Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
ANALISIS REGRESI UNTUK MODEL KEINGINAN MENGAKSES BAGI PENGGUNA E-BUSINESS DAN E-COMMERCE Erwin Widodo Laboratorium Optimasi dan Simulasi Industri, Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember, ITS, Surabaya e-mail:
[email protected]
ABSTRAK e-Business dan e-Commerce telah banyak dimanfaatkan berbagai organisasi dalam rangka peningkatan efisiensi proses bisnisnya. Aneka ragam sistem solusi yang ditawarkan melalui perkembangan teknologi informasi dan komunikasi ini mampu memberikan alternatif perbaikan kegiatan operasional. Meskipun telah banyak usaha yang telah didedikasikan untuk merancang dan mengembangkan e-business dan ecommerce, aktivitas monitoring dan evaluasi berkenaan dengan penggunaan sistem berbasis web ini masih belum mendapat perhatian yang intensif. Penelitian ini mengetengahkan pemanfaatan analisis regresi untuk menyusun sebuah model prediksi berkenaan dengan tingkat keinginan mengakses (disingkat TKM) para pengguna sistem solusi e-business dan/atau e-commerce. TKM diukur sebagai sebuah variabel terikat dari sekumpulan variabel bebas yang diidentifikasikan sebagai faktor yang mempengaruhi tinggi atau rendahnya TKM. Diawali dengan deskripsi profil demografi para pengguna sistem solusi, eksplorasi dilanjutkan dengan penghitungan koefisien korelasi untuk mengetahui hubungan dari masing-masing variable bebas dengan TKM. Dengan memanfaatkan beberapa blok variabel bebas, disusunlah satu kelompok model regresi sebagai alat prediksi untuk aktivitas monitoring dan evaluasi penggunaan e-business dan e-commerce. Hasil yang didapat dari penelitian ini adalah analisis dari sebuah model matematis yang dapat dipakai sebagai sebuah umpan balik bagi pengembangan sistem e-business dan e-commerce yang lebih mengedepankan orientasi customer. Informasi yang diperoleh dari penelitian ini sangat bermakna dalam rangka mengakomodasi preferensi para pengguna sistem solusi e-business dan e-commerce. Sebuah studi kasus tentang penyusunan model regresi untuk merepresentasikan karakteristik pengguna potensial e-business dan e-commerce mampu memberikan ilustrasi yang cukup komprehensif. Keywords: e-business dan e-commerce, analisis regresi, monitoring dan evaluasi
LATAR BELAKANG Teknologi informasi dan komunikasi (selanjutnya disingkat sebagai TIK) telah banyak dimanfaatkan berbagai pihak sebagai sarana peningkatan efisiensi proses bisnis organisasi. Demikian halnya di dalam tinjauan inbound dan outbound logistic sebuah organisasi, TIK semakin dirasa mampu berkontribusi secara signifikan untuk membantu para stakeholder-nya dalam penyelesaian aktivitas mereka masing-masing. Pada implementasi nyatanya di sektor industri, sejak awal tahun 2000, pemanfaatan ebusiness dan e-commerce mulai menunjukkan peningkatan yang signifikan, baik untuk kelompok B2B maupun B2C.
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
Perbedaan antara dua jenis sistem solusi ini sampai saat ini masih sering diperdebatkan. Meski demikian, para praktisi sering memanfaatkan ruang lingkup pemakaian sebagai batasan definisi dua hal yang serupa namun tak sama ini. e-Business diartikan sebagai sebuah media berbasis intranet ataupun internet yang memfasilitasi pertukaran informasi antar stakeholder yang terlibat secara langsung di dalam internal organisasi. Sebaliknya, e-Commerce dipandang sebagai sebuah mekanisme serupa yang dikhususkan untuk aktivitas pertukaran informasi tentang komoditas produk maupun jasa yang berkaitan dengan para pemasok maupun konsumen akhir. [Chaffey, 2004]. Para perancang, pengembang, dan praktisi e-business dan e-commerce telah mencurahkan banyak tenaga dan waktu dalam rangka menawarkan rancangan maupun hasil pengembangan yang lebih baik. Meskipun demikian, fase monitoring dan evaluasi dari implementasi sistem solusi seringkali masih belum dijadikan perhatian utama. Salah satu hal yang dapat mewakili domain penelitian dalam ranah ini adalah analisis tentang tingkat keinginan mengakses (selanjutnya dalam penelitian ini disingkat sebagai TKM) dari para pengguna (potential users) sistem solusi e-Business dan e-Commerce. Oleh karenanya, permasalahan yang coba dicari pemecahannya oleh penelitian ini adalah bagaimana menganalisis karakteristik pengguna e-Business dan e-Commerce bila ditinjau dari aspek TKM-nya. Manfaat yang didapat dari penelitian ini adalah sebuah mekanisme pemberian umpan balik terhadap implementasi sistem e-business dan e-commerce di sebuah organisasi. Perspektif yang ditekankan dalam pemberian umpan balik ini adalah dari sisi karakteristik pengguna, khususnya pada aspek TKM. Umpan balik ini memiliki peranan penting untuk perbaikan existing system, maupun untuk penyempurnaan rancangan ebusiness dan e-commerce serupa bagi organisasi lain di masa mendatang. Setelah latar belakang yang diuraikan di bagian 1, materi dari makalah ini diorganisasikan sebagai berikut: Bagian 2 mendeskripsikan studi literatur tentang tingkat keinginan mengakses serta bagaimana mengukurnya. Selanjutnya bagian ketiga menjelaskan metodologi yang ditempuh dalam rangka mencari solusi penelitan ini. Di bagian 4 akan diilustrasikan hasil eksplorasi terhadap analisis regresi yang dipakai sebagai model prediksi untuk memberikan umpan balik perancangan dan pengembangan e-Business dan e-Commerce. Sebagai penutup, kesimpulan dan saran akan memberikan poin penting tentang hasil penelitian ini beserta saran untuk keperluan pengembangan bagi penelitian-penelitian berikutnya. TINGKAT KEINGINAN MENGAKSES (TKM) DAN UKURANNYA Didalam beberapa penelitian sebelumnya, terminologi ini dinyatakan sebagai innovativeness. Pertama kali, TKM diartikan sebagai tingkatan dari cepat atau lambatnya seorang pengguna berinteraksi dengan sistem yang dijadikan sebagai obyek target [Rogers, 1995]. Ukuran yang dipakai untuk menilai TKM ini adalah: (1)proporsi yang menunjukkan klasifikasi cepat atau lambatnya seorang pengguna berinteraksi dengan sistem amatan; dan (2)Frekuensi cross sectional yang menunjukkan seberapa banyak output yang menjadi hasil dari proses interaksi antara user dengan sistem amatan. [Midgley dan Dowling, 1978]. Selain definisi diatas, sebelumnya, Goldsmith dan Hofaker (1991) secara khusus mendefinisikan innovativeness sebagai sebuah perbandingan relatif dari ukuran keinginan seseorang untuk mencoba sebuah produk atau service baru. Suatu perhatian utama terhadap penelitian yang mengetengahkan penyusunan model yang berdasar pada data primer dari responden adalah kejelasan dan
ISBN : 978-979-99735-4-2 A-9-2
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
kesederhanaan. Termasuk didalamnya adalah definisi dari terminologi TKM sebagai terminologi utama penelitian ini. Lebih jauh, aspek kejelasan bagi responden berdampak pada kemungkinan pengambilan serta analisis data. Oleh karena iut, di dalam penelitian ini, TKM diartikan sebagai sebuah ukuran yang dipakai untuk mengindikasikan seberapa besar keinginan pengguna untuk mengakses sebuah situs web yang menjadi representasi 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 menilai innovativeness. Ketiga ukuran tersebut adalah: 1. Behavioral measurement, yaitu klasifikasian pengguna sistem kedalam kelompok: innovator, early adopter, early majority, late majority, laggards. Pengukuran bisa dilakukan seperti apa yang dilakukan oleh Rogers (1995) atau Midgley dan Dowling (1978). 2. Global trait measurement, yaitu penggolongan pengguna sistem ke dalam ukuran pshycometric. Reaksi logis dari yang paling sederhana dipakai adalah mulai dari sangat tertarik sampai dengan tidak tertarik sama sekali. 3. Domain-specific measurement, yaitu pengelompokkan pengguna sistem berdasarkan berapa banyak frekuensi output yang diberikan terhadap klasifikasi produk/jasa tertentu (domain specific). Misalkan diambil beberapa jenis produk atau jasa, pengguna sistem diminta memberikan nilai harapan frekuensi output mereka sehubungan dengan proses transaksi dengan sistem amatan. Ketiga ukuran diatas secara bersama akan menentukan nilai TKM yang dipakai sebagai variabel terikat dalam rangka melakukan analisis regresi di dalam penelitian ini. Berdasarkan studi terhadap berbagai literatur serta hasil penelitian tentang innovativeness [Donthu dkk, 1999], [Citrin dkk, 2000] dan [Limayem dkk, 2000], teridentifikasi beberapa variabel yang berperan sebagai variabel bebas dari sisi pengguna untuk model regresi yang akan diperhatikan (beserta notasi untuk analisis datanya), 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 yang dilakukan adalah merancang kuesioner sebagai alat ukur. Kriteria utama didalam
ISBN : 978-979-99735-4-2 A-9-3
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
perancangan kuesioner untuk responden terbuka adalah kesederhanaan namun mencakup kelengkapan variabel yang akan dianalisis. Untuk itu, dua (2) halaman A4 kuesioner dengan sembilan (9) pertanyaan dibuat. Pertanyaan-pertanyaan ini meliputi pengukuran TKM dan pengukuran beberapa variabel bebas yang diperkirakan mempengaruhinya. Langkah berikutnya adalah penyebaran kuesioner untuk keperluan pengumpulan data. Dengan memanfaatkan media mailing list yang efisien dari segi biaya dan waktu, kuesioner yang telah didisain sebelumnya disebarkan. Mengingat jumlah responden dalam lingkungan mailing list yang dinamis, maka jumlah kuesioner total yang disebarkan tidak dapat dihitung secara pasti. Meskipun demikian, diperkirakan paling tidak telah tersebar sekitar 600 buah kuesioner ke beberapa mailing list. Pengembalian yang diperoleh adalah 87 kuesioner atau 14,5%. Setelah dilakukan sorting kelengkapan jawaban diperoleh hanya 9,17% kuesioner saja (55 buah) yang siap untuk dianalisis lebih 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 bebas seperti yang telah diuraikan di bagian 2. 3. Penyusunan model regresi. Langkah ini dilakukan dengan beberapa skenario dengan memanfaatkan blok variabel bebas sebagaimana disebutkan di bagian 2 pula. Catatan penting dalah hal pengukuran TKM dan variabel-variabel bebasnya adalah skala nilai yang dipakai. Seperti pengamatan terhadap pemanfaatan sistem berbasis komputer yang relatif baru lainnya, skala Likert sering kali dipakai dalam langkah pengumpulan data. Lima (5) percabangan dipilih, yakni: persepsi sangat negatif, netral (ragu-ragu) serta sangat positif, ditambah dengan pertimbangan nilai tengah diantara dua pilihan ekstrimnya. Skala penghubung disisipkan diantara dua nilai yang dimaksud. Secara keseluruhan, lima (5) opsi yang diberikan didalam kuesioner diasumsikan bisa mewakili persepsi TKM dan penyebabnya dari sudut pandang pengguna 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 dan e-Commerce seperti ditampilkan di Tabel 1. Tabel 1. Profil demografi Pendidikan Dasar
f
Proporsi
Usia
f
Proporsi
Pekerjaan
f
Proporsi
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%
1
1.82%
56 tahun atau lebih
1
1.82%
1
1.82%
55
100.00%
55
100.00%
55
100.00%
Pascasarjana
ISBN : 978-979-99735-4-2 A-9-4
Wirausaha
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
Data proporsi diatas menunjukkan bahwa sebaran demografi adalah didominasi oleh 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 antara TKM selaku variabel terikat dengan seluruh variabel bebas yang telah diidentifikasikan di bagian 2. Tabel 2 berikut ini menunjukkan nilai korelasi dari masing-masing pasangan. Tabel 2. Koefisien korelasi Variabel
r
P-value
Transaksi
0.876597
< 0.05
Informasi
0.902104
< 0.05
Frekuensi item
0.898155
< 0.05
Non transaksi
0.915408
< 0.01
Proporsi lingkungan
0.921011
< 0.01
Pendidikan
0.73097
< 0.10
Usia
0.488424
> 0.10
Pekerjaan
0.612143
< 0.10
Angka r yang kuat ditunjukkan oleh variabel pengaruh lingkungan, visit untuk keperluan non transaksi, serta variabel utama intensitas transaksi (frekuensi transaksi, frekuensi browsing untuk mencari informasi dan frekuensi item yang dibeli), dengan nilai r yang berada di kisaran 90%. Di lain sisi, faktor demografi menunjukkan angka r yang lebih rendah, dimana hal ini mengindikasikan dukungan kepada premis bahwa pengguna e-Business dan e-Commerce memiliki bauran demografi yang signifikan. Model regresi Model regresi multi variabel dibentuk dengan asumsi hubungan linieritas antara variabel penyusunnya. Hasil yang didapat dari penyusunan ini dirangkum dalam Tabel 3. 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
0.969794436
Transaksi
0.168700521
0.095569834
1.765207
0.084166863
-0.023671574
0.361072615
Informasi
0.138192681
0.115224533
1.199334
0.023653959
-0.09374227
0.370127632
Frekuensi item
0.252882246
0.085165472
2.969305
0.004728636
0.081453044
0.424311447
Non transaksi
0.262493921
0.119964945
2.188089
0.033780269
0.021017014
0.503970827
Proporsi lingkungan
0.102065629
0.146337412
0.697468
0.048902051
-0.019296298
0.396627556
-0.050165399
0.079293066
-0.63266
0.530089462
-0.209774059
0.109443262
0.008312687
0.052246823
0.159104
0.874283328
-0.096854711
0.113480084
-0.0678055
0.066799875
-1.01505
0.315389364
-0.202266672
0.066655672
Pendidikan Usia Pekerjaan
Dari hasil perhitungan koefisien untuk variabel bebas (dalam model ini adalah slope), diperoleh informasi bahwa seluruh variabel bebas yang tergolong ke dalam blok intensitas transaksi, non transaksi dan proporsi pengaruh lingkungan social (non demografi) yang diduga mempengaruhi tinggi atau rendahnya TKM memiliki tingkat keberartian yang cukup signifikan. Variable bebas frekuensi item yang dibeli bahkan memiliki nilai P-value < 1%, frekuensi browsing untuk pencarian informasi, frekuensi
ISBN : 978-979-99735-4-2 A-9-5
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
akses untuk keperluan non transaksi, dan factor pengaruh lingkungan memiliki nilai Pvalue < 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 keberartian memberikan kontribusi kepada tinggi rendahnya TKM secara signifikan. Secara statistik, 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 total kontribusi tinggi rendahnya TKM sebesar 56 poin. 2. Non-transaksi, yang hanya beranggotakan variabel 4, memberikan kontribusi 26 poin. 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 Tabel 5 tentang analisis variansi berikut ini. Tabel 4. Koefisien determinasi Regression Statistics R Square
0.910181195
Adjusted R Square
0.894560533
Standard Error
0.311102859
Observations
55
Nilai koefisien determinasi (R2) yang ada menunjukkan bahwa tingkat representasi model prediksi yang cukup baik. Bila diinterpretasikan secara grafis, dapat dikatakan bahwa dari seluruh data sampel yang dimiliki, model regresi yang diberikan di tabel 3 diatas mampu mewakili sekitar 91% sebaran data. Sedangkan bila ukuran sampel yang relatif tidak cukup besar (hanya 55 responden) dan jumlah variabel bebas yang ada (8 variabel) diperhitungkan dalam pengukuran koefisien determinasi, diperoleh adjusted R2 sebesar 89%. Meskipun R2 mengalami penurunan sebesar sekitar 2% dikarenakan penyesuaian ini, namun kedua ukuran tersebut masih menyatakan level determinasi model regresi yang masih tinggi terhadap data sampel yang diamati. Tabel 5. Analisis variansi model regresi df Regression
SS
MS
8
45.11556727
5.639446
Residual
46
4.452109502
0.096785
Total
54
49.56767677
F 58.26777434
Significance F 1.67946E-21
Dengan alat analisis variansi, didapat ukuran signifikansi statistik F yang cukup kecil (mendekati angka 0). Interpretasi dari fenomena ini adalah tingkat keberartian yang dipakai bernilai sangat kecil sekali, jauh dibawah 0.1% sekalipun. Hal ini juga mengindikasikan proporsi variansi data yang tergolong dalam faktor residual bernilai sangat kecil. Dengan kata lain, variansi data yang terjadi secara dominan bisa
ISBN : 978-979-99735-4-2 A-9-6
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
dialamatkan kepada variabel bebas sebagaimana yang diuraikan di model regresi yang telah diperoleh nilai koefisien dan keberartiannya pada Tabel 2 sebelumnya. Untuk menguji apakah selisih antara data prediksi dengan data aktual tidak mengandung informasi yang belum teridentifikasi, dilakukan residual plot baik untuk model secara keseluruhan maupun untuk setiap variabel bebas. Berdasarkan plotting yang terdapat di gambar 1, dapat dilihat bahwa sebaran selisih data untuk model secara keseluruhan cenderung bersifat acak. Ilustrasi ini mengarahkan pada fakta bahwa kecil kemungkinan terdapat variabel bebas yang belum teridentifikasi. Secara lebih mendetail, gambar 2 menunjukkan distribusi selisih data yang juga acak untuk salah satu variabel bebas, yakni variabel frekuensi transaksi online. Variabel ini dipakai sebagai perwakilan dari delapan (8) variabel bebas yang diamati. Ketujuh plotting untuk variabel bebas lainnya juga menunjukkan pola keacakan identik. Mengingat keterbatasan jumlah halaman, residual plot untuk variabel bebas selain frekuensi transaksi tidak ditampilkan dalam naskah ini. 0.8 0.6
Residual
0.4 0.2 0 -0.2
0
10
20
30
40
50
60
-0.4 -0.6 -0.8 Responden
Gambar 1. Residual plot untuk selisih TKM aktual dengan TKM prediksi 0.8 0.6
Residual
0.4 0.2 0 -0.2 0
2
4
6
-0.4 -0.6 -0.8 Transaksi
Gambar 2. Residual plot untuk variable transaksi
KESIMPULAN DAN SARAN Kesimpulan yang didapat dari analisis regresi untuk permasalahan keinginan mengakses fasilitas e-commerce adalah sebagai berikut: 1. Meskipun terdapat beberapa pendekatan yang mungkin dilakukan untuk mendefinisikan variabel tingkat keinginan mengakses (TKM) yang dapat mempengaruhi intensitas penggunaan sistem solusi e-Business dan e-Commerce, pendekatan yang diberikan oleh Goldsmith dan Foxall (2003) dapat dibuktikan memiliki tingkat representasi yang cukup tinggi dengan memanfaatkan model
ISBN : 978-979-99735-4-2 A-9-7
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
regresi untuk data sampel dari cuplikan populasi komunitas transaksi online di Indonesia. 2. Analisis regresi lanjutan menunjukkan bahwa variabel bebas mempengaruhi secara signifikan mempengaruhi tinggi rendahnya TKM dalam aspek Frekuensi go online untuk transaksi (Transaksi) a. Frekuensi visit hanya untuk mencari informasi tentang transaksi b. Frekuensi jenis item transaksi c. Frekuensi visit untuk keperluan non-transaksi d. Proporsi pengaruh lingkungan sosial / network prevalence 3. Variabel bebas yang tidak menunjukkan bukti pengaruh signifikan adalah variabel blok demografi. Hal ini semakin menguatkan premis bahwa aktivitas perdagangan 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 informasi di dalam dunia industri. Beberapa pembenahan yang mungkin dilakukan adalah pengembangan variabel bebas, misalkan untuk penguasaan teknologi bagi pengguna ataupun accessability terhadap sistem solusi amatan. Selain itu, pemberian bobot yang berbeda pada tingkat kepentingan antar aspek penyusun TKM maupun antar blok variabel bebas memiliki kemungkinan untuk mendapatkan analisis yang cukup menarik terutama dalam hal sensitivitas keberartian model regresi yang dihasilkan. DAFTAR PUSTAKA Aldridge, A., Forcht, K., and Pierson, J. (1997). Get linked or get lost; marketing strategy 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 internet shopping: the role of consumer innovativeness, Industrial Management & Data System, Vol. 100 No. 7, 294-300. Donthu, N. and Garcia, A. (1999). The internet shopper, Journal of Advertising Research, 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 at www.tnsofres.com.
ISBN : 978-979-99735-4-2 A-9-8
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
ISBN : 978-979-99735-4-2 A-9-9
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
ISBN : 978-979-99735-4-2 A-9-10
Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008
ISBN : 978-979-99735-4-2 A-9-11