Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ANALISIS REGRESI UNTUK MODEL KEINGINAN MENGAKSESBAGI PENGGUNA E-BUSINESS DAN E-COMMERCE

Erwin WidodoLaboratorium Optimasi dan Simulasi Industri, Jurusan Teknik Industri,

Institut Teknologi Sepuluh Nopember, ITS, Surabayae-mail: erwin@ie.its.ac.id

ABSTRAK

e-Business dan e-Commerce telah banyak dimanfaatkan berbagai organisasidalam rangka peningkatan efisiensi proses bisnisnya. Aneka ragam sistem solusi yangditawarkan melalui perkembangan teknologi informasi dan komunikasi ini mampumemberikan alternatif perbaikan kegiatan operasional. Meskipun telah banyak usahayang telah didedikasikan untuk merancang dan mengembangkan e-business dan e-commerce, aktivitas monitoring dan evaluasi berkenaan dengan penggunaan sistemberbasis web ini masih belum mendapat perhatian yang intensif.

Penelitian ini mengetengahkan pemanfaatan analisis regresi untuk menyusunsebuah model prediksi berkenaan dengan tingkat keinginan mengakses (disingkat TKM)para pengguna sistem solusi e-business dan/atau e-commerce. TKM diukur sebagaisebuah variabel terikat dari sekumpulan variabel bebas yang diidentifikasikan sebagaifaktor yang mempengaruhi tinggi atau rendahnya TKM. Diawali dengan deskripsi profildemografi para pengguna sistem solusi, eksplorasi dilanjutkan dengan penghitungankoefisien korelasi untuk mengetahui hubungan dari masing-masing variable bebasdengan TKM. Dengan memanfaatkan beberapa blok variabel bebas, disusunlah satukelompok model regresi sebagai alat prediksi untuk aktivitas monitoring dan evaluasipenggunaan e-business dan e-commerce.

Hasil yang didapat dari penelitian ini adalah analisis dari sebuah modelmatematis yang dapat dipakai sebagai sebuah umpan balik bagi pengembangan sisteme-business dan e-commerce yang lebih mengedepankan orientasi customer. Informasiyang diperoleh dari penelitian ini sangat bermakna dalam rangka mengakomodasipreferensi para pengguna sistem solusi e-business dan e-commerce. Sebuah studi kasustentang penyusunan model regresi untuk merepresentasikan karakteristik penggunapotensial e-business dan e-commerce mampu memberikan ilustrasi yang cukupkomprehensif.

Keywords: e-business dan e-commerce, analisis regresi, monitoring dan evaluasi

LATAR BELAKANG

Teknologi informasi dan komunikasi (selanjutnya disingkat sebagai TIK) telahbanyak dimanfaatkan berbagai pihak sebagai sarana peningkatan efisiensi proses bisnisorganisasi. Demikian halnya di dalam tinjauan inbound dan outbound logistic sebuahorganisasi, TIK semakin dirasa mampu berkontribusi secara signifikan untuk membantupara stakeholder-nya dalam penyelesaian aktivitas mereka masing-masing. Padaimplementasi nyatanya di sektor industri, sejak awal tahun 2000, pemanfaatan e-business dan e-commerce mulai menunjukkan peningkatan yang signifikan, baik untukkelompok B2B maupun B2C.

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-2

Perbedaan antara dua jenis sistem solusi ini sampai saat ini masih seringdiperdebatkan. Meski demikian, para praktisi sering memanfaatkan ruang lingkuppemakaian sebagai batasan definisi dua hal yang serupa namun tak sama ini. e-Businessdiartikan sebagai sebuah media berbasis intranet ataupun internet yang memfasilitasipertukaran informasi antar stakeholder yang terlibat secara langsung di dalam internalorganisasi. Sebaliknya, e-Commerce dipandang sebagai sebuah mekanisme serupa yangdikhususkan untuk aktivitas pertukaran informasi tentang komoditas produk maupunjasa yang berkaitan dengan para pemasok maupun konsumen akhir. [Chaffey, 2004].

Para perancang, pengembang, dan praktisi e-business dan e-commerce telahmencurahkan banyak tenaga dan waktu dalam rangka menawarkan rancangan maupunhasil pengembangan yang lebih baik. Meskipun demikian, fase monitoring dan evaluasidari implementasi sistem solusi seringkali masih belum dijadikan perhatian utama.Salah satu hal yang dapat mewakili domain penelitian dalam ranah ini adalah analisistentang tingkat keinginan mengakses (selanjutnya dalam penelitian ini disingkat sebagaiTKM) dari para pengguna (potential users) sistem solusi e-Business dan e-Commerce.Oleh karenanya, permasalahan yang coba dicari pemecahannya oleh penelitian iniadalah bagaimana menganalisis karakteristik pengguna e-Business dan e-Commerce biladitinjau dari aspek TKM-nya.

Manfaat yang didapat dari penelitian ini adalah sebuah mekanisme pemberianumpan balik terhadap implementasi sistem e-business dan e-commerce di sebuahorganisasi. Perspektif yang ditekankan dalam pemberian umpan balik ini adalah dari sisikarakteristik pengguna, khususnya pada aspek TKM. Umpan balik ini memiliki perananpenting untuk perbaikan existing system, maupun untuk penyempurnaan rancangan e-business dan e-commerce serupa bagi organisasi lain di masa mendatang.

Setelah latar belakang yang diuraikan di bagian 1, materi dari makalah inidiorganisasikan sebagai berikut: Bagian 2 mendeskripsikan studi literatur tentangtingkat keinginan mengakses serta bagaimana mengukurnya. Selanjutnya bagian ketigamenjelaskan metodologi yang ditempuh dalam rangka mencari solusi penelitan ini. Dibagian 4 akan diilustrasikan hasil eksplorasi terhadap analisis regresi yang dipakaisebagai model prediksi untuk memberikan umpan balik perancangan danpengembangan e-Business dan e-Commerce. Sebagai penutup, kesimpulan dan saranakan memberikan poin penting tentang hasil penelitian ini beserta saran untuk keperluanpengembangan bagi penelitian-penelitian berikutnya.

TINGKAT KEINGINAN MENGAKSES (TKM) DAN UKURANNYA

Didalam beberapa penelitian sebelumnya, terminologi ini dinyatakan sebagaiinnovativeness. Pertama kali, TKM diartikan sebagai tingkatan dari cepat ataulambatnya seorang pengguna berinteraksi dengan sistem yang dijadikan sebagai obyektarget [Rogers, 1995]. Ukuran yang dipakai untuk menilai TKM ini adalah: (1)proporsiyang menunjukkan klasifikasi cepat atau lambatnya seorang pengguna berinteraksidengan sistem amatan; dan (2)Frekuensi cross sectional yang menunjukkan seberapabanyak output yang menjadi hasil dari proses interaksi antara user dengan sistemamatan. [Midgley dan Dowling, 1978]. Selain definisi diatas, sebelumnya, Goldsmithdan Hofaker (1991) secara khusus mendefinisikan innovativeness sebagai sebuahperbandingan relatif dari ukuran keinginan seseorang untuk mencoba sebuah produkatau service baru.

Suatu perhatian utama terhadap penelitian yang mengetengahkan penyusunanmodel yang berdasar pada data primer dari responden adalah kejelasan dan

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-3

kesederhanaan. Termasuk didalamnya adalah definisi dari terminologi TKM sebagaiterminologi utama penelitian ini. Lebih jauh, aspek kejelasan bagi responden berdampakpada kemungkinan pengambilan serta analisis data. Oleh karena iut, di dalam penelitianini, TKM diartikan sebagai sebuah ukuran yang dipakai untuk mengindikasikanseberapa besar keinginan pengguna untuk mengakses sebuah situs web yang menjadirepresentasi dari sistem solusi e-Business dan e-Commerce.

Ukuran TKM dalam penelitian ini diadopsi dari ukuran innovativeness.Goldsmith dan Foxall (2003) mengusulkan pemakaian tiga (3) ukuran untuk menilaiinnovativeness. Ketiga ukuran tersebut adalah:1. Behavioral measurement, yaitu klasifikasian pengguna sistem kedalam kelompok:

innovator, early adopter, early majority, late majority, laggards. Pengukuran bisadilakukan seperti apa yang dilakukan oleh Rogers (1995) atau Midgley danDowling (1978).

2. Global trait measurement, yaitu penggolongan pengguna sistem ke dalam ukuranpshycometric. Reaksi logis dari yang paling sederhana dipakai adalah mulai darisangat tertarik sampai dengan tidak tertarik sama sekali.

3. Domain-specific measurement, yaitu pengelompokkan pengguna sistemberdasarkan berapa banyak frekuensi output yang diberikan terhadap klasifikasiproduk/jasa tertentu (domain specific). Misalkan diambil beberapa jenis produkatau jasa, pengguna sistem diminta memberikan nilai harapan frekuensi outputmereka sehubungan dengan proses transaksi dengan sistem amatan.

Ketiga ukuran diatas secara bersama akan menentukan nilai TKM yang dipakai sebagaivariabel terikat dalam rangka melakukan analisis regresi di dalam penelitian ini.

Berdasarkan studi terhadap berbagai literatur serta hasil penelitian tentanginnovativeness [Donthu dkk, 1999], [Citrin dkk, 2000] dan [Limayem dkk, 2000],teridentifikasi beberapa variabel yang berperan sebagai variabel bebas dari sisipengguna untuk model regresi yang akan diperhatikan (beserta notasi untuk analisisdatanya), yaitu:

1. Frekuensi go online untuk transaksi (Transaksi)2. Frekuensi visit hanya untuk mencari informasi tentang transaksi (Informasi)3. Frekuensi jenis item transaksi (Frekuensi item)4. Frekuensi visit untuk keperluan non-transaksi, misal: hiburan, komunikasi

dan edukasi. (Non transaksi)5. Proporsi pengaruh lingkungan sosial /network prevalence (Proporsi

lingkungan)6. Tingkat edukasi (Pendidikan)7. Umur (Usia)8. Pekerjaan (Pekerjaan)

Selanjutnya, disusunlah tiga (3) buah skenario untuk mengelompokkan delapan (8)variabel diatas kedalam blok variabel bebas, yaitu:

1. Intensitas transaksi, yang terdiri dari variabel 1 sampai 3.2. Non-transaksi, yang hanya beranggotakan variabel 4.3. Proporsi pengaruh lingkungan sosial, yang juga berisi variabel 5 saja.4. Demografi, yang tersusun atas variabel 6, 7 dan 8.

METODOLOGI

Untuk mempersiapkan alat utama pengumpulan data, langkah pertama yangdilakukan adalah merancang kuesioner sebagai alat ukur. Kriteria utama didalam

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-4

perancangan kuesioner untuk responden terbuka adalah kesederhanaan namunmencakup kelengkapan variabel yang akan dianalisis. Untuk itu, dua (2) halaman A4kuesioner dengan sembilan (9) pertanyaan dibuat. Pertanyaan-pertanyaan ini meliputipengukuran TKM dan pengukuran beberapa variabel bebas yang diperkirakanmempengaruhinya.

Langkah berikutnya adalah penyebaran kuesioner untuk keperluan pengumpulandata. Dengan memanfaatkan media mailing list yang efisien dari segi biaya dan waktu,kuesioner yang telah didisain sebelumnya disebarkan. Mengingat jumlah respondendalam lingkungan mailing list yang dinamis, maka jumlah kuesioner total yangdisebarkan tidak dapat dihitung secara pasti. Meskipun demikian, diperkirakan palingtidak telah tersebar sekitar 600 buah kuesioner ke beberapa mailing list. Pengembalianyang diperoleh adalah 87 kuesioner atau 14,5%. Setelah dilakukan sorting kelengkapanjawaban diperoleh hanya 9,17% kuesioner saja (55 buah) yang siap untuk dianalisislebih lanjut.

Langkah metodologis yang terpenting dari penelitian ini adalah pengolahan data.Secara garis besar, langkah yang dilakukan adalah:

1. Deskripsi variabel-variabel demografi untuk menunjukkan profil responden.2. Penghitungan koefisien korelasi untuk mengetahui keberartian dan tipe

hubungan antara TKM sebagai variabel terikat dengan seluruh variabel bebasseperti yang telah diuraikan di bagian 2.

3. Penyusunan model regresi. Langkah ini dilakukan dengan beberapa skenariodengan memanfaatkan blok variabel bebas sebagaimana disebutkan di bagian 2pula.Catatan penting dalah hal pengukuran TKM dan variabel-variabel bebasnya

adalah skala nilai yang dipakai. Seperti pengamatan terhadap pemanfaatan sistemberbasis komputer yang relatif baru lainnya, skala Likert sering kali dipakai dalamlangkah pengumpulan data. Lima (5) percabangan dipilih, yakni: persepsi sangatnegatif, netral (ragu-ragu) serta sangat positif, ditambah dengan pertimbangan nilaitengah diantara dua pilihan ekstrimnya. Skala penghubung disisipkan diantara dua nilaiyang dimaksud. Secara keseluruhan, lima (5) opsi yang diberikan didalam kuesionerdiasumsikan bisa mewakili persepsi TKM dan penyebabnya dari sudut pandangpengguna e-Business dan e-Commerce.

ANALISIS REGRESI

Karakteristik demografi

Berdasarkan pengembalian kuesioner khususnya untuk variabel Pendidikan,Usia dan Pekerjaan, didapatkan profil awal sampel responden pengguna e-Business dane-Commerce seperti ditampilkan di Tabel 1.

Tabel 1. Profil demografi

Pendidikan f Proporsi Usia f Proporsi Pekerjaan f ProporsiDasar 5 9.09% Kurang dari 18 tahun 7 12.73% Pengangguran 6 10.91%Menengah 18 32.73% 19 sampai 23 tahun 21 38.18% Pelajar 18 32.73%Menengah atas 18 32.73% 24 sampai 30 tahun 14 25.45% Mahasiswa 18 32.73%Sarjana 13 23.64% 31 sampai 55 tahun 12 21.82% Pegawai 12 21.82%Pascasarjana 1 1.82% 56 tahun atau lebih 1 1.82% Wirausaha 1 1.82%

55 100.00% 55 100.00% 55 100.00%

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-5

Data proporsi diatas menunjukkan bahwa sebaran demografi adalah didominasioleh pendidikan menengah dan menengah atas (63%), usia antara 19 sampai 30 tahun(63%) dan jenis pekerjaan sebagai pelajar atau mahasiswa (65%).

Korelasi

Koefisien korelasi (r) dihitung berdasarkan pasangan keterkaitan data antaraTKM selaku variabel terikat dengan seluruh variabel bebas yang telah diidentifikasikandi bagian 2. Tabel 2 berikut ini menunjukkan nilai korelasi dari masing-masingpasangan.

Tabel 2. Koefisien korelasi

Variabel r P-valueTransaksi 0.876597 < 0.05Informasi 0.902104 < 0.05Frekuensi item 0.898155 < 0.05Non transaksi 0.915408 < 0.01Proporsi lingkungan 0.921011 < 0.01Pendidikan 0.73097 < 0.10Usia 0.488424 > 0.10Pekerjaan 0.612143 < 0.10

Angka r yang kuat ditunjukkan oleh variabel pengaruh lingkungan, visit untukkeperluan non transaksi, serta variabel utama intensitas transaksi (frekuensi transaksi,frekuensi browsing untuk mencari informasi dan frekuensi item yang dibeli), dengannilai r yang berada di kisaran 90%. Di lain sisi, faktor demografi menunjukkan angka ryang lebih rendah, dimana hal ini mengindikasikan dukungan kepada premis bahwapengguna e-Business dan e-Commerce memiliki bauran demografi yang signifikan.

Model regresi

Model regresi multi variabel dibentuk dengan asumsi hubungan linieritas antaravariabel penyusunnya. Hasil yang didapat dari penyusunan ini dirangkum dalam Tabel3.

Tabel 3. Koefisien intercept model dan slope masing-masing variabel bebas

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%Intercept 0.612551352 0.177477207 3.451437 0.00120605 0.255308269 0.969794436Transaksi 0.168700521 0.095569834 1.765207 0.084166863 -0.023671574 0.361072615Informasi 0.138192681 0.115224533 1.199334 0.023653959 -0.09374227 0.370127632Frekuensi item 0.252882246 0.085165472 2.969305 0.004728636 0.081453044 0.424311447Non transaksi 0.262493921 0.119964945 2.188089 0.033780269 0.021017014 0.503970827Proporsi lingkungan 0.102065629 0.146337412 0.697468 0.048902051 -0.019296298 0.396627556Pendidikan -0.050165399 0.079293066 -0.63266 0.530089462 -0.209774059 0.109443262Usia 0.008312687 0.052246823 0.159104 0.874283328 -0.096854711 0.113480084Pekerjaan -0.0678055 0.066799875 -1.01505 0.315389364 -0.202266672 0.066655672

Dari hasil perhitungan koefisien untuk variabel bebas (dalam model ini adalahslope), diperoleh informasi bahwa seluruh variabel bebas yang tergolong ke dalam blokintensitas transaksi, non transaksi dan proporsi pengaruh lingkungan social (nondemografi) yang diduga mempengaruhi tinggi atau rendahnya TKM memiliki tingkatkeberartian yang cukup signifikan. Variable bebas frekuensi item yang dibeli bahkanmemiliki nilai P-value < 1%, frekuensi browsing untuk pencarian informasi, frekuensi

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-6

akses untuk keperluan non transaksi, dan factor pengaruh lingkungan memiliki nilai P-value < 5%, serta frekuensi transaksi online memiliki nilai P-value < 10%.

Disisi yang lain seluruh variabel bebas yang termasuk dalam blok demografi(pendidikan, usia dan pekerjaan) tidak menunjukkan bukti memiliki tingkat keberartianmemberikan kontribusi kepada tinggi rendahnya TKM secara signifikan. Secarastatistik, hal ini ditunjukkan oleh tingginya nilai P-value yang berada di angka 31,5%,53% dan bahkan mencapai 87,4%.

Apabila kita memperhatikan scenario bloking seperti yang diberikan di bagian 2,dapat dilihat bahwa blok:

1. Intensitas transaksi, yang terdiri dari variabel 1 sampai 3, memiliki totalkontribusi tinggi rendahnya TKM sebesar 56 poin.

2. Non-transaksi, yang hanya beranggotakan variabel 4, memberikan kontribusi 26poin.

3. Proporsi pengaruh lingkungan sosial, yang juga berisi variabel 5 saja,berkontribusi 10 poin.

4. Demografi, meski tersusun atas variabel 6, 7 dan 8, tidak memberikan kontribusi(berada di kisaran 0 poin)Secara keseluruhan, keberartian model regresi multi variabel yang diperoleh dari

langkah sebelumnya dirangkum dalam Tabel 4 tentang koefisien determinasi dan Tabel5 tentang analisis variansi berikut ini.

Tabel 4. Koefisien determinasi

Regression Statistics

R Square 0.910181195Adjusted R Square 0.894560533Standard Error 0.311102859Observations 55

Nilai koefisien determinasi (R2) yang ada menunjukkan bahwa tingkat representasimodel prediksi yang cukup baik. Bila diinterpretasikan secara grafis, dapat dikatakanbahwa dari seluruh data sampel yang dimiliki, model regresi yang diberikan di tabel 3diatas mampu mewakili sekitar 91% sebaran data. Sedangkan bila ukuran sampel yangrelatif tidak cukup besar (hanya 55 responden) dan jumlah variabel bebas yang ada (8variabel) diperhitungkan dalam pengukuran koefisien determinasi, diperoleh adjustedR2 sebesar 89%. Meskipun R2 mengalami penurunan sebesar sekitar 2% dikarenakanpenyesuaian ini, namun kedua ukuran tersebut masih menyatakan level determinasimodel regresi yang masih tinggi terhadap data sampel yang diamati.

Tabel 5. Analisis variansi model regresi

df SS MS F Significance F

Regression 8 45.11556727 5.639446 58.26777434 1.67946E-21Residual 46 4.452109502 0.096785Total 54 49.56767677

Dengan alat analisis variansi, didapat ukuran signifikansi statistik F yang cukupkecil (mendekati angka 0). Interpretasi dari fenomena ini adalah tingkat keberartianyang dipakai bernilai sangat kecil sekali, jauh dibawah 0.1% sekalipun. Hal ini jugamengindikasikan proporsi variansi data yang tergolong dalam faktor residual bernilaisangat kecil. Dengan kata lain, variansi data yang terjadi secara dominan bisa

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-7

dialamatkan kepada variabel bebas sebagaimana yang diuraikan di model regresi yangtelah diperoleh nilai koefisien dan keberartiannya pada Tabel 2 sebelumnya.

Untuk menguji apakah selisih antara data prediksi dengan data aktual tidakmengandung informasi yang belum teridentifikasi, dilakukan residual plot baik untukmodel secara keseluruhan maupun untuk setiap variabel bebas. Berdasarkan plottingyang terdapat di gambar 1, dapat dilihat bahwa sebaran selisih data untuk model secarakeseluruhan cenderung bersifat acak. Ilustrasi ini mengarahkan pada fakta bahwa kecilkemungkinan terdapat variabel bebas yang belum teridentifikasi. Secara lebihmendetail, gambar 2 menunjukkan distribusi selisih data yang juga acak untuk salahsatu variabel bebas, yakni variabel frekuensi transaksi online. Variabel ini dipakaisebagai perwakilan dari delapan (8) variabel bebas yang diamati. Ketujuh plotting untukvariabel bebas lainnya juga menunjukkan pola keacakan identik. Mengingatketerbatasan jumlah halaman, residual plot untuk variabel bebas selain frekuensitransaksi tidak ditampilkan dalam naskah ini.

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

0 10 20 30 40 50 60

Responden

Resid

ual

Gambar 1. Residual plot untuk selisih TKM aktual dengan TKM prediksi

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

0 2 4 6

Transaksi

Resi

dual

Gambar 2. Residual plot untuk variable transaksi

KESIMPULAN DAN SARAN

Kesimpulan yang didapat dari analisis regresi untuk permasalahan keinginanmengakses fasilitas e-commerce adalah sebagai berikut:

1. Meskipun terdapat beberapa pendekatan yang mungkin dilakukan untukmendefinisikan variabel tingkat keinginan mengakses (TKM) yang dapatmempengaruhi intensitas penggunaan sistem solusi e-Business dan e-Commerce,pendekatan yang diberikan oleh Goldsmith dan Foxall (2003) dapat dibuktikanmemiliki tingkat representasi yang cukup tinggi dengan memanfaatkan model

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-8

regresi untuk data sampel dari cuplikan populasi komunitas transaksi online diIndonesia.

2. Analisis regresi lanjutan menunjukkan bahwa variabel bebas mempengaruhisecara signifikan mempengaruhi tinggi rendahnya TKM dalam aspek Frekuensigo online untuk transaksi (Transaksi)

a. Frekuensi visit hanya untuk mencari informasi tentang transaksib. Frekuensi jenis item transaksic. Frekuensi visit untuk keperluan non-transaksid. Proporsi pengaruh lingkungan sosial / network prevalence

3. Variabel bebas yang tidak menunjukkan bukti pengaruh signifikan adalahvariabel blok demografi. Hal ini semakin menguatkan premis bahwa aktivitasperdagangan dengan media cyber tidak dipengaruhi secara berarti oleh usia,pendidikan dan pekerjaan pelakunya.Disamping kesimpulan diatas, masih terdapat banyak cara dalam rangka

membenahi penelitian ini agar memiliki kontribusi bagi aktivitas manajemen informasidi dalam dunia industri. Beberapa pembenahan yang mungkin dilakukan adalahpengembangan variabel bebas, misalkan untuk penguasaan teknologi bagi penggunaataupun accessability terhadap sistem solusi amatan. Selain itu, pemberian bobot yangberbeda pada tingkat kepentingan antar aspek penyusun TKM maupun antar blokvariabel bebas memiliki kemungkinan untuk mendapatkan analisis yang cukup menarikterutama dalam hal sensitivitas keberartian model regresi yang dihasilkan.

DAFTAR PUSTAKA

Aldridge, A., Forcht, K., and Pierson, J. (1997). Get linked or get lost; marketingstrategy for the internet, Internet Research, Vol. 7 No. 3, 161-169.

Chaffey, D., e-Business & e-Commerce Management, Pearson Education, 2003.

Citrin A.V., Sprott, D.E., Silverman, S.N. and Stern, D.E. (2000). Adoption of internetshopping: the role of consumer innovativeness, Industrial Management & DataSystem, Vol. 100 No. 7, 294-300.

Donthu, N. and Garcia, A. (1999). The internet shopper, Journal of AdvertisingResearch, May/June, 52-58.

Goldsmith, R.E. and Foxall, G.R. (2003). The measurement of innovativeness.International handbook of innovation, Elsevier Science Ltd., 321-330.

Goldsmith, R.E. and Hofacker, C.F. (1991). Measuring consumer innovativeness,Journal of the Academy of Marketing Science, Vol. 19, No. 3, 209-221.

Limayem, M., Khalifa, M., Frini, A. (2000). What makes consumers buy from internet?A longitudinal study of online shopping, IEEE Transaction on Systems, Man,and Cybernetics – Part A, System and Humans, Vol 30, 421-432.

Midgley, D.F. and Dowling, G.K. (1978). Innovation: the concept and measurements,Journal of Consumer Research, Vol. 4, 229-242.

Rogers, E.M. (1995). Diffusion of innovations, 4th ed., The Free Press, New York.

Taylor Nelson Sofres Interactive (2001), Global e-Commerce Report, available atwww.tnsofres.com.

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-9

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-10

Prosiding Seminar Nasional Manajemen Teknologi VIIProgram Studi MMT-ITS, Surabaya 2 Pebruari 2008

ISBN : 978-979-99735-4-2A-9-11