Assalamualaikum wr.

wb

Analisis
Continuance Use Intention
Pada Situs Jejaring Sosial LinkedIn
Dengan Menggunakan Expectation Confir-
mation Model (ECM)
(Studi Kasus : UIN Jakarta)
Gina Sajiah Hilman Syah
11150930000014
DOSEN PEMBIMBING :
M. Qomarul Huda, Ph.D
Evy Nurmiati, M.MSI
 Latar Belakang
01
Perkembangan situs jejaring sosial sangat pesat

02
Memahami faktor-faktor CUI sangat penting untuk mempertahankan pengguna

03 Biaya mendapatkan pelanggan baru 5x lipat lebih besar dari pada

mempertahankan pengguna.

04 Jumlah pengguna LinkedIn lebih dari 660 juta di 200 negara, Platform
media sosial ke-11 yang sering digunakan di Indonesia

05
Rendahnya penggunaan LinkedIn di kalangan Mahasiswa UIN Jakarta
 Identifikasi Masalah
Pentingnya memahami CUI un-
tuk meningkatkan pengguna

Persaingan yang ketat antara

penyedia situs jejaring sosial

Tantangan untuk memperta-

hankan pengguna

Rendahnya jumlah pengguna

LinkedIn di UIN Jakarta
Rumusan Masalah

Faktor – faktor apa saja yang mempengaruhi CUI

pada situs jejaring social LinkedIn di kalangan
mahasiswa UIN Jakarta
 Batasan Masalah

Responden : Model ECM dengan Metode penelitian Pengumpulan data Tools yang
Mahasiswa penambahan variabel kuantitatif dengan survei secara online digunakan adalah
Semester Akhir Interpersonal Influ- teknik Purposive SmartPLS 3.0
dengan Google Forms
ence & Media Influ- Sampling
ence
Tujuan Penelitian

Menganalisis niat keberlanjutan pengguna dengan

menggabungkan variabel interpersonal influence
dan media influence ke dalam ECM agar dapat
mengetahui faktor-faktor atau alasan
apa saja yang mempengaruhi penggunaan situs
jejaring sosial LinkedIn secara terus menerus sehingga
bisa
dijadikan sebagai acuan bagi pengembang situs
jejaring sosial lainnya
 Manfaat Penelitian
Teoritis

Penelitian ini diharapkan dapat memberikan manfaat bagi

dunia Pendidikan khususnya mengenai pengukuran
niat keberlanjutan penggunaan suatu sistem aplikasi
Praktis

Hasil dari penelitian ini diharapkan dapat menjadi referensi

penelitian di program studi sistem informasi.

Hasil dari penelitian ini diharapkan dapat menjadi bahan

acuan sebagai masukan untuk pengembang aplikasi LinkedIn
untuk dapat mengoptimalkan pengembangan aplikasi
Model Penelitian

Diadopsi dari
(Kim, B, 2011)
 Metode Penelitian

Teknik Pengambilan Sampel

Teknik Pengumpulan Data
Purposive Sampling

Populasi
1 Kuesioner secara tidak langsung
melalui Google Forms

41.280 Mahasiswa
UIN Jakarta 2021
3
Perhitungan Jumlah Sampel
2 Rumus Slovin dengan standard
error 10%
Sampel Penelitian 4
127 responden
5
Hasil dan Pembahasan
 Hasil Demografis
Jenis Kelamin

40% (51 orang) 60% (76 orang)

 Hasil Demografis
Fakultas

Fakultas Dirasat Is- Fakultas Ilmu Tarbiyah

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

21% 13%
8
<1 Tahun
10
10% 25% 1-2 Tahun
12
62% 62% >2 Tahun
7% 14
 Hasil Demografis
Frekuensi Penggunaan
Harian

4%
24% <1 Jam
1-2 Jam
>2 Jam
72%
Hasil Analisis Outer Model
Uji Individual Item Reliability

Uji Internal Consistency Reliability

Uji Average Variance Extracted (AVE)

Uji Discriminant Validity

 Hasil Analisis Outer Model
Uji Individual Item Reliability
Pengujian ini dilakukan dengan cara melihat
standardized loading factor
Menurut (Hair, Hult, Ringle, & Sarstedt, 2017)
Nilai loading factor yang dapat dikatakan valid
yaitu jika nilainya lebih besar dri 0.7. Tetapi,
beberapa peneliti seperti Kurniawan dan Yamin
berpendapat jika nilai loading factor lebih besar
dari 0.5 sudah dapat dikatakan valid.
 Hasil Analisis Outer Model
Uji Internal Consistency Reliability
Nilai composite reliability untuk 7 variabel
yang digunakan dalam penelitian ini sudah
berada di atas 0.7 sehingga semua variabel
sudah
memenuhi persyaratan dan dapat digunakan
dalam penelitian.
 Hasil Analisis Outer Model
Uji Average Variance Extracted (AVE)
Untuk ukuran convergent validity yang baik,
nilai AVE harus di atas 0.5. Nilai tersebut
artinya bahwa variabel laten dapat menjelaskan
lebih dari setengah dari keberagaman indikator-
indikator didalamnya.
Hasil Analisis Outer Model
Uji Discriminant Validity
• Nilai cross loading indikator yang diberi warna jingga pada setiap variabel memiliki nilai

lebih tinggi dari korelasi dan konstruk blok lainnya.

• Selanjutnya cross loading fornell-lacker’s dilakukan dengan cara membandingkan nilai akar

AVE, dimana nilai akar AVE harus lebih tinggi daripada korelasi antara konstruk dengan

konstruk lainnya.

• Sehingga berdasarkan hasil pemeriksaan dua tahap cross loading diketahui bahwa tidak ada

masalah dalam uji discriminant validity.

Hasil Analisis Inner Model
Uji Path Coefficient (β)

Uji Coefficient of Determination (R2)

Uji t-test

Uji Effect Size (f2)

Uji Predictive Relevance (Q2)

Uji Relative Impact (q2)

Hasil Analisis Inner Model
Uji Path Coefficient (β)
β : > 0,1 : memiliki pengaruh dalam model
 Hasil Analisis Inner Model
Uji Coefficient of Determination (R2)
Pada tahapan ini pengujian dilakukan untuk melihat
mengukur seberapa besar variabel laten dependen
dijelaskan oleh variabel laten independen.
Dengan standar pengukuran

• 0.67 dikatakan kuat

• 0.33 dikatakan moderat

• di bawah 0.19 dikatakan lemah.

Uji t-test
 Pada tahapan ini dilakukan untuk dengan
menggunakan metode bootsraping dengan uji
two-tailed dengan tingkat signifikasi sebesar
T-Tes : >1,96 5% untuk menguji hipotesis penelitian. Dengan
menggunakan perbandingan antara nilai t-test
dengan t-table.
 Uji t-test
Uji Effect Size (f2)
F2 :
0,02 : pengaruh kecil
0,15 : pengaruh menengah
0,35 : pengaruh besar
Uji Predictive
Uji t-test
Relevance (Q2)
 Pada tahapan ini, pengujian menggunakan

metode blindfolding untuk dapat membuktikan

bahwa variabel tertentu yang digunakan dalam

suatu model memiliki keterkaitan secara prediktif

(predictive relevance) dengan variabel lainnya

dengan ambang batas pengukuran di atas nol

(Ghozali, 2014).
UjiUji
Predictive
Uji t-test
Relevance 2(Q2)
Relative Impact (q )
Pada tahapan ini, pengujian dilakukan
dengan menggunakan metode blindfolding
untuk mengukur pengaruh relatif dari q2 :
keterkaitan prediktif sebuah variabel tertentu 0,02 : berdampak kecil
dengan variabel lainnya dalam 0,15 : berdampak menengah
0,35 : berdampak besar
model penelitian.
 Kesimpulan

• Terdapat sebanyak 76 responden (60%) akan berniat untuk terus menggunakan

LinkedIn. 44 responden (35%) memilih mungkin akan melanjutkan penggunaan
LinkedIn.
Dan yang tidak berniat melanjutkan penggunaan LinkedIn hanya 7 responden (5%).
• Seluruh hipotesis pada penelitian ini terbukti secara statistik berpengaruh positif
dan signifikan terhadap pengukuran tingkat niat berkelanjutan pengguna dalam
penggunaan situs jejaring sosial LinkedIn
• Hipotesis yang memiliki hasil effect size (f2) yang berpengaruh besar adalah C → PE,
. Pengaruh Confirmation (C) yang kuat dan signifikan terhadap Perceived Enjoyment
(PE), menunjukkan bahwa kinerja yang telah diberikan oleh LinkedIn telah sesuai
dengan harapan penggunanya
 Saran
• Mengembangkan kembali model ini dengan menambahkan variabel
lainnya.

• Mendapatkan data dengan cakupan yang lebih luas, dan

tidak membatasi kriteria responden yang dicari

• Melakukan pengembangan dan peningkatan terhadap fitur-fitur yang

terdapat pada aplikasi LinkedIn agar dapat meningkatkan pengguna
Terima Kasih
Wassalamualaikum wr.wb