yang mendukung

data demografis responden. Kemudian pada bagian dua, terdapat pertanyaan

sebanyak 24 pertanyaan yang telah dirancang berdasarkan variabel yang

digunakan dalam model penelitian. Pada tabel 3.3 akan dijelaskan mengenai

78
indikator dari tiap variabel yang digunakan dalam penelitian ini dan dilengkapi

pula dengan referensi.

Tabel 3.3 Indikator Penelitian

Variabel Indikator Pertanyaan Referensi

Kode Nama
Indikator
IQ1 Tepat waktu Dengan adanya
SIMEF saya
merasakan
informasi yang
saya butuhkan
Information tepat waktu
(Ashfaq et
Quality (IQ) IQ2 Format yang Informasi yang
al., 2020)
berguna disediakan oleh
SIMEF sudah
dalam format
yang berguna
IQ3 Akurat Saya merasa
informasi yang
diberikan oleh
SIMEF selalu
akurat
IQ4 Informasi jelas Saya merasa
informasi yang
diberikan SIMEF
jelas dan tidak
membingungkan

79
 SQ1 Mudah Saya merasa (Teo et al.,
dipelajari SIMEF mudah
2008)
untuk dipelajari
SQ2 Navigasi Saya merasa
navigasi SIMEF
baik sehingga
(Zheng et
mudah untuk
System kembali atau al., 2013)
Quality (SQ) menuju menu
yang diinginkan
SQ3 Sistem yang Saya merasa
cepat SIMEF memiliki
kecepatan waktu
loading yang
cepat (Jahanmir
SQ4 Dapat Saya merasa
et al., 2020)
diandalkan SIMEF yang saya
gunakan dapat
sangat
diandalkan
C1 Layanan Tingkat layanan
yang diberikan
SIMEF lebih baik
dari yang saya
harapkan (Dağhan &
Confirmation C2 Pengalaman Sistem
Akkoyunlu,
(C) memberikan
2016)
pengalaman yang
lebih dari yang
diharapkan

80
 C3 Ekspektasi Secara
keseluruhan keseluruhan,
terpenuhi dari
menggunakan
SIMEF
S1 Pengalaman SIMEF
yang memberikan
memuaskan pengalaman yang
(Dağhan &
sangat
Satisfaction memuaskan Akkoyunlu,
(S) S2 Pengalaman SIMEF
2016)
yang memberikan
menyenangkan pengalaman yang
sangat
menyenangkan
S3 Kepuasan Secara (Park &
keseluruhan keseluruhan, saya
Kim, 2014)
puas dengan
SIMEF
PU1 Manfaat dalam Saya merasa (Oghuma et
sehari-hari SIMEF berguna
al., 2016)
dalam pekerjaan
saya sehari-hari
Perceived PU2 Produktivitas Saya merasa (Park &
Usefulness dengan
Kim, 2014)
(PU) menggunakan
SIMEF dapat
meningkatkan
produktivitas

81
 PU3 Meningkatkan Saya dapat
kinerja meningkatkan
kinerja saya
dengan
menggunakan
SIMEF
H1 Kebiasaan Saya terbiasa
menggunakan
SIMEF
(Mouakket,
Habit (H) H2 Rutinitas Menggunakan
SIMEF sudah 2015)
menjadi rutinitas
saya
H3 Hal yang wajar Menggunakan
SIMEF
merupakan hal
yang wajar bagi
saya
CUI1 Berniat untuk Saya berniat
terus untuk terus
menggunakan menggunakan
daripada SIMEF dari pada
berhenti berhenti
Continuance menggunakannya
(Mouakket,
Use Intention CUI2 Berniat untuk Saya berniat
2015)
(CUI) terus untuk terus
menggunakan menggunakan
sistem SIMEF dari pada
dibanding sistem lain
sistem lain

82
 CUI3 Berniat Saya berniat
menggunakan untuk terus
di masa meningkatkan
mendatang penggunaan
SIMEF di masa
mendatang
Namun, berdasarkan hasil pilot study yang telah dilakukan oleh peneliti

ada beberapa modifikasi pertanyaan pada kuesioner real yang dapat dilihat

pada tabel 3.2. Penjelasan lebih lengkap mengenai hasil pilot study yang telah

dilakukan dapat dilihat pada bab 4.

Tabel 3.4 Modifikasi Pertanyaan Hasil Pilot Study

Indikator Pertanyaan Pertanyaan

Pilot Study Kuesioner Real
Variabel Kode / Nama
Indikator
SQ1 / Mudah Saya merasa Fitur-fitur yang ada
dipelajari SIMEF mudah pada SIMEF mudah
untuk untuk dipelajari.
dipelajari [Contoh : Read List
Delivery Return, Print
Sales Delivery, dsb]
SQ3 / Sistem Saya merasa Selama ini SIMEF
System Quality yang cepat SIMEF memiliki kecepatan
(SQ) memiliki waktu loading yang
kecepatan cepat. [Contoh ketika
waktu loading download report, dsb]
yang cepat

83
 SQ4 / Dapat Saya merasa SIMEF dapat
diandalkan SIMEF yang diandalkan. [Contoh
saya gunakan ketika membutuhkan
dapat sangat data di saat waktu
diandalkan operasional
berlangsung]
C1 / Layanan Tingkat Tingkat layanan yang
layanan yang diberikan SIMEF lebih
Confirmation(C) diberikan baik dari yang saya
SIMEF lebih harapkan. [Contoh
baik dari yang ketika rilis sebuah fitur
saya harapkan baru yang dibutuhkan]
IQ1 / Tepat Dengan adanya Jika saya sedang
waktu SIMEF saya membutuhkan
Information merasakan informasi di jam
Quality (IQ) informasi yang tertentu, SIMEF selalu
saya butuhkan menyediakan
tepat waktu informasi yang saya
butuhkan

Pada penelitian ini, skala likert yang digunakan oleh peneliti pada

kuesioner adalah dengan menggunakan lima pilihan jawaban yang terdiri dari

sebagai berikut :

1. Skala 5 jika responden memilih sangat setuju

2. Skala 4 jika responden memilih setuju

3. Skala 3 jika responden memilih netral

4. Skala 2 jika responden memilih tidak setuju

5. Skala 1 jika responden memilih sangat tidak setuju

84
3.8 Hipotesis Penelitian

Berikut hipotesis-hipotesis dalam penelitian ini, yaitu :

H.1 Apakah confirmation berpengaruh terhadap perceived usefulness ?

H.2 Apakah confirmation berpengaruh terhadap satisfaction ?

H.3 Apakah habit berpengaruh terhadap continuance use intention ?

H.4 Apakah information quality berpengaruh terhadap satisfaction ?

H.5 Apakah system quality berpengaruh terhadap satisfaction ?

H.6 Apakah perceived usefulness berpengaruh terhadap continuance use

intention ?

H.7 Apakah perceived usefulness berpengaruh terhadap satisfaction ?

H.8 Apakah satisfaction berpengaruh terhadap continuance use intention ?

3.9 Analisis Data dan Interpretasi Data

Penelitian ini terdiri dari 2 tahap dalam melakukan analisis, yaitu

analisa data demografi responden dan analisa data dengan pendekatan

kuantitatif yang dilakukan melalui SEM-PLS. Smart-PLS versi 3.3.3

merupakan software yang dipilih peneliti dalam melakukan perhitungan SEM-

PLS.

3.9.1 Analisa Demografi

Pengukuran ini dimaksudkan agar mendapatkan data demografi yang

valid dari kuesioner yang telah dikumpulkan dimana nantinya data tersebut

akan dianalisis melalui software Ms. Excel 2019. Data demografi ini

dikelompokkan berdasarkan dari jenis kelamin, usia, jobdesk pekerjaan,

85
domisili tempat bekerja, jangka waktu menggunakan SIMEF, frekuensi

penggunaan SIMEF (Perhari), kepuasan penggunaan SIMEF, dan status niat

keberlanjutan penggunaan SIMEF.

3.9.2 Analisa Model Pengukuran (Outer Model)

Pengukuran ini dimaksudkan untuk menguji reliabilitas dan validitas

pada model yang digunakan dalam sebuah penelitian. Tanggapan responden

pada kuesioner yang telah dibuat peneliti diberikan bobot nilai berdasarkan

skala likert, selanjutnya hasil tanggapan dari responden tersebut akan diolah

menggunakan Ms.Excel 2019 untuk menghasilkan file berformat .CSV,

selanjutnya data yang sudah berformat .CSV akan diolah kembali melalui

perangkat lunak SmartPLS versi 3.3.3 untuk melakukan uji validitas dan uji

realibilitas.

Berdasarkan teori yang sudah dijelaskan pada bab sebelumnya, maka

dalam melakukan pengujian validitas dalam analisa outer model peneliti dapat

melihat hasil uji dari discriminant validity dan convergent validity, sedangkan

dalam melakukan pengujian realibilitas dalam analisa outer model peneliti

dapat melihat hasil uji dari composite reliability dan cronbach’s alpha.

3.9.3 Analisa Model Struktural (Inner Model)

Pengukuran ini dimaksudkan untuk mengetahui hubungan hipotesis

yang telah dirancang dalam sebuah penelitian menggunakan data yang berasal

dari tanggapan responden. Tanggapan responden pada kuesioner yang telah

dibuat peneliti diberikan bobot nilai berdasarkan skala likert, selanjutnya hasil

tanggapan dari responden tersebut akan diolah menggunakan Ms.Excel 2019

86
untuk menghasilkan file berformat .CSV, selanjutnya data yang sudah

berformat .CSV akan diolah kembali melalui perangkat lunak SmartPLS versi

3.3.3 untuk melakukan uji inner model.

Pada pengukuran inner model terdapat 2 metode yang digunakan, yang

pertama adalah metode blindfolding dimana metode tersebut digunakan dalam

mengetahui nilai R Square, Effect Size (! ! ), Predictive Relevance ("! ), dan

Relative Impacct (#! ), dan metode kedua yaitu bootstrapping yaitu untuk

mengetahui nilai dari path coefficient serta nilai t-test.

3.10 Prosedur Penelitian

Pada gambar 3.3 dapat dilihat prosedur yang digunakan dalam

penelitian ini sebagai panduan peneliti dalam melakukan penelitian. Prosedur

penelitian ini dibuat berdasarkan pendekatan dan strategi penelitian yang telah

dijelaskan pada subbab sebelumnya.

87
Gambar 3.6 Prosedur Penelitian

88
89
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Study

Pilot Study dilakukan untuk memastikan reliabilitas dan validitas pada

kuesioner yang akan digunakan dalam sebuah penelitian, atau bisa dikatakan

pilot study dilakukan untuk memastikan bahwa instrument penelitian tersebut

layak digunakan, Karena jumlah data pada penelitian ini berjumlah 50, maka

nilai tengah data yang bisa dijadikan sebagai data pilot study yaitu berjumlah

25 data. Setelah dilakukannya pilot study dengan 25 data tersebut, maka

peneliti mendapatkan beberapa kesimpulan, yaitu :

1. Terdapat 3 dari 4 indikator pada variabel system quality yang tidak

memiliki nilai ambang batas 0,700.

2. Terdapat 1 indikator dari 3 indikator pada variabel confirmation

yang tidak memiliki nilai ambang batas 0,700.

3. Terdapat 1 indikator dari 4 indikator pada variabel information

quality yang tidak memiliki nilai ambang batas 0,700.

Berdasarkan beberapa pertimbangan diatas, maka peneliti memutuskan

untuk menganalisis dan mengkaji kembali indikator-indikator dari variabel

system quality, confirmation, dan information quality dengan cara sedikit

memodifikasi pertanyaan yang terkait dengan indikator tersebut pada

kuesioner real sebelum disebarkan, hasil modifikasi pertanyaan tersebut dapat

dilihat pada tabel 3.2. Hal tersebut dilakukan karena peneliti berasumsi

90
mungkin pertanyaan yang ada pada kuesioner terkait indikator tersebut sulit

dimengerti oleh responden. Oleh karena itu dengan sedikit memodifikasi

pertanyaan bagi responden, maka dapat memudahkan responden dalam

menentukan skala pada pernyataan yang terkait dengan variabel system quality,

confirmation, dan information quality saat mengisi kuesioner real yang

diberikan oleh peneliti.

4.2 Hasil Analisis

Terdapat dua langkah dalam tahapan analisis penelitian ini, yaitu

analisis demografi dan analisis model. Peneliti menggunakan bantuan

Ms.Excel 2019 dalam menganalisis demografi responden. Sementara analisis

model dalam penelitian ini terbagi menjadi analisis measurement model (outer

model) dan analisis structural model (inner model) dengan bantuan SmartPLS

versi 3.3.3.

4.2.1 Analisis Demografi

Pada tahap ini, pertanyaan-pertanyaan yang telah diberikan kepada

responden dimana berkaitan dengan data profil responden dan mengenai

SIMEF akan dianalisis. terkait pertanyaan-pertanyaan umum mengenai SIMEF

yang telah diberikan. Adapun pertanyaan-pertanyaan yang diberikan terkait

dengan data diri responden, domisili warehouse tempat bekerja, posisi

pekerjaan, frekuensi lamanya menggunakan internet, jenis jaringan internet

yang digunakan, browser yang digunakan untuk mengakses SIMEF, frekuensi

91
menggunakan SIMEF, status kepuasaan menggunakan SIMEF, dan keinginan

responden untuk terus menggunakan SIMEF.

1. Jenis Kelamin

Jenis Kelamin

24%

76%

Perempuan Laki-Laki

Gambar 4.1 Diagram Lingkaran Jenis Kelamin

Dapat dilihat dari Gambar 4.1 menunjukkan bahwa jumlah responden

laki-laki sebanyak 38 orang (76%), dan jumlah responden perempuan sebanyak

12 orang (24%),

2. Usia

Usia

12%
20%

38%
30%

17 - 21 Tahun 22 - 26 Tahun 27 - 31 Tahun > 31 Tahun

Gambar 4.2 Diagram Lingkaran Usia

92
 Dapat dilihat dari gambar 4.2 menunjukkan beberapa kategori usia

responden yaitu 17 – 21 tahun sebanyak 6 orang (12%), 22 – 26 tahun

sebanyak 19 orang (38%), 27 – 31 tahun sebanyak 15 orang (30%), dan >31

tahun sebanyak 10 orang (20%).

3. Domisili Responden Bekerja

Domisili Responden Bekerja

10%14%

32% 16%

28%

Bandung ( Warehouse Kopo )

Semarang ( Warehouse Alteri )
Jakarta 2 ( Warehouse Ciracas )
Jakarta 1 ( Warehouse Cipondoh )
Non Warehouse (Head Office, Admin Hub Non Jabodetabek)

Gambar 4.3 Diagram Lingkaran Domisili Responden Bekerja

Dapat dilihat dari Gambar 4.3 bahwa domisili responden yang bekerja

di Bandung (Warehouse Kopo) sebanyak 7 orang (14%), Semarang

(Warehouse Alteri) sebanyak 8 orang (16%), Jakarta 2 (Warehouse Ciracas)

sebanyak 14 orang (28%), Jakarta 1 (Warehouse Cipondoh) sebanyak 16 orang

(32%), dan Non Warehouse (Head Office, Admin Hub Non Jabodetabek)

sebanyak 5 orang (10%).

93
4. Posisi Pekerjaan

Jakarta 1 (Warehouse Cipondoh)

6%6%
6%
13%
50% 19%

Manager Warehouse Asisten Manager Warehouse

Supervisor Warehouse Team Leader Warehouse
Admin Warehouse Staff Warehouse

Gambar 4.4 Diagram Lingkaran Posisi Pekerjaan di Jakarta 1

Dapat dilihat dari gambar 4.4 menunjukkan bahwa ada beberapa posisi

pekerjaan di Jakarta 1 (Warehouse Cipondoh) seperti 1 manager warehouse

(6%), 1 asisten manager warehouse (6%), 2 supervisor warehouse (13%), 3

team leader warehouse (19%), 8 admin warehouse (50%), dan 1 staff

warehouse (6%).

Jakarta 2 (Warehouse Ciracas)

7% 7%
7%

29%
50%

Asisten Manager Warehouse Supervisor Warehouse

Team Leader Warehouse Admin Warehouse
Staff Warehouse

Gambar 4.5 Diagram Lingkaran Posisi Pekerjaan di Jakarta 2

Dapat dilihat dari gambar 4.5 menunjukkan bahwa ada beberapa posisi

pekerjaan di Jakarta 2 (Warehouse Circacas) seperti 1 asisten manager

94
warehouse (7%), 1 supervisor warehouse (7%), 4 team leader warehouse

(29%), 7 admin warehouse (50%), dan 1 staff warehouse (7%).

Warehouse Bandung

14% 15%

14%

43% 14%

Manager Warehouse Asisten Manager Warehouse

Team Leader Warehouse Admin Warehouse
Staff Warehouse

Gambar 4.6 Diagram Lingkaran Posisi Pekerjaan di Bandung

Pada gambar 4.6 menunjukkan bahwa ada beberapa posisi pekerjaan di

Warehouse Bandung seperti 1 manager warehouse (14%), 1 asisten manager

warehouse (14%), 1 team leader warehouse (14%), 3 admin warehouse (43%),

dan 1 staff warehouse (14%).

Warehouse Semarang

12%

25%
63%

Manager Warehouse Supervisor Warehouse

Admin Warehouse

Gambar 4.7 Diagram Lingkaran Posisi Pekerjaan di Semarang

95
 Dapat dilihat dari gambar 4.7 menunjukkan bahwa ada beberapa posisi

pekerjaan di Warehouse Semarang seperti 1 manager warehouse (12%), 2

supervisor warehouse (14%), dan 5 admin warehouse (63%).

Non Warehouse

20% 20%

20% 20%
20%

Hub Bogor Hub Cikupa

Hub Cikarang Operation Analyst
Chief Operation Officer

Gambar 4.8 Diagram Lingkaran Posisi Pekerjaan di Non Warehouse

Dapat dilihat dari gambar 4.12 menunjukkan bahwa ada beberapa posisi

pekerjaan di area non warehouse seperti 1 admin hub Bogor (20%), 1 admin

hub Cikupa (20%), 1 admin hub Cikarang (20%), 1 Chief Operation Officer

(20%), dan 1 operation analyst (20%).

5. Lama Penggunaan Internet

Lama Penggunaan Internet

20%

10%
62%
8%

< 1 Tahun 1 - 3 Tahun 5 - 7 Tahun > 7 Tahun

Gambar 4.9 Diagram Lingkaran Lama Penggunaan Internet

96
 Berdasarkan hasil analisa pada gambar 4.9 diketahui bahwa responden

sebagian besar telah menggunakan internet dengan waktu > 7 tahun sebanyak

31 orang (62%), lalu < 1 tahun sebanyak 10 orang (20%), 1 – 3 tahun sebanyak

5 orang (10%), dan 5 – 7 tahun sebanyak 4 orang (8%).

6. Jenis Browser Untuk Mengakses SIMEF

Jenis Browser

2%4%
4%

90%

Google Chrome Safari Opera Mini Mozilla Firefox

Gambar 4.10 Diagram Lingkaran Jenis Browser Untuk Mengakses

SIMEF

Berdasarkan gambar 4.10 diketahui bahwa responden mengakses

SIMEF dengan browser yang berbeda-beda, seperti menggunakan Google

Chrome sebanyak 45 orang (90%), Safari sebanyak 2 orang (4%), Mozilla

Firefox sebanyak 2 orang (4%), dan Opera Mini sebanyak 1 orang (2%).

97
7. Lama Penggunaan SIMEF

Lama Penggunaan SIMEF

28%

72%

< 1 Tahun 1 - 2 Tahun

Gambar 4.11 Diagram Lingkaran Lama Penggunaan SIMEF

Berdasarkan gambar 4.11 menunjukkan bahwa responden sebagian

besar telah menggunakan SIMEF selama < 1 tahun sebanya 36 orang (72%),

dan 1 – 2 tahun sebanyak 14 orang (28%).

8. Frekuensi Menggunakan SIMEF Dalam Sehari

Frekuensi Menggunakan SIMEF Dalam

Sehari

16%

20%
64%

< 1 Jam 1 - 5 Jam > 5 Jam

Gambar 4.12 Diagram Lingkaran Frekuensi Menggunakan SIMEF

Dalam Sehari

98
 Dapat dilihat pada gambar 4.12 menunjukkan bahwa sebagian besar

responden telah menggunakan SIMEF selama > 5 jam sebanyak 32 orang

(64%), 1 – 5 jam sebanyak 10 orang (20%), dan < 1 jam sebanyak 8 orang

(16%).

9. Status Kepuasan Menggunakan SIMEF

Status Kepuasan Menggunakan

SIMEF

18% 22%

60%

Puas Netral Tidak Puas

Gambar 4.13 Diagram Lingkaran Kepuasan Menggunakan SIMEF

Berdasarkan hasil analisa pada gambar 4.13, dapat dilihat mayoritas

responden memilih netral terhadap status kepuasan menggunakan SIMEF

sebanyak 30 orang (60%), puas sebanyak 11 orang (22%), dan tidak puas

sebanyak 9 orang (18%).

99
10. Keinginan Untuk Melanjutkan Menggunakan SIMEF

Keinginan Untuk Melanjutkan

Menggunakan SIMEF

4%

26%

70%

Iya Mungkin Tidak

Gambar 4.14 Diagram LingkaranKeinginan Melanjutkan

Menggunakan SIMEF

Berdasarkan gambar 4.14 dapat dilihat mayoritas responden ingin terus

melanjutkan dalam menggunakan SIMEF sebanyak 35 orang (70%),

responden yang masih ragu dalam melanjutkan menggunakan SIMEF

sebanyak 13 orang (26%), dan responden yang memilih untuk tidak

melanjutkan menggunakan SIMEF sebanyak 2 orang (4%).

4.2.2 Hasil Analisis Measurement Model (Outer Model)

Analisis ini dilakukan untuk menguji validitas dan realibilitas pada

model yang telah digunakan. Peneliti melakukan uji convergent validity dan

discriminant validity untuk pengujian validitas. Sedangkan uji individual

reliability dan internal consistency reliability untuk pengujian realibilitas.

Berikut akan dijelaskan secara rinci mengenai hasil analisis outer model pada

penelitian ini :

100
1. Individual Indicator Reliability

Pada pengujian ini peneliti melakukan peninjuan pada standardized

loading factor dengan melihat nilai outer loading. Jika indikator memiliki

nilai outer loading > 0,700 maka indikator tersbeut dapat dikatakan valid

dan perlu dipertahankan. Hal ini sejalan dengan pendapat (Yamin &

Kurniawan, 2011) yang menjelaskan bahwa indikator yang harus

dipertahankan adalah indikator yang memiliki nilai outer loading di atas

nilai ambang yang sudah ditentukan.

Berdasarkan tabel 4.1 dapat dilihat nilai outer loading dari tiap

indikator pada penelitian ini.

Tabel 4.1 Nilai Outer Loading Sebelum Penghapusan

C CUI H IQ PU S SQ
C1 0,735
C2 0,925
C3 0,877
CUI1 0,769
CUI2 0,877
CUI3 0,763
H1 0,841
H2 0,932
H3 0,896
IQ2 0,818
IQ3 0,844
IQ4 0,846
PU1 0,892
PU2 0,926
PU3 0,925
S1 0,892
S2 0,894
S3 0,878

101
SQ1 0,518
SQ2 0,803
SQ3 0,554
SQ4 0,718
IQ1 0,737

Berdasarkan nilai outer loading pada tabel 4.1, dapat diketahui

bahwa terdapat 2 indikator yang tidak memiliki nilai outer loading di atas

0,700, yaitu SQ1 dan SQ2 dimana pada hasil pilot study kedua variabel

tersebut juga memiliki nilai outer loading dibawah 0,700. Maka dapat

disimpulkan bahwa kedua indikator tersebut tidak valid dan tidak perlu

dipertahankan dalam penelitian ini. Sedangkan indikator SQ4, C1, dan IQ1

yang memiliki nilai dibawah 0,700 pada hasil pilot study kemudian peneliti

menganalisis dan mengkaji kembali indikator tersebut, maka dapat dilihat

kini 3 indikator tersebut dapat memiliki nilai di atas 0,700 yang artinya

bahwa 3 indikator tersebut valid dan dapat dipertahankan pada penelitian

ini.

Oleh karena itu, peneliti memutuskan untuk menghapus indikator

SQ1 dan SQ2 dalam penelitian ini dan hasil outer loading setelah

penghapusan kedua variabel tersebut dapat dilihat pada tabel 4.2.

Tabel 4.2 Nilai Outer Loading Setelah Penghapusan

C CUI H IQ PU S SQ
C1 0,735
C2 0,925
C3 0,877
CUI1 0,769
CUI2 0,877
CUI3 0,763

102
H1 0,841
H2 0,932
H3 0,896
IQ1 0,737
IQ2 0,818
IQ3 0,844
IQ4 0,846
PU1 0,892
PU2 0,926
PU3 0,925
S1 0,891
S2 0,894
S3 0,879
SQ2 0,890
SQ4 0,764

2. Internal Consistency Reliabilty

Pada pengujian ini peneliti melakukan peninjauan pada nilai

composite realibility dan cronbach’s alpha dari tiap variabel. Nilai

minimum untuk cronbach’s alpha adalah 0,7 sedangkan idealnya yaitu 0,8

atau 0,9. Sedangkan nilai composite realibility dikatakan reliabel apabila

lebih besar dari 0,7. Pada tabel 4.3 dan tabel 4.4 menjelaskan mengenai hasil

uji composite realibility dan cronbach’s alpha d

Tabel 4.3 Nilai Composite Reliability

Variabel Composite Reliability

Confirmation (C) 0,885
Continuance Use
0,846
Intention (CUI)
Habit (H) 0,920
Information
0,886
Quality (IQ)
Perceived
0,939
Usefulness (PU)

103
 Satisfaction (S) 0,918
Information
0,814
Quality (IQ)

Tabel 4.4 Nilai Cronbach’s Alpha

Variabel Cronbach's Alpha

Confirmation (C) 0,806
Continuance Use
0,725
Intention (CUI)
Habit (H) 0,870
Information
0,829
Quality (IQ)
Perceived
0,902
Usefulness (PU)
Satisfaction (S) 0,866
Information
*0,556
Quality (IQ)

Dari hasil analisa pada tabel 4.3 dan tabel 4.4 menunjukkan bahwa

seluruh variabel dalam penelitian ini dapat dikatakan memiliki reliabilitas

yang baik, hal ini dibuktikan dengan nilai composite reliability pada seluruh

varriabel di atas 0,700. Namun pada uji cronbach’s alpha terdapat satu

variabel dengan nilai cronbach’s alpha di bawah 0,700. Peneliti

memutuskan untuk tetap menggunakan variabel information quality karena

didukung oleh beberapa penelitian sebelumnya yang menggunakan nilai

ambang batas cronbach’s alpha ≥ 0,5, seperti pada (Iskandar, 2020) dan

pada (Mukaromah et al., 2018). Selain itu, pada bab 2 dijelaskan juga bahwa

dalam menguji internal consistency reliability lebih baik melihat nilai

composite reliability dibandingkan cronbach’s alpha suatu variabel dalam

penelitian.

104
3. Convergent Validity

Pada pengujian ini peneliti melakukan peninjauan pada nilai

Average Variance Extracted (AVE) dari setiap variabel. Nilai AVE

memiliki nilai minimal sebesar 0,500 yang dapat dijadikan ukuran

convergent validity yang baik. Tabel 4.5 menjelaskan nilai AVE dari

penelitian ini.

Tabel 4.5 Nilai Average Variance Extracted (AVE)

Variabel Average Variance

Extracted (AVE)
Confirmation (C) 0,721
Continuance Use
0,648
Intention (CUI)
Habit (H) 0,793
Information Quality
0,660
(IQ)
Perceived
0,836
Usefulness (PU)
Satisfaction (S) 0,789
Information Quality
0,688
(IQ)

Berdasarkan hasil analisa pada tabel 4.5 menunjukkan bahwa

variabel laten pada penelitian ini sudah memenuhi syarat, selain itu karena

seluruh variabel laten memiliki nilai AVE diatas 0,500 maka indikator-

indikator yang ada di dalam blok suatu variabel sudah terwakili juga dengan

variabel laten tersebut. Hal tersebut dapat dibuktikan pada salah satu contoh

yaitu variabel confirmation dengan nilai AVE sebesar 0,721.

105
4. Discriminant Validity

Pada pengujian ini peneliti melakukan peninjauan pada hasil kriteria

Fornell-Lacker’s atau dengan melihat cross loading dari pengukuran

konstruk yang ada pada model. Nilai cross loading pada penelitian ini dapat

dilihat pada tabel 4.6.

Tabel 4.6 Nilai Cross Loading

C CUI H IQ PU S SQ
C1 0,735 0,356 0,303 0,607 0,394 0,590 0,608
C2 0,925 0,328 0,507 0,767 0,700 0,709 0,722
C3 0,877 0,243 0,476 0,634 0,709 0,761 0,679
CUI1 0,235 0,769 0,535 0,362 0,290 0,222 0,132
CUI2 0,127 0,877 0,377 0,176 0,053 0,172 0,066
CUI3 0,462 0,763 0,508 0,444 0,372 0,445 0,349
H1 0,498 0,420 0,841 0,502 0,715 0,499 0,316
H2 0,404 0,597 0,932 0,413 0,581 0,424 0,330
H3 0,497 0,553 0,896 0,479 0,535 0,450 0,470
IQ1 0,572 0,178 0,264 0,737 0,570 0,467 0,618
IQ2 0,691 0,347 0,523 0,818 0,634 0,679 0,676
IQ3 0,629 0,441 0,470 0,844 0,432 0,521 0,452
IQ4 0,650 0,372 0,381 0,846 0,543 0,648 0,470
PU1 0,681 0,372 0,696 0,656 0,892 0,667 0,493
PU2 0,671 0,201 0,543 0,594 0,926 0,707 0,699
PU3 0,644 0,270 0,597 0,598 0,925 0,673 0,686
S1 0,764 0,334 0,406 0,608 0,655 0,891 0,619
S2 0,649 0,340 0,485 0,554 0,562 0,894 0,496
S3 0,745 0,282 0,461 0,758 0,757 0,879 0,663
SQ1 0,671 0,125 0,267 0,585 0,620 0,641 0,890
SQ2 0,646 0,300 0,471 0,552 0,505 0,453 0,764

Berdasarkan tabel 4.6 diketahui bahwa nilai cross loading pada

penelitian telah memenuhi syarat karena terbukti dengan nilai cross loading

antar indikator dengan variabelnya lebih tinggi dibandingkan dengan nilai

cross loading terhadap variabel di blok lain. Hal tersebut dapat dibuktikan

dengan salah satu contoh yaitu nilai korelasi antara indikator C1 dengan

106
variabel confirmation dengan nilai 0,735, dimana lebih besar dari nilai

korelasi C1 dengan variabel continuance use intention sebesar 0,356.

Sedangkan untuk Fornell Lackers’s dilakukan dengan

membandingkan kar AVE dari suatu konstruk yang harus lebih tinggi dari

korelasi antar variabel latennya. Nilai Fornell Lackers’s penelitian ini dapat

dilihat pada tabel 4.7.

Tabel 4.7 Nilai Fornell Lackers’s

C CUI H IQ PU S SQ
C 0,849
CUI 0,353 0,805
H 0,516 0,597 0,890
IQ 0,787 0,418 0,514 0,812
PU 0,728 0,309 0,671 0,675 0,914
S 0,813 0,358 0,506 0,726 0,746 0,888
SQ 0,789 0,236 0,420 0,682 0,683 0,672 0,829

Selanjutnya pada tabel 4.7, menunjukkan bahwa seluruh indikator

yang digunakan pada model penelitian ini sudah memenuhi syarat validitas

diskriminan. Hal tersebut dibuktikan dengan nilai akar AVE (nilai teratas

pada tabel) yang lebih besar dibandingkan nilai korelasi antar variabel

latennya (nilai yang ada di bawahnya), seperti variabel confirmation yang

memiliki nilai teratas 0,849 dimana nilai tersebut lebih tinggi dibandingkan

dengan nilai korelasi terhadap variabel continuance use intention dengan

nilai 0,353.

Berdasarkan pengujian measurement model yang telah dilakukan

peneliti, maka dapat dikatakan bahwa model penelitian yang diajukan dalam

107
penelitian ini telah memiliki karakteristik yang baik secara statistik. Oleh

karena itu, dapat disimpulkan bahwa model yang diajukan dalam penelitian

ini juga telah memenuhi syarat untuk dilanjutkan ke tahap pengujian

structural model. Tabel 4.8 menjelaskan hasil keseluruhan dari analisis

measurement model (outer model) pada penelitian ini.

108
 Tabel 4.8 Hasil Keseluruhan Pengukuran Measurement Model (Outer Model)

VAR IND OL CROSS LOADING CA CR AVE FL

C CUI H IQ PU S SQ
C C1 0,735 0,735 0,356 0,303 0,607 0,394 0,59 0,608 0,806 0,885 0,721 0,849
C2 0,925 0,925 0,328 0,507 0,767 0,7 0,709 0,722
C3 0,877 0,877 0,243 0,476 0,634 0,709 0,761 0,679
CUI CUI1 0,769 0,235 0,769 0,535 0,362 0,29 0,222 0,132 0,725 0,846 0,648 0,805
CUI2 0,877 0,127 0,877 0,377 0,176 0,053 0,172 0,066
CUI3 0,763 0,462 0,763 0,508 0,444 0,372 0,445 0,349
H H1 0,841 0,498 0,42 0,841 0,502 0,715 0,499 0,316 0,870 0,920 0,793 0,890
H2 0,932 0,404 0,597 0,932 0,413 0,581 0,424 0,33
H3 0,896 0,497 0,553 0,896 0,479 0,535 0,45 0,47
IQ IQ1 0,737 0,572 0,178 0,264 0,737 0,57 0,467 0,618 0,829 0,886 0,660 0,812
IQ2 0,818 0,691 0,347 0,523 0,818 0,634 0,679 0,676
IQ3 0,844 0,629 0,441 0,47 0,844 0,432 0,521 0,452
IQ4 0,846 0,65 0,372 0,381 0,846 0,543 0,648 0,47
PU PU1 0,892 0,681 0,372 0,696 0,656 0,892 0,667 0,493 0,902 0,939 0,836 0,914
PU2 0,926 0,671 0,201 0,543 0,594 0,926 0,707 0,699
PU3 0,892 0,644 0,27 0,597 0,598 0,925 0,673 0,686
S S1 0,891 0,764 0,334 0,406 0,608 0,655 0,891 0,619 0,866 0,918 0,789 0,888
S2 0,894 0,649 0,34 0,485 0,554 0,562 0,894 0,496

109
 S3 0,879 0,745 0,282 0,461 0,758 0,757 0,879 0,663
SQ SQ1 0,89 0,671 0,125 0,267 0,585 0,62 0,641 0,89 0,556 0,814 0,688 0,829
SQ2 0,764 0,646 0,3 0,471 0,552 0,505 0,453 0,764

Keterangan :

VAR = Variabel CR = Composite Reliability

IND = Indikator CL = Cross Loading

OL = Outer Loading FL = Fornell Larcker’s

CA = Cronbach’s Alpha

110
4.2.3 Hasil Analisis Struktur Model (Inner Model)

Menurut (Hair et al., 2017) analisis structural model (inner model)

terdiri dari 2 metode, yaitu metode bootstrapping untuk melakukan uji path

coefficient coefficient of determination (R2) dan t-test, dan metode blindfolding

untuk melakukan uji effect size (f2), predictive relevance (Q2) dan relative

impact (q2).

1. Path Coefficient

Tahapan ini dilakukan untuk mengetahui pengaruh jalur (path) pada

model yang digunakan, dengan syarat nilai minimal 0,100 (Hair et al.,

2017). Tabel 4.9 menjelaskan hasil dari pengujian path coefficient dalam

penelitian ini.

Tabel 4.9 Hasil Pengujian Path Coefficient (β)

Jalur (Path) Path Coefficient (β) Keterangan

C ® PU 0,728 Signifikan
C®S 0,498 Signifikan
H ® CUI 0,706 Signifikan
IQ ® S 0,151 Signifikan
PU ® CUI -0,373 Insignifikan
PU ® S 0,302 Signifikan
S ® CUI 0,278 Signifikan
SQ ® S -0,029 Insignifikan

Berdasarkan hasil analisa path coefficient pada tabel 4.9, dapat

diketahui bahwa terdapat 2 jalur dari 8 jalur yang memiliki nilai di bawah

0,1 yaitu PU ® CUI (-0,373) dan SQ ® S (-0,029) yang berarti jalur ini

memiliki pengaruh negatif yang tidak signifikan. Gambar 4.14

menggambarkan hubungan antara variabel dalam penelitian ini.

111
 Gambar 4.15 Hasil Uji Path Coefficient

2. Coefficient of Determinant (R2)

Pengujian ini menjelaskan varian dari tiap target endogenous

variabel dengan standar pengukuran yang sudah ditentukan, sekitar 0,67

yang menunjukkan bahwa variabel tersebut kuat, sekitar 0,33 yang

menunjukkan bahwa variabel tersebut moderat, dan dibawah 0,19

menunjukan tingkat variabel yang lemah. Hasil uji coefficient of

determinant penelitian ini dapat dilihat pada tabel 4.10.

Tabel 4.10 Hasil Coefficient of Determinant

Coefficient of
Variabel Keterangan
Determinant (R2)
CUI 0,406 Menengah
PU 0,531 Menengah
S 0,720 Kuat

112
 Berdasarkan hasil tabel 4.10, dapat dilihat bahwa CUI dan PU

memiliki nilai Menengah. Hal ini berarti, H, PU, dan S menjelaskan secara

menengah (0,406) varian dari CUI. Selanjutnya, C juga menjelaskan secara

menengah (0,531) varian dari PU. Dan IQ, SQ, PU, dan C menjelaskan

secara kuat (0,720) varian dari S.

3. T-test atau T-Statistic

Tahapan ini dilakukan untuk menguji hipotesis yang sudah

dirancang dalam penelitian ini. Tahapan uji t-test, dapat dilihat

menggunakan uji two-tailed dengan tingkat signifikansi 5% melalui metode

bootstrapping. Menurut (Yamin & Kurniawan, 2011) hipotesis yang dapat

diterima adalah hipotesis yang memiliki nilai t-test > 1,96. Tabel

4.11menjelaskan hasil uji t-test dan p-value pada penelitian ini.

Tabel 4.11 Nilai T-test dan P-value

T Statistics P Values Keterangan

(|O/STDEV|)
Confirmation ® Perceived Diterima
11,630 0,000
Usefulness
Confirmation ® Diterima
3,292 0,001
Satisfaction
Habit ® Continuance Use Diterima
3,852 0,000
Intention
Information Quality ® Ditolak
0,962 0,336
Satisfaction
Perceived Usefulness ® Diterima
2,278 0,023
Continuance Use Intention
Perceived Usefulness ® Diterima
2,028 0,043
Satisfaction
Satisfaction ® Ditolak
1,491 0,137
Continuance Use Intention
System Quality ® Ditolak
0,180 0,857
Satisfaction

113
 Berdasarkan hasil uji yang telah dilakukan pada tabel 4.11, dapat

diketahui bahwa terdapat tiga jalur pada hubungan hipotesis yang ditolak,

yaitu Information Quality ® Satisfaction dengan nilai t-test (0,962),

Satisfaction ® Continuance Use Intention dengan nilai t-test (1,491), dan

System Quality ® Satisfaction dengan nilai t-test (0,180). Karena ketiga

hipotesis tersebut memiliki nilai t-test di bawah 1,96, jadi ketiga hipotesis

tersebut ditolak.

4. Effect Size (f2)

Pengujian ini dilakukan untuk memprediksi pengaruh variabel

tertentu terhadap variabel lainnya dalam struktur model dengan nilai

ambang batas yang sudah ditentukan. Di sisi lain (Hair et al., 2017)

menjelaskan bahwa jika nilai effect size sekitar 0,02 maka dapat dikatakan

memiliki pengaruh kecil, jika nilai effect size sekitar 0,15 maka dapat

dikatakan memiliki pengaruh menegah, dan jika nilai effect size sekitar 0,35

maka dapat dikatakan memiliki pengaruh yang besar. Hasil uji effect size

dapat dilihat pada tabel 4.12.

Tabel 4.12 Hasil Effect Size (f2)

Hipotesis f2 Analisis
Hx Hubungan 2
R -in R2-ex f 2 f2
H1 C ® PU 0,531 0 1,132 Besar
H2 C®S 0,720 0,665 0,196 Menengah
H3 H ® CUI 0,406 0 0,6835 Besar
H4 IQ ® S 0,720 0 2,511 Besar
H5 PU ® CUI 0,406 0,374 0,053 Kecil
H6 PU ® S 0,720 0,681 0,139 Kecil
H7 S ® CUI 0,406 0,376 0,050 Kecil

114
 H8 SQ ® S 0,720 0 2,511 Besar

Berdasarkan hasil analisa f2 pada tabel 4.12 menunjukkan bahwa

hubungan jalur C → PU, H ® CUI, IQ ® S, dan SQ ® S memiliki nilai

effect size yang besar sehingga dapat dikatakan bahwa hipotesis-hipotesis

tersebut memiliki pengaruh yang besar terhadap struktur model.

Kemudian C → S dan PU ® S memiliki nilai pengaruh menengah.

Sedangkan 2 jalur PU ® CUI dan S ® CUI memiliki pengaruh yang kecil.

5. Predictive Relevance (Q2)

Tahapan pengujian ini bertujuan untuk memberikan bukti bahwa

variabel tertentu yang digunakan dalam suatu model yang dibuat

mempunyai keterkaitan prediktif (predictive relevance) dengan variabel

lainnya dalam model tersebut. Menurut (Hair et al., 2017) uji Q2 memiliki

nilai ambang batas >0. Tabel 4.13 menjelaskan hasil uji Q2 pada penelitian

ini.

Tabel 4.13 Hasil Predictive Relevance (Q2)

Predictive Relevance
Variabel
(Q2)
CUI 0,219
PU 0,422
S 0,547

Berdasarkan hasil analisa tabel 4.13, menunjukkan bahwa nilai Q2

dari ketiga variable dependen pada penelitian ini memiliki hubungan

keterakitan secara prediktif, hal ini dibuktikan dengan nilai Q2 seluruh

variabel diatas 0.

115
6. Relative Impact (q2)

Pengujian q² (Relative Impact) bertujuan untuk mengukur relatif

pengaruh sebuah keterkaitan antara prediktif sebuah variabel tertentu

dengan variabel lainnya. Menurut (Hair et al., 2017) pengujian ini memilik

beberapa syarat dalam nilai ambang batas, yaitu sebesar 0.02 menunjukkan

bahwa hubungan variabel tersebut berpengaruh kecil, 0.15 menunjukkan

bahwa hubungan variabel tersebut berpengaruh sedang, dan 0.35

menunjukkan bahwa hubungan variabel tersebut berpengaruh besar. Hasil

uji relative impact pada penelitian ini dapat dilihat pada tabel 4.14.

Tabel 4.14 Hasil Relative Impact (q2)

Hipotesis q2 Analisis
Hx Hubungan 2
Q -in Q2-ex q2 q2
H1 C ® PU 0,422 0 0,730 Besar
H2 C®S 0,547 0,500 0,103 Kecil
H3 H ® CUI 0,219 0 0,280 Menengah
H4 IQ ® S 0,547 0 1,207 Besar
H5 PU ® CUI 0,219 0,190 0,037 Kecil
H6 PU ® S 0,547 0,517 0,066 Kecil
H7 S ® CUI 0,219 0,208 0,014 Kecil
H8 SQ ® S 0,547 0 1,207 Besar

Berdasarkan perhitungan q2 pada tabel 4.14, dapat dilihat bahwa

hubungan jalur C → PU, IQ ® S, dan SQ ® S memiliki nilai effect size

yang besar sehingga dapat dikatakan bahwa hipotesis-hipotesis tersebut

memiliki pengaruh yang besar terhadap struktur model. Kemudian H →

CUI memiliki nilai pengaruh menengah. Sedangkan 3 jalur PU ® CUI,

PU ® S, dan S ® CUI memiliki pengaruh yang kecil.

116
 Setelah dilakukannya pengujian inner model pada penelitian ini,

maka tabel 4.15 akan menjelaskan secara keseluruhan hasil dari uji inner

model pada penelitian ini.

117
 Tabel 4.15 Hasil Keseluruhan Pengukuran Structural Model (Inner Model)

Hipotesis β T-test R2 f2 Q2 q2 Analisis

2
Hx Hubungan R -in R2- f2 2
Q -in Q2-ex q2
β T-test R2 f2 Q2 q2
ex
H1 C ® PU 0,728 11,630 0,531 0,531 0 1,132 0,422 0,422 0 0,730 Sign Diterima M B PR B
H2 C®S 0,498 3,292 0,720 0,720 0,665 0,196 0,547 0,547 0,500 0,103 Sign Diterima K M PR K
H3 H ® CUI 0,706 3,852 0,406 0,406 0 0,6835 0,219 0,219 0 0,280 Sign Diterima M B PR M
H4 IQ ® S 0,151 0,962 0,720 0,720 0 2,511 0,547 0,547 0 1,207 Sign Ditolak K B PR B
H5 PU ® CUI -0,373 2,278 0,406 0,406 0,374 0,053 0,219 0,219 0,190 0,037 Insign Diterima M K PR K
H6 PU ® S 0,302 2,028 0,720 0,720 0,681 0,139 0,547 0,547 0,517 0,066 Sign Diterima K K PR K
H7 S ® CUI 0,278 1,491 0,406 0,406 0,376 0,050 0,219 0,219 0,208 0,014 Sign Ditolak M K PR K
H8 SQ ® S -0,029 0,180 0,720 0,720 0 2,511 0,547 0,547 0 1,207 Insign Ditolak K B PR B

Keterangan:

β = Path Coefficient B = Besar

R2 = Coeefficient of Determinant M = Menengah
f2 = Effect Size K = Kecil
Q2 = Predictive Relevance PR = Prediktif
q2 = Relative Impact Insign = Tidak Signifikan
Sign = Signifikan

118
4.3 Interpretasi dan Diskusi Hasil Analisis

Setelah dilakukan pengujian dan diperoleh hasil analisis dari penelitian

ini, maka tahapan selanjutnya adalah interpretasi dan diskusi hasil analisis.

4.3.1 Interpretasi dan Diskusi Hasil Analisis Demografis

Pada tahapan ini akan akan dilakukannya interpretasi dan diskusi hasil

analisa demografis berdasarkan hasil analisa yang sudah diperoleh pada subbab

sebelumnya, sebagai berikut :

1. Jenis Kelamin

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui dari total 50 responden

yang mengisi kuesioner penelitian ini, jumlah responden dengan jenis

kelamin laki-laki yang berjumlah sebanyak 38 orang (76%), jumlah ini lebih

banyak dibandingkan dengan jumlah responden dengan jenis kelamin

perempuan sebanyak 12 orang (24%). Hasil tersebut sesuai dengan data

jumlah karyawan Divisi Operasional Eden Farm yang menggunakan

SIMEF per Juni 2021.

2. Usia

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui bahwa beberapa

kategori usia responden yaitu 17 – 21 tahun sebanyak 6 orang (12%), 22 –

26 tahun sebanyak 19 orang (38%), 27 – 31 tahun sebanyak 15 orang

(30%), dan >31 tahun sebanyak 10 orang (20%). Data tersebut sudah sesuai

dengan data karyawan yang ada dan menunjukkan bahwa karyawan Divisi

119
Operasional Eden Farm termasuk ke dalam usia yang produktif dengan usia

terbanyak yaitu kisaran 22 – 26 tahun dan 27 – 31 tahun yang jika

dijumlahkan terdapat 34 orang.

3. Domisili Responden Bekerja

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat dilihat bahwa domisili responden

yang bekerja di Bandung (Warehouse Kopo) sebanyak 7 orang (14%),

Semarang (Warehouse Alteri) sebanyak 8 orang (16%), Jakarta 2

(Warehouse Ciracas) sebanyak 14 orang (28%), Jakarta 1 (Warehouse

Cipondoh) sebanyak 16 orang (32%), dan Non Warehouse (Head Office,

Admin Hub Non Jabodetabek) sebanyak 5 orang (10%). Hal ini sesuai

dengan jumlah sampel yang telah ditentukan pada bab 3.

4. Posisi Pekerjaan

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui bahwa beberapa posisi

pekerjaan di Jakarta 1 (Warehouse Cipondoh) terdiri dari 1 manager

warehouse (6%), 1 asisten manager warehouse (6%), 2 supervisor

warehouse (13%), 3 team leader warehouse (19%), 8 admin warehouse

(50%), dan 1 staff warehouse (6%). Lalu di Jakarta 2 (Warehouse Ciracas)

terdiri dari 1 asisten manager warehouse (7%), 1 supervisor warehouse

(7%), 4 team leader warehouse (29%), 7 admin warehouse (50%), dan 1

staff warehouse (7%). Selanjutnya pada Warehouse Bandung terdiri dari 1

manager warehouse (14%), 1 asisten manager warehouse (14%), 1 team

120
leader warehouse (14%), 3 admin warehouse (43%), dan 1 staff warehouse

(14%). Lalu Warehouse Semarang terdiri dari 1 manager warehouse (12%),

2 supervisor warehouse (14%), dan 5 admin warehouse (63%). Dan yang

terakhir di area non warehouse terdiri 1 admin hub Bogor (20%), 1 admin

hub Cikupa (20%), 1 admin hub Cikarang (20%), 1 Chief Operation Officer

(20%), dan 1 operation analyst (20%). Hal ini sesuai dengan jumlah sampel

yang sudah ditentukan pada bab 3.

5. Lama Penggunaan Internet

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui bahwa responden

sebagian besar telah menggunakan internet dengan waktu > 7 tahun

sebanyak 31 orang (62%), lalu < 1 tahun sebanyak 10 orang (20%), 1 – 3

tahun sebanyak 5 orang (10%), dan 5 – 7 tahun sebanyak 4 orang (8%). Hal

ini sesuai dengan hasil survei Asosiasi Penyelenggara Jasa Internet

Indonesia (APJII) yang mengatakan adanya peningkatan jumlah penetrasi

pengguna internet tahun 2019-2020 (Q2).

6. Jenis Browser Untuk Mengakses SIMEF

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, diketahui bahwa responden mengakses

SIMEF dengan browser yang berbeda-beda, seperti menggunakan Google

Chrome sebanyak 45 orang (90%), Safari sebanyak 2 orang (4%), Mozilla

Firefox sebanyak 2 orang (4%), dan Opera Mini sebanyak 1 orang (2%).

Hasil ini sesuai dengan keluhan-keluhan yang diterima oleh business

121
analyst jika SIMEF sedang bermasalah, dimana dikatakan mayoritas

pengguna SIMEF di Divisi Operasional menggunakan Google Chrome

sebagai browser yang digunakan untuk mengakses SIMEF.

7. Lama Penggunaan SIMEF

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, diketahui bahwa responden sebagian

besar telah menggunakan SIMEF selama < 1 tahun sebanya 36 orang (72%),

dan 1 – 2 tahun sebanyak 14 orang (28%). Hal ini sesuai dengan jejak

perkembangan penggunaan SIMEF pada Divisi Operasional yang mulai

dikembangkan di pertengahan 2020.

8. Frekuensi Menggunakan SIMEF Dalam Sehari

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui bahwa responden

sebagian besar menggunakan SIMEF selama > 5 jam sebanyak 32 orang

(64%), 1 – 5 jam sebanyak 10 orang (20%), dan < 1 jam sebanyak 8 orang

(16%). Hasil ini sesuai dengan kegiatan operasional yang berjalan hampir

24 jam di setiap harinya dan jam bekerja karyawan yang berjalan selama 8

jam.

9. Status Kepuasaan Menggunakan SIMEF

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui bahwa mayoritas

responden memilih netral terhadap status kepuasan menggunakan SIMEF

sebanyak 30 orang (60%), puas sebanyak 11 orang (22%), dan tidak puas

122
 sebanyak 9 orang (18%). Hal ini dapat disebabkan karena sering

dilakukannya improvement atau pengembangan SIMEF dengan jarak waktu

yang tidak lama. Sehingga dari sekian banyak responden sebagai pengguna

lebih memilih netral dalam status kepuasan pengguna.

10. Keinginan Untuk Melanjutkan SIMEF

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai hasil analisa demografis, dapat diketahui mayoritas responden

ingin terus melanjutkan dalam menggunakan SIMEF sebanyak 35 orang

(70%), responden yang masih ragu dalam melanjutkan menggunakan

SIMEF sebanyak 13 orang (26%), dan responden yang memilih untuk tidak

melanjutkan menggunakan SIMEF sebanyak 2 orang (4%). Hal ini sesuai

dengan kebiasaan (habit) dari karyawan Divisi Operasional Eden Farm

yang hampir 24 jam menggunakan SIMEF dalam bekerja sehingga

membuat pengguna ingin terus melanjutkan penggunaan SIMEF , seperti

pada penelitian (Mouakket, 2015a).

4.3.2 Interpretasi dan Diskusi Hasil Analisa Pengukuran Model

Berdasarkan yang telah dijelaskan pada subbab sebelumnya mengenai

hasil analisa outer model, dapat diketahui tingkat reliabilitas dan validitas dari

model yang diajukan peneliti telah baik. Hal tersebut dibuktikan dengan nilai

outer loading seluruh indikator dalam penelitian ini di atas 0,700 serta

composite reliability dan cronbach’s alpha di atas 0,500 dan diatas 0,700.

Selain itu, nilai AVE seluruh indikator dari penelitian ini di atas 0,500 serta

cross loading dan fornell larcker’s juga telah memenuhi kriteria yang

123
ditentukan. Hasil tersebut mengindikasikan bahwa dapat dilakukannya

pengukuran inner model atau pengukuran struktural model pada model yang

digunakan dalam penelitian ini, karena hasil analisis outer model pada model

yang digunakan telah baik.

4.3.3 Interpretasi dan Diskusi Hasil Analisa Pengukuran Struktural

Model

Berdasarkan yang telah dijelaskan pada subbab sebelumnya mengenai

hasil analisa inner model, maka pada subbab ini akan dijelaskan mengenai

interpretasi dan diskusi dengan mengikuti beberapa hipotesis yang telah

dirumuskan sebanyak 8 hipotesis, sebagai berikut :

1. H1 : Apakah confirmation berpengaruh terhadap perceived

usefulness?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test pada H1 yaitu

hubungan C → PU diterima. Hasil tersebut dibuktikan juga dengan hasil

uji path coefficient (β) pada hipotesis C → PU yang memiliki hubungan

signifikan dengan nilai 0,728. Berdasarkan perhitungan f2 dan q2 pada jalur

confirmation terhadap perceived usefulness diketahui memiliki nilai

pengaruh yang besar.

Adapun beberapa penelitian sebelumnya yang mendukung hasil

dari penelitian ini yaitu (Jumaan et al., 2020; Park, 2020) mengenai

confirmation berpengaruh terhadap perceived usefulness.

124
 Hasil dari hubungan ini menunjukkan bahwa penggunaan SIMEF

telah memberikan banyak manfaat kepada penggunaya. Hal ini karena

harapan pengguna SIMEF sudah terpenuhi. Berdasarkan observasi yang

dilakukan peneliti saat berkunjung ke warehouse Jakarta 1 yang berada di

Cipondoh, Sebagian besar pengguna telah merasakan manfaat dari

penggunaan SIMEF baik dalam hal efisiensi, produktivitas, serta

meningkatkan kinerja.

2. H2 : Apakah confirmation berpengaruh terhadap satisfaction ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test pada H2 yaitu

hubungan C → S diterima. Hasil tersebut dibuktikan juga dengan hasil uji

path coefficient (β) hipotesis PU → S yang memiliki hubungan signifikan

dengan nilai 0,498. Berdasarkan perhitungan f2 pada jalur confirmation

terhadap satisfaction memiliki pengaruh yang menengah dan pada

perhitungan q2 memiliki nilai pengaruh yang kecil.

Adapun beberapa penelitian sebelumnya yang mendukung hasil

dari penelitian ini yaitu (Hsu & Lin, 2015; Oghuma et al., 2016) mengenai

confirmation berpengaruh terhadap satisfaction.

Hubungan ini menunjukkan bahwa ekspektasi pengguna terhadap

SIMEF telah terpenuhi dan pengguna merasa puas. Hal ini sejalan dengan

hasil wawancara peneliti terhadap business analyst Eden Farm yang

mengatakan jika fitur yang dibutuhkan pengguna mampu dirilis oleh tim

125
tech Eden Farm, maka pengguna merasa puas karena ekspektasi terhadap

adanya fitur baru yang mereka harapkan dapat terpenuhi.

3. H3 : Apakah habit berpengaruh terhadap continuance use

intention ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H3 yaitu

hubungan H → CUI diterima. Selain itu dibuktikan juga dengan hasil uji

path coefficient (β) pada hipotesis H → CUI yang memiliki hubungan

signifikan dengan nilai 0,706. Berdasarkan perhitungan f2 dan jalur habit

terhadap continuance use intention memiliki pengaruh besar dan pada

perhitungan q2 memiliki nilai menengah.

Adapun beberapa penelitian sebelumnya yang mendukung hasil

dari penelitian ini yaitu (Hasanah, 2020; Limayem & Cheung, 2011;

Mouakket, 2015) mengenai habit berpengaruh terhadap continuance use

intention.

Hubungan ini menunjukkan bahwa kebiasaan pengguna dalam

menggunakan SIMEF dapat membuat pengguna untuk terus menggunakan

SIMEF. Hal ini didukung dengan hasil analisa demografi dimana

dijelaskan bahwa mayoritas pengguna menggunakan SIMEF lebih dari 5

jam dalam sehari, yang berarti ketika penggunaan sistem informasi menjadi

rutin maka dapat meningkatkan niat pengguna untuk terus menggunakan

teknologi (Gefen, 2003; Limayem & Cheung, 2011).

126
4. H4 : Apakah information quality berpengaruh terhadap

satisfaction ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H4 yaitu

hubungan IQ → S ditolak. Sedangkan hasil uji path coefficient (β) hipotesis

IQ → S memiliki hubungan yang signifikan dengan nilai 0,151.

Berdasarkan perhitungan f2 dan q2 pada jalur information quality terhadap

satisfaction memiliki pengaruh yang besar.

Adapun beberapa penelitian sebelumnya yang mendukung hasil dari

penelitian ini yaitu (Nindita Erwanti et al., 2018; Tsai et al., 2020) mengenai

information quality tidak berpengaruh terhadap satisfaction

Dengan demikian maka dapat dikatakan kualitas informasi dari

SIMEF seperti informasi yang dibutuhkan pengguna selalu tepat waktu,

akurat, dan jelas belum mampu membuat pengguna memiliki rasa puas

terhadap SIMEF. Hal ini didukung dengan pendapat business analyst Eden

Farm yang mengatakan bahwa dengan digunakannya SIMEF hampir 24

jam pada kegiatan operasional Eden Farm seharusnya kualitas informasi

SIMEF harus selalu tetap terjaga agar pengguna merasa puas terhadap

penggunaan SIMEF.

5. H5 : Apakah perceived usefulness berpengaruh terhadap

continuance use intention ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H5 yaitu

127
hubungan PU → CUI diterima. Walaupun dengan hasil uji path coefficient

(β) hipotesis PU → CUI yang memiliki hubungan insignifikan dengan nilai

-0,373. Berdasarkan perhitungan f2 dan q2 pada jalur perceived usefulnes

terhadap continuance use intention memiliki pengaruh yang kecil.

Adapun beberapa penelitian sebelumnya yang mendukung hasil

dari penelitian ini yaitu (Ashfaq et al., 2020; Huang et al., 2013) mengenai

perceived usefulness berpengaruh terhadap satisfaction.

Hubungan ini menunjukkan bahwa semakin tinggi manfaat SIMEF

seperti efisiensi dalam bekerja, lebih produktif, serta meningkatkan kinerja

membuat pengguna ingin terus menggunakan SIMEF dalam mendukung

kegiatan operasional Eden Farm. Hasil ini juga didukung dengan hasil

metrics operation yang menjelaskan bahwa productivity kegiatan

operasional di Eden Farm meningkat karena penerapan SIMEF.

6. H6 : Apakah perceived usefulness berpengaruh terhadap

satisfaction ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H6 yaitu

hubungan PU → S diterima. Selain itu dibuktikan dengan hasil uji path

coefficient (β) hipotesis PU → S yang memiliki hubungan signifikan

dengan nilai 0,302. Berdasarkan perhitungan f2 dan q2 pada jalur perceived

usefulnes terhadap satisfaction memiliki pengaruh yang kecil.

128
 Adapun beberapa penelitian sebelumnya yang mendukung hasil

dari penelitian ini yaitu (Ashfaq et al., 2020; Huang et al., 2013) mengenai

perceived usefulness berpengaruh terhadap continuance use intention.

Hubungan ini menunjukkan bahwa semakin tinggi manfaat SIMEF

seperti membuat efisiensi dalam bekerja, lebih produktif dalam bekerja,

serta dapat meningkatkan kinerja membuat pengguna akan memiliki

pengalaman yang memuaskan. Hal ini didukung dengan kondisi lapangan

saat peneliti melakukan observasi, dimana hampir di tiap bulannya Divisi

Technology selalu meluncurkan fitur-fitur baru yang dibutuhkan oleh

pengguna dan bermanfaat dalam memuaskan serta meningkatkan kinerja

sehari-hari pengguna khususnya karyawan Divisi Operation Eden Farm.

7. H7 : Apakah satisfaction berpengaruh terhadap continuance use

intention ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H7 yaitu

hubungan S → CUI ditolak. Walaupun dengan hasil uji path coefficient (β)

hipotesis S → CUI yang memiliki hubungan signifikan dengan nilai 0,278.

Berdasarkan perhitungan f2 dan q2 pada jalur satisfaction terhadap

continuance use intention memiliki pengaruh yang kecil.

Hasil ini tidak sesuai dengan asumsi peneliti berdasarkan hasil

penelitian sebelumnya (Ashfaq et al., 2020; Zheng et al., 2013) yang

menjelaskan bahwa variabel satisfaction yang terbukti kuat dalam

mempengaruhi continuance use intention.

129
 Hubungan ini menunjukkan bahwa dengan pengalaman memuaskan

yang dirasakan pengguna tidak cukup meningkatkan niat keberlanjutan

pengguna untuk terus menggunakan SIMEF. Hal ini sejalan dengan hasil

analisa demografis pengguna dimana dijelaskan bahwa mayoritas memilih

netral dalam menentukan status kepuasaan penggunaan SIMEF, namun

mayoritas pengguna juga ingin terus melanjutkan penggunaan SIMEF. Hal

ini juga didukung dengan observasi dan hasil analisa demografis pengguna

yang dilakukan oleh peneliti, dimana mayoritas lama pengguna

menggunakan SIMEF masih kurang dari setahun yang artinya pengguna

belum mendapatkan pengalaman memuaskan secara keseluruhan dari

penggunaan SIMEF

8. H8 : Apakah system quality berpengaruh terhadap satisfaction ?

Berdasarkan yang telah dijelaskan pada subbab sebelumnya

mengenai analisis struktural model, menunjukkan nilai t-test dari H8 yaitu

hubungan SQ → S ditolak. Hal ini juga dibuktikan dengan hasil uji path

coefficient (β) hipotesis SQ → S yang memiliki hubungan insignifikan

dengan nilai 0,278. Berdasarkan perhitungan f2 dan q2 pada jalur satisfaction

terhadap continuance use intention memiliki pengaruh yang besar.

Adapun beberapa penelitian sebelumnya yang mendukung hasil dari

penelitian ini yaitu (Franque et al., 2021; Nindita Erwanti et al., 2018)

mengenai system quality tidak berpengaruh terhadap satisfaction

Hubungan ini menunjukka bahwa kualitas sistem dari SIMEF

seperti navigasi pada tampilan SIMEF dan keandalan dari SIMEF belum

130
mampu membuat pengguna memiliki rasa puas terhadap SIMEF. Hal ini

didukung dengan pendapat business analyst Eden Farm yang mengatakan

bahwa masih ada beberapa pengguna Divisi Operation yang bertanya

mengenai navigasi pada SIMEF terutama jika ada fitur baru walaupun

sebelum perilisan sudah ada sosialisasi mengenai cara menggunakan fitur

tersebut , selain itu belum adanya video user guide mengenai penggunaan

SIMEF juga dinilai sebagai pemicu user tidak mengerti bagaimana

penggunaan SIMEF. Lalu, dengan penggunaan SIMEF yang hampir 24 jam

pada kegiatan operasional, terkadang business analyst Eden Farm masih

menerima keluhan mengenai sistem, seperti tidak dapat mengunduh report

yang dibutuhkan pada waktu operasional sedang berlangsung

131
132
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian Analisis Faktor-Faktor yang

Mempengaruhi Continuance Use Intention Pada Sistem Informasi Manajemen

Eden Farm (SIMEF) Dalam Kegiatan Operasional Eden Farm, maka

kesimpulan dari penelitian ini yaitu :

1. Hasil penelitian pada analisis demografi menunjukkan bahwa mayoritas

pengguna yang ingin terus melanjutkan menggunakan SIMEF sebanyak

70% yang dikarenakan pengaruh dari manfaat yang diberikan dari SIMEF

serta kebiasaan responden yang menggunakan SIMEF hampir 24 jam,

responden yang masih ragu dalam melanjutkan menggunakan SIMEF

sebanyak 26% yang dikarenakan belum terpenuhinya kepuasan pengguna

terhadap kualitas yang dihasilkan oleh SIMEF, dan responden yang memilih

untuk tidak melanjutkan menggunakan SIMEF sebanyak 4%.

2. Berdasarkan hasil pengolahan data pada penelitian ini, hipotesis - hipotesis

yang diterima adalah confirmation ® perceived usefulness dengan nilai t-

test 11,630, habit ® continuance use intention dengan nilai t-test 3,852,

confirmation ® satisfaction dengan nilai t-test 3,292, perceived usefulness

® continuance use intention dengan nilai t-test 2,278, dan perceived

usefulness ® satisfaction dengan nilai t-test 2,028.

133
3. Berdasarkan hasil pengolahan data pada penelitian ini, terdapat 2 hipotesis

dari 8 hipotesis yang tidak signifikan, yaitu perceived usefulness ®

continuance use intention dengan nilai path coefficient (β) -0,373 dan

system quality ® satisfaction dengan nilai path coefficient (β) -0,029. Selain

itu terdapat 3 hipotesis dari 8 hipotesis yang ditolak, 3 hipotesis yang ditolak

adalah information quality ® satisfaction dengan nilai t-test 0,962,

satisfaction ® continuance use intention dengan nilai t-test 1,491, dan

system quality ® satisfaction dengan nilai t-test 0,180.

4. Hasil penelitian ini menunjukkan bahwa faktor yang paling berpengaruh

positif dan signifikan terhadap niat keberlanjutan penggunaan SIMEF

dalam kegiatan operasional Eden Farm adalah habit. Sedangkan faktor yang

paling berpengaruh positif namun insignifikan terhadap niat keberlanjutan

penggunaan SIMEF dalam kegiatan operasional Eden Farm adalah

perceived usefulness. Pada penelitian ini juga dikatakan bahwa satisfaction

tidak berpengaruh positif terhadap niat keberlanjutan penggunaan SIMEF

dalam kegiatan operasional Eden Farm.

5. Berdasarkan hipotesis yang ditolak, faktor yang tidak mempengaruhi niat

keberlanjutan pengguna adalah satisfaction yang disebabkan oleh

information quality dan system quality. Hal ini dapat menjadi rekomendasi

bagi tim pengembang SIMEF agar lebih memperhatikan kepuasan

pengguna dari segi kualitas yang dihasilkan oleh SIMEF.

134
5.2 Saran

Ada beberapa saran yang dapat dipertimbangkan dan diperhatikan

untuk penelitian selanjutnya berdasarkan hasil penelitian ini yang telah

dilakukan, yaitu :

1. Jika pandemic Covid-19 sudah selesai peneliti selanjutnya disarankan

untuk lebih memperbanyak persebaran kuesioner dengan tatap muka

langsung kepada responden agar lebih mudah mengetahui sasaran

responden yang dituju, serta membantu responden jika ada pertanyaan

yang kurang dimengerti guna menghindari kesalahpahaman terhadap

pertanyaan dalam kuesioner.

2. Peneliti selanjutnya disarankan untuk meninjau kembali variabel-variabel

yang tidak signifikan pada penelitian ini dengan mengembangkan kembali

model atau menambahkan variabel-variabel yang telah terbukti memiliki

pengaruh signifikan.

3. Peneliti selanjutnya juga disarankan untuk melakukan penelitian dengan

memperluas cakupan seperti memilih sampel lebih dari 1 unit atau divisi

pada sebuah sistem informasi internal perusahaan.

4. Pada penelitian ini faktor yang perlu diperhatikan oleh Divisi Technology

dalam meningkatkan kepuasan pengguna dengan memerhatikan faktor

information quality dan system quality seperti informasi dan sistem yang

dihasilkan harus lebih akurat, tepat waktu, jelas, mudah dipelajari dan

cepat. Ketika semakin tinggi kualitas dari SIMEF dan mampu memberikan

manfaat kepada pengguna pasca mengadopsi sistem sistem tersebut, maka

135
pengguna akan mendapatkan pengalaman yang memuaskan dan

cenderung akan terus menggunakan SIMEF dibandingkan dengan sistem

lain.

136
137
 DAFTAR PUSTAKA

Abbas, & Hamdy. (2015). Determinants Of Continuance Intention Factor In

Kuwait Communication Market: Case Study Of Zain-Kuwait. Computers In
Human Behavior.
Abdillah, W. (2017). Metode Penelitian Terpadu Sistem Informasi. Andi.
Arikunto, S. (2010). Pengaruh Usability Terhadap Loyalitas Konsumen
Menggunakan Teknik Critical Incident (Studi Kasus
Www.Aquajaya.Com). Eproceedings Of Engineering, 2(2).
Arya Jaya, M., Ferdiana, R., & Fauziati, S. (2017). ANALISIS FAKTOR
KEBERHASILAN STARTUP DIGITAL DI YOGYAKARTA. Prosiding
Seminar Nasional Teknologi Dan Informatika.
Ashfaq, M., Yun, J., Yu, S., & Loureiro, S. M. C. (2020a). I, Chatbot: Modeling
The Determinants Of Users’ Satisfaction And Continuance Intention Of AI-
Powered Service Agents. Telematics And Informatics, 54, 101473.
Https://Doi.Org/10.1016/J.Tele.2020.101473
Ashfaq, M., Yun, J., Yu, S., & Loureiro, S. M. C. (2020b). I, Chatbot: Modeling
The Determinants Of Users’ Satisfaction And Continuance Intention Of AI-
Powered Service Agents. Telematics And Informatics, 54, 101473.
Https://Doi.Org/10.1016/J.Tele.2020.101473
Asmara, R. (2017). PENGOLAHAN DATA REHABILITASI PENYALAHGUNAAN
NARKOBA PADA KLINIK AQILAH PAYAKUMBUH. 4(1), 10.
Asosiasi Penyelenggara Jasa Intenet Indonesia 2019-2020 (Q2). (2020). Laporan
Survei Internet APJII. Indonesia Survey Center.
Azhar, S. (2004). Sistem Informasi Manajemen. Linggar Jaya, Bandung.
Bem, D. J. (1972). Self-Perception Theory. In Advances In Experimental Social
Psychology. Elsevier, 6, 1–62.
Beritasatu.Com. (2020). Jumlah Start-Up Di Indonesia Capai 13.000.
Beritasatu.Com. Https://Www.Beritasatu.Com/Archive/391066/2020-
Jumlah-Startup-Di-Indonesia-Capai-13000

138
Bhattacherjee, A. (2001). Understanding Information Systems Continuance: An
Expectation-Confirmation Model. MIS Quarterly, 25(3), 351.
Https://Doi.Org/10.2307/3250921
Bhattacherjee, A., & Barfar, A. (2011). Information Technology Continuance
Research: Current State And Future Directions. Asia Pasific Journal Of
Information Systems, 21(2), 1–18.
Chandra, A. (2013). Analisis Kinerja Distribusi Logistik Pada Pasokan Barang Dari
Pusat Distribusi Ke Gerai Indomaret Di Kota Semarang. Fakultas
Ekonomika Dan Bisnis Universitas Diponegoro Semarang, 71.
Dağhan, G., & Akkoyunlu, B. (2016). Modeling The Continuance Usage Intention
Of Online Learning Environments. Computers In Human Behavior, 60,
198–211. Https://Doi.Org/10.1016/J.Chb.2016.02.066
Dailysocial, D. (2020, Agustus). Peran Startup Mendorong Kemandirian Ekonomi
Indonesia. Https://Dailysocial.Id/Post/Peran-Startup-Mendorong-
Kemandirian-Ekonomi-Indonesia
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease Of Use, And User
Acceptance Of Information Technology. MIS Quarterly, 13(3), 319.
Https://Doi.Org/10.2307/249008
Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1992). Extrinsic And Intrinsic
Motivation To Use Computers In The Workplace1. Journal Of Applied
Social Psychology, 22(14), 1111–1132. Https://Doi.Org/10.1111/J.1559-
1816.1992.Tb00945.X
Davis, S., Saini, S., Sipahimalani, R., Hoppe, F., Lee, W., Moreno Girona, I., Choi,
C., & Smittinet, W. (2019). E-Conomy SEA 2019: Swipe Up And To The
Right: Southeast Asia’s $100 Billion Internet Economy. Think With Google.
Https://Www.Thinkwithgoogle.Com/Intl/En-Apac/Consumer-
Insights/Consumer-Trends/E-Conomy-Sea-2019-Swipe-Up-And-To-The-
Right-Southeast-Asias-100-Billion-Internet-Economy/
Delone, W. H., & Mclean, E. R. (1992). Information Systems Success: The Quest
For The Dependent Variable. Information Systems Research, 3, 73–95.

139
Delone, W. H., & Mclean, E. R. (2003). The Delone And Mclean Model Of
Information Systems Success: A Ten-Year Update. Journal Of
Management Information Systems, 19(4), 9–30.
Dewi, A. F. R. (2019). Pengaruh Gamifikasi Pada Program Loyalitas Terhadap
Loyalitas Pengguna Marketplace Dengan Menggunakan Expectation-
Confirmation Model (Ecm). Repository UIN Syarif Hidayatullah Jakarta,
188.
Gefen, D. (2003). TAM Or Just Plain Habit: A Look At Experienced Online
Shoppers. 13.
Ghozali, I. (2014a). SEM Metode Alternatif Dengan Menggunakan Partial Least
Squares (PLS). Semarang: Badan Penerbit Universitas Diponegoro.
Ghozali, I. (2014b). Structural Equation Modeling, Metode Alternatif Dengan
Partial Least Square (PLS), Edisi 4. Semarang: Badan Penerbit Universitas
Diponegoro.
Ghozali, I., & Hengky, L. (2015). Partial Least Squares Konsep, Teknik Dan
Aplikasi Menggunakan Program Smartpls 3.0 Untuk Penelitian Empiris.
Semarang : Universitas Diponegoro.
Hair, J. F., Hult, G. T., Ringle, C. M., & Sarstedt, M. (2017). A Primer On Partial
Least Squares Structural Equation Modelling (PLS-SEM) Second Edition.
Amerika: SAGE Publications.
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An Assessment Of
The Use Of Partial Least Squares Structural Equation Modeling In
Marketing Research. Journal Of The Academy Of Marketing Science, 40(3),
414–433.
Hartono, S., & Julian, J. (2020). Pengaruh Perceived Usefulness, Perceived Ease
Of Use, Subjective Norm, Dan Customer Experience Terhadap Intention To
Use Mytelkomsel (Studi Kasus Pada Mahasiswa Universitas Kristen Petra
Surabaya). 12.
Hasanah, U. (2020). Analisis Continuance Use Intention Pada Situs Jejaring Sosial
Instagram Dengan Menggunakan Expectation- Confirmation Model (Ecm).
Fakultas Sains Dan Teknologi, UIN Syarif Hidayatullah Jakarta, 172.

140
Heizer, J., & Render, B. (2004). Operations Management. New Jersey: Pearson
Education.
Hsu, C.-L., & Lin, J. C.-C. (2015). What Drives Purchase Intention For Paid Mobile
Apps? – An Expectation Confirmation Model With Perceived Value.
Electronic Commerce Research And Applications, 14(1), 46–57.
Https://Doi.Org/10.1016/J.Elerap.2014.11.003
Huang, T. C.-K., Wu, I.-L., & Chou, C.-C. (2013). Investigating Use Continuance
Of Data Mining Tools. International Journal Of Information Management,
33(5), 791–801. Https://Doi.Org/10.1016/J.Ijinfomgt.2013.05.007
Iskandar, A. (2020). Pengaruh Ragam Metode Pembelajaran Terhadap Capaian
Prestasi Belajar. 4, 20.
Jahanmir, S. F., Silva, G. M., Gomes, P. J., & Gonçalves, H. M. (2020).
Determinants Of Users’ Continuance Intention Toward Digital Innovations:
Are Late Adopters Different? Journal Of Business Research, 115, 225–233.
Https://Doi.Org/10.1016/J.Jbusres.2019.11.010
Jogiyanto. (2005). Analisa Dan Desain Sistem Informasi: Pendekatan Terstuktur
Teori Dan Praktik Aplikasi Bisnis. Yogyakarta : Andi.
Jogiyanto. (2011). Konsep Dan Aplikasi Structural Equation Modeling
Berdasarkan Varian Dalam Penelitian Bisnis. UPP STIM YKPN:
Yogyakarta.
Jumaan, I. A., Hashim, N. H., & Al-Ghazali, B. M. (2020). The Role Of Cognitive
Absorption In Predicting Mobile Internet Users’ Continuance Intention: An
Extension Of The Expectation-Confirmation Model. Technology In Society,
63, 101355. Https://Doi.Org/10.1016/J.Techsoc.2020.101355
K, P. S., & Pawirosumarto, S. (2017). Pengaruh Kualitas Sistem, Kualitas
Informasi, Dan Kualitas Layanan Terhadap Penggunaan Sistem E-Learning
Di Program Pascasarjana Universitas Mercu Buana. Jurnal Manajemen,
21(2). Https://Doi.Org/10.24912/Jm.V21i2.237
Kadir, A. (2003). Pengenalan Sistem Informasi. Yogyakarta.
Kim, K.-H., Kim, K.-J., Lee, D.-H., & Kim, M.-G. (2019). Identification Of Critical
Quality Dimensions For Continuance Intention In Mhealth Services: Case

141
 Study Of Onecare Service. International Journal Of Information
Management, 46, 187–197.
Https://Doi.Org/10.1016/J.Ijinfomgt.2018.12.008
Kim, M., Chang, Y., Park, M.-C., & Lee, J. (2015). The Effects Of Service
Interactivity On The Satisfaction And The Loyalty Of Smartphone Users.
Telematics And Informatics, 32(4), 949–960.
Https://Doi.Org/10.1016/J.Tele.2015.05.003
Kim, S., & Malhotra, N. K. (2005). A Longitudinal Model Of Continuaned IS Use:
An Integrative View Of Four Mechanisms Underlying Post Adoption
Phenomena. Management Science.
Kim, S. S., Malhotra, N. K., & Narasimhan, S. (2005). Research Note—Two
Competing Perspectives On Automatic Use: A Theoretical And Empirical
Comparison. Information Systems Research, 16(4), 418–432.
Https://Doi.Org/10.1287/Isre.1050.0070
Komarudin. (1994). Ensiklopedia Manajemen. Jakarta: Bumi Aksara.
KOMINFO, P. (2019, March 18). Jumlah Startup Di Indonesia Ratusan Atau
Ribuan. Website Resmi Kementerian Komunikasi Dan Informatika RI.
Http:///Content/Detail/17233/Jotal-Startup-Di-Indonesia-Ratusan-Atau-
Ribuan/0/Sorotan_Media
Kordina, L., Putra, W. H. N., & Herlambang, A. D. (2019). Evaluasi Keadaan
Continuance Intention To Use Dan Citizen Support Pada Implementasi
Layanan Website Pusat Pelayanan Pengaduan Masyarakat (P3M)
Kabupaten Sidoarjo. 3, No. 5, 10.
Kristanto, A. (2008). Perancangan Sistem Informasi Dan Aplikasinya. Yogyakarta:
Gava Media.
Lai, H.-M., Chen, C.-P., & Chang, Y.-F. (2016). Expectation-Confirmation Model
Of Information System Continuance: A Meta-Analysis. 10(7), 6.
Lee, M.-C. (2010). Explaining And Predicting Users’ Continuance Intention
Toward E-Learning: An Extension Of The Expectation–Confirmation
Model. Computers & Education, 54(2), 506–516.
Https://Doi.Org/10.1016/J.Compedu.2009.09.002

142
Liao, C., Palvia, P., & Lin, H.-N. (2006). The Roles Of Habit And Web Site Quality
In E-Commerce. International Journal Of Information Management, 26(6),
469–483. Https://Doi.Org/10.1016/J.Ijinfomgt.2006.09.001
Limayem, M., & Cheung, C. M. K. (2011). Predicting The Continued Use Of
Internet-Based Learning Technologies: The Role Of Habit. Behaviour &
Information Technology, 30(1), 91–99.
Https://Doi.Org/10.1080/0144929X.2010.490956
Lin, X., Featherman, M., & Sarker, S. (2017). Understanding Factors Affecting
Users’ Social Networking Site Continuance: A Gender Difference
Perspective. Information & Management, 54(3), 383–395.
Https://Doi.Org/10.1016/J.Im.2016.09.004
Macvivar, D., & Throne, D. (2016). Managing High-Tech Start-Ups.
MIKTI. (2018). Mapping & Database Startup Indonesia 2018.
Mouakket, S. (2015a). Factors Influencing Continuance Intention To Use Social
Network Sites: The Facebook Case.
Mouakket, S. (2015b). Factors Influencing Continuance Intention To Use Social
Network Sites: The Facebook Case. Computers In Human Behavior, 53,
102–110. Https://Doi.Org/10.1016/J.Chb.2015.06.045
Muchlisin, R. (2020). Pengertian Dan Jenis-Jenis Variabel Penelitian—
Kajianpustaka.Com.
Https://Www.Kajianpustaka.Com/2020/09/Pengertian-Dan-Jenis-
Variabel-Penelitian.Html
Mukaromah, K., Kusyanti, A., & Perdanakusuma, A. R. (2018). Analisis Faktor-
Faktor Yang Memengaruhi Pengguna Snapchat Membagikan Video
Dengan Menggunakan Structural Equation Modeling. 10.
Mulyadi, M. (2008). Sistem Informasi Akuntansi. YKPN Yogyakarta.
Nazir, M. (2003). Metodologi Penelitian. Jakarta : Ghalia Indonesia.
Nematolohi, M., Kafashi, M., Sharifian, R., & Monem, H. (2016). Evaluation Of
The Users’ Continuous Intention To Use PACS Based On The Expectation
Confirmation Model In Teaching Hospitals Of Shiraz University Of
Medical Sciences. Jurnal Of Health Management & Informatics.

143
Nindita Erwanti, Widodo, A. P., & Oky Dwi Nurhayati. (2018). Determinants Of
Continuance Intention To Use On-Demand Mobile Service: GO-JEK Case.
Https://Doi.Org/10.5281/ZENODO.2544618
Noeng, M. (1993). Metode Penelitian Kuallitatif. Jakarta : Rake Sarasin.
Oghuma, A. P., Libaque-Saenz, C. F., Wong, S. F., & Chang, Y. (2016). An
Expectation-Confirmation Model Of Continuance Intention To Use Mobile
Instant Messaging. Telematics And Informatics, 33(1), 34–47.
Https://Doi.Org/10.1016/J.Tele.2015.05.006
Oliver, R. L. (1980). A Cognitive Model Of The Antecedents And Consequences
Of Satisfaction Decisions. JOURNAL OF MARKETING RESEARCH, 10.
Park, E. (2020). User Acceptance Of Smart Wearable Devices: An Expectation-
Confirmation Model Approach. Telematics And Informatics, 47, 101318.
Https://Doi.Org/10.1016/J.Tele.2019.101318
Park, E., & Kim, K. J. (2014). An Integrated Adoption Model Of Mobile Cloud
Services: Exploration Of Key Determinants And Extension Of Technology
Acceptance Model. Telematics And Informatics, 31(3), 376–385.
Https://Doi.Org/10.1016/J.Tele.2013.11.008
Patenaude-Gaudet, N. (2014). Startup Communications. Haaga-Helia University
Of Applied Sciences.
PENGERTIAN KEGIATAN OPERASIONAL PERUSAHAAN. (2016,
September 18). Pengertian Menurut Para Ahli.
Https://Www.Pengertianmenurutparaahli.Net/Pengertian-Kegiatan-
Operasional-Perusahaan/
Plimbi. (2015). Pengertian Startup Dan Karakteristiknya.
Https://Www.Plimbi.Com/Article/160520/Mengenal-Startup-Dan-7-
Karakteristiknya-
Pramono, P. R. (2007). Seri UKM Cara Memilih Walaba Yang Menjanjikan Profit.
Jakarta: PT. Elex Media Komputindo.
Prathama, F., & Sahetapy, W. L. (2019). Pengaruh Kemudahan Penggunan
Aplikasi Dan Kepercayaan Konsumen Terhadap Minat Beli Ulang
Konsumen E-Commerce Lazada. AGORA.

144
Priharto, S. (2020, February 24). Pengertian Manajemen Operasional, Tujuan, Ciri
Dan Fungsinya Pada Bisnis. Accurate Online.
Https://Accurate.Id/Marketing-Manajemen/Pengertian-Manajemen-
Operasional/
Punaji, S. (2010). Metode Penelitian Pendidikan Dan Pengembangan. Jakarta : PT.
Kencana.
Risnita. (2012). Pengembangan Skala Model Likert (Vol. 1–3). Edu-Bio.
Roca, J. C., Chiu, C.-M., & Martínez, F. J. (2006). Understanding E-Learning
Continuance Intention: An Extension Of The Technology Acceptance
Model. International Journal Of Human-Computer Studies, 64(8), 683–
696. Https://Doi.Org/10.1016/J.Ijhcs.2006.01.003
Sangadji, E. M., & Sopiah. (2010). Metodologi Penelitian: Pendekatan Praktis
Dalam Penelitian. Yogyakarta : CV Andi Offset.
Saputri, E. (2020). Pengertian Operations Management (OM).
Https://Www.Academia.Edu/6871020/Pengertian_Operations_Manageme
nt_OM
Setia, P., Venkatesh, V., & Jogleker, S. (2013). Leveraging Digital Technologies:
How Information Quality Leads To Localized Capabilities And Customer
Service Performance. MIS Q, 565–590.
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.
Setiawan, S. (2021, March 18). Manajemen Operasional—Tujuan, Ruang Lingkup,
Contoh, Para Ahli. Https://Www.Gurupendidikan.Co.Id/Manajemen-
Operasional/
Sindonews.Com. (2020, November 9). Pengguna Internet Setengah Lebih Populasi
Dunia, Umat Manusia Makin Terikat.
Https://Ekbis.Sindonews.Com/Read/225900/34/Pengguna-Internet-
Setengah-Lebih-Populasi-Dunia-Umat-Manusia-Makin-Terikat-
1604931077

145
Siregar, S. (2013). Statistik Parametrik Untuk Penelitian Kuantitatif. Jakarta : Bumi
Aksara.
Soedjadi, F. X. (1997). In Analisis Manajemen Modern. CV. Haji Mas Agung.
Startupranking.Com. (2021). Countries—With The Top Startups Worldwide |
Startup Ranking. Https://Www.Startupranking.Com/Countries
Subiyakto, A. (2018). Assessing Information System Integration Using
Combination of the Readiness and Success Models. Bulletin of Electrical
Engineering and Informatics, 7(3), 400-410. doi:10.11591/eei.v7i3.1182
Subiyakto, A., Ahlan, A. R., Kartiwi, M., & Sukmana, H. T. (2015). Measurement
of Information System Project Success Based on Perceptions of the Internal
Stakeholders. International Journal of Electrical and Computer
Engineering (IJECE), 5(2), 271-279. Retrieved from
http://iaesjournal.com/online/index.php/IJECE/article/view/7009
Subiyakto, A., Rosalina, R., Utami, M. C., Kumaladewi, N., & Putra, S. J. (2017).
The Psychometric and Interpretative Analyses for Assessing the End-User
Computing Satisfaction Questionnaire. Paper presented at the 5th
International Conference on Information Technology for Cyber and IT
Service Management (CITSM) 2017 Denpasar, Bali.
Subiyakto, A., Septiandani, D., Nurmiati, E., Durachman, Y., Kartiwi, M., &
Ahlan, A. R. (2017). Managers Perceptions towards the Success of E-
Performance Reporting System. TELKOMNIKA (Telecommunication
Computing Electronics and Control), 15(3), 1389-1396.
doi:http://dx.doi.org/10.12928/telkomnika.v15i3.5133

Sugiarto, Siagian, D., Sunaryanto, L. T., & Oetomo, D. S. (2001). Teknik Sampling.
Jakarta: PT Gramedia Pustaka Utama.
Sugiyono. (2015). Metode Penelitian Pendidikan: Pendekatan Kuantitatif
Kualitatif Dan Rnd. Bandung : Penerbit Alfabeta.
Sujarweni, W., & Endrayanto, P. (2012). Statistika Untuk Penelitian. Yogyakarta :
Graha Ilmu.

146
Suryadi, D. (2017). Yansen Kamto, Mitra Pemerintah Lahirkan 1.000 Startup
Digital—DEDE SURYADI. Http://Www.Dedesuryadi.Com/Yansen-
Kamto-Mitra-Pemerintah-Lahirkan-1-000-Startup-Digital/
Sutabri, T. (2012). Analisis Sistem Informasi. Yogyakarta : Andi.
Teo, T. S. H., Srivastava, S. C., & Jiang, L. (2008). Trust And Electronic
Government Success: An Empirical Study. Journal Of Management
Information Systems, 25(3), 99–132. Https://Doi.Org/10.2753/MIS0742-
1222250303
Thong, J. Y. L., 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, 64(9), 799–810. Https://Doi.Org/10.1016/J.Ijhcs.2006.05.001
Tsai, H., Lee, Y.-P., & Ruangkanjanases, A. (2020). Understanding The Effects Of
Antecedents On Continuance Intention To Gather Food Safety Information
On Websites. Frontiers In Psychology, 11, 579322.
Https://Doi.Org/10.3389/Fpsyg.2020.579322
Venkatesh, V. (2000). Determinants Of Perceived Ease Of Use: Integrating
Control, Intrinsic Motivation, And Emotion Into The Technology
Acceptance Model. Information Systems Research, 11(4), 342–365.
Https://Doi.Org/10.1287/Isre.11.4.342.11872
Verplanken, B., Aarts, H., & Van Knippenberg, A. (1997). Habit, Information
Acquisition, And The Process Of Making Travel Mode Choices. European
Of Social Psychology, 27(5), 539–560.
Verplanken, B., & Orbell, S. (2003). Reflections On Past Behavior: A Self-Report
Index Of Habit Strength 1. Journal Of Applied Social Psychology, 33(6),
1313–1330. Https://Doi.Org/10.1111/J.1559-1816.2003.Tb01951.X
Wang, W., Ngai, E. W. T., & Wei, H. (2011). Explaining Instant Messaging
Continuance Intention: The Role Of Personality. International Journal Of
Human-Computer Interaction, 28(8), 500–510.
Weng, G. S., Zailani, S., Iranmanesh, M., & Hyun, S. S. (2017). Mobile Taxi
Booking Application Service’s Continuance Usage Intention By Users.

147
 Transportation Research Part D: Transport And Environment, 57, 207–
216. Https://Doi.Org/10.1016/J.Trd.2017.07.023
Winarno. (2006). Sistem Informasi Manajemen. Yogyakarta:UPP STIM YKPN.
Winarno. (2013). Metodologi Penelitian Dalam Pendidikan Jasmani. Malang : UM
Press.
Yamin, S., & Kurniawan, H. (2011). Generasi Baru Mengolah Data Penelitian
Dengan Partial Least Square Path Modeling. Jakarta : Salemba Infotek.
Zakiyudin, A. (2012). Sistem Informasi Manajemen. Jakarta : Mitra Wacana Media.
Zheng, Y., Zhao, K., & Stylianou, A. (2013). The Impacts Of Information Quality
And System Quality On Users’ Continuance Intention In Information-
Exchange Virtual Communities: An Empirical Investigation. Decision
Support Systems, 56, 513–524. Https://Doi.Org/10.1016/J.Dss.2012.11.008
Zhou, T. (2013). An Empirical Examination Of Continuance Intention Of Mobile
Payment Services. Decision Support Systems, 54(2), 1085–1091.
Https://Doi.Org/10.1016/J.Dss.2012.10.034

148
 LAMPIRAN 1

KUESIONER PENELITIAN

149
Kepada Yth.
Bapak / Ibu
Pengguna Dashboard / Sistem Informasi Manajemen Eden Farm (SIMEF)
Divisi Operasional Start Up Eden Farm
di Tempat

Assalamualaikum Warrahmatullahi Wabakarakatuh.

Dengan Hormat,
Saya Eka Putri Nur Asyiam, mahasiswi Program Studi Sistem Informasi
Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta dan sebagai Quality
Assurance di tim tech Eden Farm. Saat ini saya sedang melakukan penelitian skripsi
mengenai "Analisis Faktor-Faktor yang Mempengaruhi Kepuasan Pengguna dan
Continuance Use Intention Sistem Informasi Manajemen Eden Farm (SIMEF)
Dalam Kegiatan Operasional Start Up Eden Farm".
Saya memohon kesediaan Bapak/Ibu meluangkan sedikit waktunya untuk
mengisi kuesioner penelitian skripsi ini. Data penelitian yang bersumber dari
kuesioner ini akan saya jamin kerahasiannya dan hanya akan digunakan untuk
kepentingan penelitian skripsi yang saya laksanakan.
Terima kasih atas kesediaan dan partisipasi Bapak/Ibu untuk menjadi
responden penelitian skripsi ini.
Wassalamualaikum Warrahmatullahi Wabarakatuh

Apabila ada informasi yang kurang jelas atau ingin ditanyakan, silahkan hubungi
peneliti melalui
E-mail : ekaputrina16@gmail.com
SMS/Whatsapp : 081318647445

Terimakasih.

Hormat Saya
Eka Putri Nur Asyiam

150
 KUESIONER

PETUNJUK PENGISIAN
Kuesioner ini terdiri dari daftar pertanyaan isian dan pilihan. Pada bagian ini
dimohon kepada Bapak/Ibu untuk mengisikan jawaban pada tempat yang telah
disediakan dan untuk daftar pertanyaan pilihan, Bapa/Ibu dimohon untuk
memberikan tanda centang ( √ ) pada salah satu jawaban pada kolom yang telah
disediakan.

A. DATA DIRI RESPONDEN

1. Nama :

2. Jenis Kelamin : ¨Perempuan ¨Laki – laki

3. Usia : ¨17 – 21 Tahun ¨26 – 30 Tahun

¨27 – 31 Tahun ¨> 31 Tahun

4. Domisili bekerja : ¨Jakarta 1 ( Warehouse Cipondoh )

¨Jakarta 2 ( Warehouse Ciracas )
¨Bandung ( Warehouse Kopo )
¨Semarang ( Warehouse Alteri )
¨Head Office
¨Hub Cikarang
¨Hub Bogor
¨Hub Cikupa

5. Posisi pekerjaan : ¨Manager Gudang

¨Asisten Manager Gudang
¨Supervisor Gudang
¨Team Leader Gudang
¨Admin Gudang

151
 ¨Staff Gudang
¨Chief Operating Officer (COO)
¨Operation Analyst

6. Lama menggunakan internet ?

¨< 1 Tahun
¨1 - 3 Tahun
¨4 Tahun
¨5 - 7 Tahun
¨> 7 Tahun

7. Jenis jaringan internet apa yang biasa anda gunakan ?

¨Paket Dta
¨Wifi

8. Browser apa yang biasanya anda gunakan untuk mengakses SIMEF ?

¨Google Chrome
¨Mozilla Firefox
¨Opera
¨UC Browser
¨Safari

9. Seberapa lama anda menggunakan SIMEF (Dashboard Eden Farm)

dalam sehari ?
¨< 1 Jam
¨1 – 5 Jam
¨> 5 Jam

10. Seberapa lama anda menggunakan SIMEF dalam sehari ?

¨ < 1 Tahun
¨1 – 2 Tahun

152
 ¨> 3 Tahun

11. Secara keseluruhan, apakah anda puas dengan SIMEF ?

¨Puas
¨Netral
¨Tidak Puas

12. Apakah anda berminat untuk terus melanjutkan menggunakan SIMEF

dalam kegiatan pekerjaan sehari - hari ?
¨Iya
¨Mungkin
¨Tidak

B. SISTEM INFORMASI MANAJEMEN EDEN FARM (SIMEF)

PETUNJUK PENGISIAN
Bagian ini berisikan pertanyaan terkait niat keberlanjutan penggunaan SIMEF (
Dashboard Eden Farm ). Dalam pengisian kuesioner di bawah ini, peneliti
menggunakan skala Likert dengan skor penilaian 1 sampai 5. Jawablah pertanyaan
di bawah ini dengan memberikan tanda pada salah satu skala berikut.

Keterangan:
1 = Sangat Tidak Setuju (STS)
2 = Tidak Setuju (TS)
3 = Netral (N)
4 = Setuju (S)
5 = Sangat Setuju (SS)

153
No Keterangan STS TS N S SS

Information Quality

No Keterangan STS TS N S SS

1. Dengan adanya sistem saya merasakan informasi

yang saya butuhkan tepat waktu

2. Informasi yang disediakan oleh sistem sudah

dalam format yang berguna

3. Informasi yang diberikan oleh sistem selalu

akurat

4. Informasi yang diberikan sistem jelas dan tidak

membingungkan

System Quality

No Keterangan STS TS N S SS

5. Fitur-fitur yang ada pada Dashboard mudah

untuk dipelajari. [Contoh : Read List Delivery

Return, Print Sales Delivery, dsb]

6. Navigasi sistem sudah baik sehingga mudah

untuk kembali atau menuju menu yang

diinginkan

7. Selama ini Dashboard memiliki kecepatan waktu

loading yang cepat. [Contoh ketika download

report, dsb]

154
8. Dashboard yang digunakan dapat diandalkan.

[Contoh ketika membutuhkan data di saat waktu

operasional berlangsung]

Confirmation

No Keterangan STS TS N S SS

9. Tingkat layanan yang diberikan SIMEF lebih

baik dari yang saya harapkan. [Contoh ketika rilis

sebuah fitur baru yang dibutuhkan]

10. Tingkat layanan yang diberikan sistem lebih baik

dari yang saya harapkan

11. Secara keseluruhan, harapan saya terhadap

sistem sudah terpenuhi setelah menggunakan

sistem

Satisfaction

No Keterangan STS TS N S SS

12. Sistem memberikan pengalaman yang sangat

memuaskan

13. Sistem memberikan pengalaman yang sangat

menyenangkan

14. Secara keseluruhan, saya puas dengan sistem

yang ada

Perceived Usefulness

No Keterangan STS TS N S SS

155
15. Sistem yang ada berguna dalam pekerjaan saya

sehari-hari

16. Selama ini sistem dapat meningkatkan

produktivitas

17. Sistem telah meningkatkan kinerja saya dalam

pekerjaan sehari-hari

Habit

No Keterangan STS TS N S SS

18. Saya terbiasa menggunakan sistem untuk

pekerjaan sehari-hari

19. Menggunakan sistem sudah menjadi rutinitas

saya

20. Menggunakan sistem merupakan hal yang wajar

bagi saya

Perceived Usefulness

No Keterangan STS TS N S SS

21. Saya berniat untuk terus menggunakan sistem

dari pada berhenti menggunakannya

22. Saya berniat untuk terus menggunakan sistem

dari pada sistem lain (seperti : google

spreadsheets, dsb )

23. Saya berniat untuk terus meningkatkan

penggunaan sistem di masa mendatang

156
 LAMPIRAN 2

PENGUJIAN AWAL

157
A. Jenis Kelamin

JENIS KELAMIN
Perempuan Laki-Laki

Perempuan
40%
Laki-Laki
60%

B. Usia

USIA

20% 20%

20%

40%

17 - 21 Tahun 22 - 26 Tahun 27 - 31 Tahun > 31 Tahun

158
C. Domisili Bekerja

DOMISILI BEKERJA

4% 8%
8%

40%

40%

Bandung ( Warehouse Kopo )

Semarang ( Warehouse Alteri )
Jakarta 2 ( Warehouse Ciracas )
Jakarta 1 ( Warehouse Cipondoh )
Non Warehouse (Head Office, Admin Hub Non Jabodetabek)

D. Posisi Pekerjaan

POSISI PEKERJAAN

20% 12%
4%
4%

60%

Manager Warehouse Supervisor Warehouse

Team Leader Warehouse Admin Warehouse
Staff Warehouse

159
E. Lama Menggunakan Internet

LAMA MENGGUNAKAN INTERNET

20%

8%

72%

< 1 Tahun 5 - 7 Tahun > 7 Tahun

F. Browser yang Digunakan Untuk Mengakses SIMEF

BROWSER YANG DIGUNAKAN

20%

8%

72%

Google Chrome Opera Mini Mozilla Firefox

G. Lama Menggunakan SIMEF

160
 LAMA MENGGUNAKAN SIMEF

32%

68%

< 1 Tahun 1 - 2 Tahun

H. Penggunaan SIMEF Dalam Sehari

PENGGUNAAN SIMEF DALAM SEHARI

8%

32%
60%

< 1 Jam 1 - 5 Jam > 5 Jam

I. Status Kepuasan Pengguna

STATUS KEPUASAN PENGGUNA

20%
32%

48%

Puas Netral Tidak Puas

J. Niat Keberlanjutan Pengguna

161
NIAT KEBERLANJUTAN PENGGUNA

8%

44%

48%

Iya Mungkin Tidak

162
 HASIL ANALISA MEASUREMENT MODEL (OUTER MODEL)

1. Indikator Reliability

Gambar 1. Outer Laoding dan Composite Reliability

Berdasarkan hasil outer loading pada pengujian diatas maka didapatkan

beberapa indikator yang memiliki nilai di bawah 0,700 yaitu C1, SQ1, SQ3,

SQ4, dan IQ1. Peneliti memutuskan untuk mengkaji dan menganalisis kembali

indikator yang memiliki nilai outer loading di bawah 0,700 sebelum pengujian

real dilakukan.

163
 2. Internal Consistency Reliability

Diuji dengan melihat nilai composite reliability dan cronbach’s alpha

dengan batas nilai di atas 0,700.

Gambar 2. Cronbach’s Alpha dan Composite Reliability

Berdasarkan hasil uji diketahui bahwa variabel system quality memiliki nilai

di bawaj 0,700, hal ini terjadi karena belum dikaji ulang mengenai indikator –

indikator yang terdapat pada variabel system quality.

3. Convergent Reliability

Diuji dengan menggunakan nilai ambang batas sebesar 0,500.

Gambar 3. Average Variance Extracted (AVE)

164
 Berdasarkan hasil uji diketahui bahwa variabel system quality memiliki nilai

di bawah 0,500, hal ini terjadi karena belum dikaji ulang mengenai indikator –

indikator yang terdapat pada variabel system quality.

4. Discriminant Validity

Diuji dengan cross loading dan fornell-larcker dengan persyaratan sebagai

berikut :

a. Pada pengukuran cross loading antar indikator, nilai cross loading

variabel indikator terhadap variabel laten harus lebih besar dari variabel

laten lainnya.

b. Sedangkan untuk fornell-larcker, nilai yang diperoleh untuk tiap

variabel laten harus lebih besar dibanding korelasi variabel laten

tersebut dengan variabel laten lainnya.

Gambar 4. Fornell-Larcker

165
Gambar 5. Cross Loading (b)

166
HASIL ANALISA STRUCTURAL MODEL (INNER MODEL)

Gambar 6. Hasil Bootstraping untuk Path Coefficient dan T-test

167
 LAMPIRAN 3

DATA KUESIONER 5O RESPONDEN

168
IQ1 IQ2 IQ3 IQ4 SQ1 SQ2 SQ3 SQ4 C1 C2 C3 S1 S2 S3 PU1 PU2 PU3 PU4 H1 H2 H3 CUI1 CUI2 CUI3
4 4 3 4 5 5 4 4 4 4 5 5 4 4 5 5 5 5 5 5 5 5 5 5
5 3 3 4 4 4 4 3 3 3 3 3 2 3 3 2 3 3 3 2 2 2 2 3
4 4 3 3 3 3 3 3 3 3 4 3 3 3 4 4 3 4 4 4 4 4 4 4
4 4 4 3 3 4 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4
4 3 2 3 4 4 3 4 3 4 4 4 3 3 5 4 5 5 5 5 4 3 4 4
3 2 2 3 5 3 3 2 1 2 3 3 4 3 4 3 3 4 5 4 4 4 3 3
5 4 4 4 4 4 3 4 4 5 4 4 4 4 5 4 4 4 4 4 5 4 4 4
3 3 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 5 4 4 4 4
4 3 4 4 4 2 3 3 3 3 2 3 3 3 4 4 3 3 3 3 3 3 4 4
3 3 3 4 5 2 2 2 3 2 2 3 3 3 4 4 4 3 4 4 4 5 4 4
3 3 3 5 5 5 5 3 4 3 5 5 5 3 4 4 3 3 3 3 4 4 5 4
3 4 3 3 4 2 2 3 4 2 3 3 4 3 4 4 4 3 5 5 4 4 4 3
2 2 2 2 2 2 3 2 2 2 3 3 3 3 3 3 3 3 2 2 3 2 1 3
4 5 4 4 3 4 4 5 4 4 4 4 5 4 5 5 4 4 5 5 5 5 5 5
2 3 3 3 5 3 4 4 4 3 3 4 4 3 3 2 3 3 4 4 4 3 5 5
4 4 3 4 3 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 3 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3
3 4 4 3 3 4 4 5 5 3 3 3 2 3 4 4 4 4 4 4 5 4 3 4
3 3 5 4 4 2 3 4 4 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4
4 4 3 4 4 4 4 4 4 4 3 4 4 3 4 4 4 4 3 5 4 4 3 4
4 4 4 4 4 5 3 3 4 3 4 4 4 4 4 4 5 4 5 4 4 4 4 4
3 4 5 3 4 4 3 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 4
5 4 4 4 4 4 3 4 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 5
4 4 3 3 3 4 3 3 4 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 1 1 4 3 3 4 4 1 1 3 3 3 1 1 3 3 1 3 3 1 4 4
5 4 4 4 5 4 4 4 4 4 4 4 4 4 4 5 4 4 4 3 3 4 4 4
3 2 2 2 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3
5 4 4 5 4 5 4 5 4 4 5 4 4 4 4 5 5 5 4 4 5 4 4 4
3 3 4 4 4 2 3 3 4 2 2 4 3 3 3 3 3 4 3 4 3 4 5 5
4 3 3 3 4 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 3 3 3 3 3 4 4 3 3 3 3 3 3 3 3 3 2 4 4 4 5 5
4 4 3 2 3 4 3 3 2 2 3 2 3 3 3 3 3 3 2 4 4 5 3 3
4 3 4 4 5 2 2 5 3 3 2 3 3 3 4 4 4 4 5 5 5 4 5 5
4 4 4 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 4 4 4 5 4 4 4 4 4 4 4 5 5 5 5 5 5 5 4 4 4 5
5 2 3 2 4 4 4 4 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 4
4 4 3 4 4 5 1 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 4 4
5 4 5 5 4 4 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 4 5
4 3 4 4 4 4 3 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 3 4 4 4 4 4 4 4 4 2 3 3 3 3 3 3 3 3 3 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 3 3 4 3 4 4 4 3 3 3 3 4 4 4 4 3 3 3 3 3 3 4
4 3 4 4 4 2 3 3 3 3 3 3 3 3 4 3 2 3 5 5 5 5 5 5
5 4 4 4 4 5 4 3 4 3 4 5 4 4 4 4 4 4 3 4 4 5 4 4
5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 5 4 4 4 5 3 4 4 5 5 4 4 5 5 5 5 5 5 5 4 5 4 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 1 5

169
 LAMPIRAN 4

DATA PENDUKUNG

170
 Berikut adalah foto saat peneliti melakukan penelitian di 2 warehouse Eden

Farm, yaitu warehouse Cipondoh dan warehouse Ciracas sebelum diberlakukannya

masa Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM).

171
172
173
 LAMPIRAN 5

SURAT-SURAT PENDUKUNG

174
 KEMENTERIAN AGAMA
UIN SYARIF HIDAYATULLAH JAKARTA
FAKULTAS SAINS DAN TEKNOLOGI

Jl. Ir. H. Juanda No. 95 Ciputat 15412 Indonesia Website : fst.uinjkt.ac.id

Telp. (62-21) 7493606, 7493547 Fax. (62-21) 7493315 Email : fst@uinjkt.ac.id

Nomor : B - 1907E/F9/ KM.01 /04/2021 Jakarta, 30 April 2021

Lampiran : -
Perihal : Pembimbing Skripsi
Kepada Yth.
1. Bayu Waspodo M.M.
2. Rinda Hesti Kusumaningtyas M.M.S.I.
Assalamualaikum, Wr Wb

Dengan ini diharapkan kesediaan Saudara untuk menjadi pembimbing I/II/

(Materi/Teknis)* penulisan skripsi mahasiswa:
Nama : EKA PUTRI NUR ASYIAM
NIM : 11170930000022
Program Studi : Sistem Informasi
ANALISIS FAKTOR-FAKTOR YANG
MEMPENGARUHI KEPUASAN PENGGUNA DAN
CONTINUANCE USE INTENTION PADA SISTEM
Judul Skripsi :
INFORMASI MANAJEMEN EDEN FARM (SIMEF)
DALAM KEGIATAN OPERASIONAL START UP
EDEN FARM
Judul tersebut telah disetujui oleh Program Studi bersangkutan pada tanggal dengan
outline, abstraksi dan daftar pustaka terlampir. Bimbingan skripsi ini diharapkan selesai
dalam waktu 6 (enam) bulan setelah ditandatanganinya surat penunjukan pembimbing skripsi

Apabila terjadi perubahan terkait dengan skripsi tersebut selama proses pembimbingan,
harap segera melaporkan kepada Program Studi bersangkutan.

Demikian atas kesediaan Saudara, kami ucapkan terima kasih.

Wassalamu’alaikum Wr.Wb

Jakarta, 30 April 2021

a.n Dekan
Wakil Dekan Bid. Akademik

Dr. Ir. Siti Rochaeni, M.Si.

NIP. 196203081989032001
Cek Keaslian Surat di https://e-letter.fst.uinjkt.ac.id/scan

175
 KEMENTERIAN AGAMA
UIN SYARIF HIDAYATULLAH JAKARTA
FAKULTAS SAINS DAN TEKNOLOGI

Jl. Ir. H. Juanda No. 95 Ciputat 15412 Indonesia Website : fst.uinjkt.ac.id

Telp. (62-21) 7493606, 7493547 Fax. (62-21) 7493315 Email : fst@uinjkt.ac.id

Nomor : B - 1671/F9 / KM. 01 /04/2021 Jakarta, 09 April 2021

Lampiran : -
Hal : Permohonan Riset
Kepada Yth.
HRD
PT. Eden Pangan Indonesia
Di
Tempat
Assalamualaikum, Wr Wb
Dengan hormat kami sampaikan bahwa:
Nama : EKA PUTRI NUR ASYIAM
Tempat/Tanggal Lahir : Pati / 16 Desember 1999
NIM : 11170930000022
Semester :8
Program Studi : Sistem Informasi
Alamat : Golep, Kp Setu 04/08 No.50 Ci
Telp/HP : 081318647445
adalah benar yang bersangkutan mahasiswa Fakultas Sains dan Teknologi UIN Syarif
Hidayatullah Jakarta dan bermaksud melakukan penelitian/riset di instansi yang Bapak/Ibu
pimpin, yang sedang dalam penyelesaian skripsi dengan judul skripsi:
"ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUASAN
PENGGUNA DAN CONTINUANCE USE INTENTION PADA SISTEM INFORMASI
MANAJEMEN EDEN FARM (SIMEF) DALAM KEGIATAN OPERASIONAL START
UP EDEN FARM"
Untuk itu, kami mohon kesediaannya untuk memberikan kesempatan kepada mahasiswa
tersebut dalam melaksanakan penelitian Data/riset di instansi/perusahaan yang Bapak/Ibu
pimpin..
Demikian, atas perhatian dan kerjasamanya kami ucapkan terima kasih.

Wassalamu’alaikum Wr.Wb

Jakarta, 09 April 2021

a.n Dekan
Wakil Dekan Bid. Akademik

Dr. Ir. Siti Rochaeni, M.Si.

NIP. 196203081989032001
Cek Keaslian Surat di https://e-letter.fst.uinjkt.ac.id/scan

176
177
178
179
180
181
182
183
184