Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
PENERAPAN EXTENDED UTAUT 2 DALAM MENGANALISIS NIAT
DAN PERILAKU PENGGUNAAN APLIKASI LINKEDIN
Meilinda1*.
Stefanus Setyo Wibagso2 Program Studi Sistem Informasi Universitas Katolik Musi Charitas Jl.
Bangau No.
60, 9 Ilir.
Kec.
Ilir Tim.
II.
Palembang.
Sumatera Selatan email: meilindachen05@gmail.
com1* , setyo.
wibagso@ukmc.
ABSTRAK
Dewasa ini, kemajuan teknologi digital dan media sosial telah mengubah cara interaksi dan pengembangan profesional, khususnya melalui LinkedIn yang mencatat lebih dari 1,15 miliar pengguna global pada tahun 2025.
Platform ini menyediakan berbagai fitur untuk pencarian kerja dan peningkatan Meskipun demikian, terdapat kesenjangan antara jumlah akun terdaftar dan pengguna aktif yang mencerminkan tantangan pada aspek keamanan dan privasi.
Penelitian ini menerapkan model Extended UTAUT 2 untuk menganalisis faktor-faktor yang memengaruhi niat dan perilaku pengguna LinkedIn di Indonesia dengan data dari 243 responden.
Hasil menunjukkan bahwa Performance Expectancy.
Effort Expectancy.
Price Value.
Hedonic Motivation.
Facilitating Conditions, dan Privacy Risk berpengaruh signifikan terhadap Behavioral Intention dan Use Behavior.
Namun, pengalaman pengguna tidak terbukti memoderasi hubungan antar variabel secara signifikan.
Temuan ini memperdalam pemahaman tentang adopsi LinkedIn dan dapat menjadi dasar strategis guna meningkatkan keterlibatan pengguna secara efektif.
Kata Kunci : Extended UTAUT 2.
LinkedIn.
Niat Perilaku.
Perilaku Penggunaan ABSTRACT Nowadays, advancements in digital technology and social media have transformed the way people interact and develop professionally, notably through LinkedIn, which reached over 1.
15 billion users worldwide by 2025.
This platform offers various features supporting job search and skill enhancement.
However, a significant gap exists between the number of registered accounts and active users, highlighting challenges related to security and privacy.
This study applies the Extended UTAUT 2 model to analyze factors influencing usersAo intention and behavior on LinkedIn in Indonesia, based on data collected from 243 Results reveal that Performance Expectancy.
Effort Expectancy.
Price Value.
Hedonic Motivation.
Facilitating Conditions, and Privacy Risk significantly affect Behavioral Intention and Use Behavior.
Nevertheless, user experience was not found to significantly moderate the relationships between these variables.
These findings deepen the understanding of LinkedIn adoption and provide a strategic foundation to enhance user engagement effectively.
Keywords : Extended UTAUT 2.
LinkedIn.
Behavioral Intention.
Use Behavior Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
PENDAHULUAN
Saat ini, dunia digital didominasi oleh internet dan media sosial yang secara fundamental mengubah cara kita berinteraksi, bekerja, belajar, dan mengakses informasi.
LinkedIn, sebagai platform media sosial profesional terbesar di dunia, mengalami pertumbuhan pesat dengan jumlah pengguna global yang mencapai lebih dari 1,15 miliar pada tahun 2025.
Platform ini tidak hanya memfasilitasi pencarian pekerjaan dan pengembangan jaringan profesional, tetapi juga mendukung peningkatan keterampilan melalui berbagai fitur inovatif, seperti saran karir yang didukung oleh kecerdasan buatan dan konten interaktif harian yang dirancang untuk meningkatkan keterlibatan pengguna .
Meski demikian, terdapat perbedaan signifikan antara jumlah akun terdaftar dan pengguna aktif, di mana hanya sekitar 310 juta pengguna yang aktif setiap bulan dari total 875 juta akun .
Fenomena ini menunjukkan bahwa banyak akun yang mungkin tidak lagi digunakan atau jarang diakses, yang diduga berkaitan erat dengan isu keamanan dan privasi, seperti pencurian akun dan kebocoran data besar-besaran yang pernah dialami LinkedIn, termasuk insiden kebocoran data pada tahun 2021 yang memengaruhi jutaan pengguna .
Hal ini menggarisbawahi betapa krusialnya pemahaman komprehensif terhadap beragam faktor yang membentuk baik niat maupun pola perilaku aktual dalam menggunakan platform ini.
Oleh karena itu, model Extended UTAUT 2 menjadi kerangka analisis yang sangat relevan dan komprehensif dalam mengidentifikasi variabel-variabel kunci yang berdampak pada keputusan adopsi dan penggunaan teknologi, yaitu faktor-faktor seperti Performance Expectancy.
Effort Expectancy.
Social Influence.
Facilitating Conditions.
Hedonic Motivation.
Price Value.
Habit, dan Privacy Risk .
Dengan demikian, tujuan penelitian ini secara eksplisit adalah untuk mengidentifikasi dan mengkaji faktor-faktor penentu yang memengaruhi niat dan perilaku penggunaan LinkedIn di Indonesia, dengan menggunakan pendekatan model Extended UTAUT 2.
II.
LANDASAN TEORI
Dalam memperkuat bagian ini, berikut penjabaran dari beragam studi terdahulu yang relevan terkait penerapan model UTAUT.
UTAUT 2 serta model penerimaan teknologi lain yaitu TAM untuk menganalisis niat dan perilaku penggunaan aplikasi digital, khususnya dalam konteks aplikasi pencarian kerja dan platform profesional seperti LinkedIn.
Studi-studi yang dimaksud adalah Analisis Faktor Penerimaan dan Penggunaan LinkedIn Menggunakan Model UTAUT 2 dengan hasil yang didapati bahwa Facilitating Conditions.
Hedonic Motivation, dan Habit berdampak signifikan pada Behavioral Intention, serta Facilitating Conditions dan Habit juga berdampak signifikan pada Use Behavior .
Ada studi lain yang juga memiliki tema yang sama, yaitu menganalisis niat dan perilaku pengguna aplikasi rekrutmen calon polisi dengan menggunakan model UTAUT 2 .
, hasil didapatkan dengan Effort Expectancy.
Perceived Trust.
Hedonic Motivation.
Habit berdampak signifikan pada Behavioral Intention, termasuk Habit dan Behavioral Intention berdampak signifikan pada Use Behavior.
Studi yang dilakukan di Yogyakarta untuk menelaah perilaku pengguna pencari kerja dalam menggunakan sistem e-rekrutmen, disampaikan bahwa Performance Expectancy.
Effort Expectancy.
Social Influence, dan Facilitating Conditions semuanya mempunyai dampak signifikan pada Behavioral Intention.
Selanjutnya Behavioral Intention juga mempunyai dampak signifikan pada Use Behavior e-rekrutmen .
Masih di model penerimaan teknologi, namun lebih berfokus pada kemudahan dan manfaat teknologi, yaitu TAM.
Hasil yang ditunjukkan bahwa Information Output Quality.
Results Demonstrability, dan Social Influence berdampak signifikan pada Perceived Usefulness dan Perceived Ease of Use.
Kemudian.
Perceived Usefulness juga berdampak signifikan pada Intention to Use Search Mobile Apps .
Studi lain yang membahas mengenai niat dalam menggunakan aplikasi pencari kerja yang dianalisis menggunakan model UTAUT .
, mengungkapkan bahwa hasil yang didapatkan Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
seperti Performance Expectancy dan Social Influence mempunyai dampak signifikan pada Behavioral Intention.
Untuk Behavioral Intention juga mempunyai dampak yang signifikan pada Use Behavior.
Studi terdahulu yang sudah disampaikan diatas masih menggunakan model yang belum terbarukan dalam menganalisis niat dan perilaku penggunaan aplikasi rekrutmen.
Berbeda dari studi-studi terdahulu sebelumnya yang menggunakan model UTAUT 2 dasar, penelitian ini secara khusus menambahkan konstruk Privacy Risk serta moderator Experience.
Maka dari itu, penulis akan memberikan kontribusi baru dalam menganalisis niat dan perilaku penggunaan aplikasi rekrutmen, khususnya LinkedIn dengan menggunakan model Extended UTAUT 2.
Dengan menggunakan pendekatan ini, penelitian bertujuan untuk mengungkap secara rinci bagaimana berbagai faktor memengaruhi peningkatan maupun penurunan aktivitas pengguna di LinkedIn, sehingga dapat menjadi dasar bagi pengembangan strategi yang efektif untuk meningkatkan adopsi dan pemanfaatan platform secara luas di berbagai segmen pengguna.
Penelitian ini juga bertujuan memberikan kontribusi nyata terhadap pengembangan pengalaman pengguna dan keberlanjutan platform LinkedIn sebagai media sosial profesional yang berpengaruh di era digital saat ini.
METODE PENELITIAN
Gambar 1.
Metode Penelitian 1 Identifikasi Masalah dan Studi Literatur Penelitian ini akan diawali dengan tahap identifikasi masalah, agar dapat menganalisis penyebab utama permasalahan yang terjadi pada aplikasi LinkedIn.
2 Adaptasi Model Penelitian dan Perumusan Hipotesis Penelitian ini menggunakan model berikut sebagai pondasinya:
Gambar 2.
Extended UTAUT 2 Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
Berdasarkan pada Gambar 2 Extended UTAUT 2 terdiri dari delapan konstruk utama dan ada dua konstruk yang terikat.
Selain itu, terdapat variabel moderator, yaitu Experience .
Berikut penjelasan mengenai konstruk pada model Extended UTAUT 2 .
Performance Expectancy merupakan keyakinan individu mengenai sejauh mana penggunaan suatu sistem dapat meningkatkan produktivitas kerja mereka.
Effort Expectancy merupakan seberapa mudah seseorang memperkirakan penggunaan suatu sistem.
Social Influence merupakan seberapa kuat desakan dari orang-orang penting di sekitar pengguna untuk memakai suatu sistem Facilitating Conditions merupakan persepsi seseorang mengenai dukungan organisasi dan infrastruktur yang tersedia untuk menggunakan sistem.
Hedonic Motivation merupakan tingkat kesenangan atau kepuasan yang dirasakan saat menggunakan Price Value merupakan evaluasi pengguna terhadap rasio manfaat-biaya dari pemakaian sistem.
Habit merupakan Habit merupakan kecenderungan seseorang melakukan suatu perilaku secara otomatis karena sudah menjadi kebiasaan.
Privacy Risk merupakan risiko kehilangan kontrol atas data pribadi, termasuk kemungkinan penyalahgunaan informasi oleh pihak lain.
Behavioral Intention merupakan seberapa besar kemungkinan seseorang berniat melakukan suatu perilaku tertentu.
Use Behavior merupakan tindakan nyata yang dilakukan seseorang dalam memanfaatkan suatu sistem atau teknologi.
Terdapat 17 hipotesis yang akan dilakukan pengujian.
Sebanyak 8 variabel independen dan 2 variabel Berikut adalah hipotesis penelitian berdasarkan dari Gambar 2:
H1: Performance Expectancy berpengaruh signifikan terhadap Behavioral Intention H2: Effort Expectancy berpengaruh signifikan terhadap Behavioral Intention H3: Social Influence berpengaruh signifikan terhadap Behavioral Intention H4: Price Value berpengaruh signifikan terhadap Behavioral Intention H5: Hedonic Motivation berpengaruh signifikan terhadap Behavioral Intention H6: Facilitating Conditions berpengaruh signifikan terhadap Behavioral Intention H7: Facilitating Conditions berpengaruh signifikan terhadap Use Behavior H8: Habit berpengaruh signifikan terhadap Behavioral Intention H9: Habit berpengaruh signifikan terhadap Use Behavior H10: Privacy Risk berpengaruh signifikan terhadap Use Behavior H11: Behavioral Intention berpengaruh signifikan terhadap Use Behavior H12: Experience memperkuat/memperlemah pengaruh Performance Expectancy terhadap Behavioral Intention H13: Experience memperkuat/memperlemah pengaruh Effort Expectancy terhadap Behavioral Intention H14: Experience memperkuat/memperlemah pengaruh Social Influence terhadap Behavioral Intention H15: Experience memperkuat/memperlemah pengaruh Facilitating Conditions terhadap Behavioral Intention H16: Experience memperkuat/memperlemah pengaruh Habit terhadap Use Behavior H17: Experience memperkuat/memperlemah pengaruh Behavioral Intention terhadap Use Behavior 3 Penentuan Populasi.
Sampel, dan Penyusunan Kuesioner Pada langkah ini, dilakukannya penentuan populasi, yaitu masyarakat Indonesia pengguna LinkedIn.
Kemudian, sampel diambil menggunakan metode purposive sampling, yang termasuk dalam kategori teknik non-probability sampling.
Metode ini mendapatkan sampel dengan dipilih secara sengaja karena memenuhi Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
syarat yang relevan sesuai tujuan penelitian.
Banyaknya sampel ditentukan menggunakan rumus Lemeshow karena ukuran populasi tidak diketahui pasti.
Penentuan ukuran sampel pada penelitian ini menggunakan tingkat kepercayaan 95% .
= 1,.
, proporsi populasi P = 0,5, dan terakhir margin of error sebesar 7% .
= 0,.
, diperoleh jumlah sampel minimum sebanyak 196 responden .
Pemilihan nilai P = 0,5 digunakan agar ukuran sampel mencukupi, sedangkan margin of error 7% dipilih untuk menyeimbangkan presisi dan kepraktisan.
Berikut adalah perhitungan sampel yang dapat dinyatakan sebagai yc1OeOy/2 P.
Oe P) .
Oo 0,5.
Oe 0,.
2 n = 196 3 Penentuan Populasi.
Sampel, dan Penyusunan Kuesioner Pengumpulan data menggunakan kuesioner daring yang diadaptasi dari instrumen Venkatesh dan Featherman, menggunakan skala Likert lima poin.
Berikut kuesioner yang digunakan:
Gambar 3.
Kuesioner Penelitian 4 Pengumpulan Data Proses dalam mengumpulkan semua data yang diinginkan, dilakukan dengan dua metode utama.
Peneliti mengumpulkan data dengan dua metode utama.
Pertama, studi kepustakaan dilakukan melalui telaah jurnal ilmiah, e-book, dan situs web terpercaya yang relevan dengan topik penelitian untuk mendukung pencapaian tujuan studi.
Kedua, untuk mendapatkan data langsung, penelitian ini menyebarkan kuesioner daring lewat Google Form kepada minimal 196 pengguna LinkedIn di Indonesia, dan dengan total akhir didapatkan sebanyak 243 responden serta disebarluaskan lewat media sosial, yaitu Instagram.
TikTok, dan Twitter, dan Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
media sosial lainnya.
Untuk mengetahui tingkat persetujuan responden, kuesioner ini menggunakan skala Likert lima poin.
5 Analisis Model (Outer dan Inne.
Analisis dalam penelitian ini berfokus pada dua hal penting: evaluasi model pengukuran .
uter mode.
dan evaluasi model struktural .
nner mode.
, ditambah lagi, dilaksanakan analisis efek moderasi untuk melihat sejauh mana variabel moderator memengaruhi atau mengubah hubungan antara variabel bebas dan .
Untuk menguji hubungan antar variabel, penelitian ini menerapkan pendekatan PLS-SEM, dalam pemodelannya terdapat dua fokus uji utama yang akan dilakukan, yakni uji outer model yang menilai kemampuan indikator dalam mengukur variabel laten, dan uji inner model yang menguji hubungan antar variabel laten itu sendiri .
Pada pengujian outer model, validitas konstruk ditentukan lewat convergent validity .
uter loadings > 0,70 dan Average Variance Extracted (AVE) > 0,.
dan discriminant validity (Fornell-Larcker, dengan penilaian di mana akar kuadrat nilai AVE harus melebihi korelasi antara konstruk-konstru.
Kemudian, reliabilitas konstruk dievaluasi dengan composite reliability dan cronbachAos alpha, kedua-duanya harus > 0,70 .
Pengujian inner model fokus pada signifikansi hubungan antar variabel diuji melalui path coefficient serta p-value.
p O 0,05 menandakan hubungan signifikan secara statistik .
Lalu, diukur seberapa baik model ini menjelaskan variabel dependen dan keterkaitan antar variabel laten.
R-Square (RA) adalah indikator kekuatan model yang menjelaskan seberapa efektif variabel independen dalam menjelaskan variasi pada variabel dependen, dengan klasifikasi Chin .
: 0,67 .
, 0,33 .
, dan 0,19 .
Effect size .
A) mengukur kontribusi masing-masing variabel independen, dengan nilai > 0,15 berarti pengaruh sedang, > 0,35 sangat besar, dan < 0,02 kecil .
Stone-Geisser Q-Square (QA) menilai menilai seberapa relevan model dalam memprediksi, dengan QA > 0 menunjukkan model mempunyai kemampuan prediksi yang baik .
Selain itu.
PLSpredict digunakan untuk menguji kekuatan prediksi model dengan membandingkan error prediksi (RMSE/MAE) terhadap model benchmark.
hasil ini mengkategorikan daya prediksi model dari rendah hingga tinggi .
Model fit dilakukan untuk menilai tingkat kecocokan model secara keseluruhan dengan data empiris yang telah dikumpulkan .
Model Fit diukur menggunakan Standardized Root Mean Square Residual (SRMR), dengan nilai SRMR < 0,08 atau < 0,10 menyampaikan kecocokan model yang baik .
IV.
ANALISIS DAN HASIL PEMBAHASAN
Bagian ini akan menyajikan temuan dari data yang dianalisis serta pembahasan terkait temuan Analisis pada penelitian dilakukan untuk menguji hipotesis penelitian.
Berikut adalah analisis model pengukuran yang melibatkan uji validitas dan uji reliabilitas serta analisis model struktural yang melibatkan path coefficients.
R2, f2.
Q2 dan Model Fit:
Convergent Validity Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
Gambar 4.
Outer Loadings Hasil outer loadings semua indikator variabel dan variabel moderator lebih dari 0,70, menunjukkan validitas konvergen yang sangat baik dan bahwa indikator-indikator tersebut valid serta konsisten mengukur konstruk dalam model penelitian.
Discriminant Validity Gambar 5.
Fornell Larcker Saat akar kuadrat AVE pada Fornell-Larcker jauh melampaui korelasi antar konstruk, hal ini membuktikan validitas diskriminan yang luar biasa.
Ini berarti setiap konstruk sungguh-sungguh terpisah dan unik, tidak bisa disalahartikan dengan yang lain.
CronbachAos Alpha dan Composite Reliability Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
Gambar 6.
Cronbach's Alpha dan Composite Reliability Hasil dari pengujian menyampaikan bahwa nilai cronbachAos alpha PE.
EE.
SI.
PV.
HM.
FC.
HT.
PR.
BI.
UB lebih dari 0,70, artinya model mempunyai reliabilitas internal yang bagus dan konsistensi internal yang tinggi.
Dengan demikian, instrumen penelitian yang digunakan dapat dipercaya dan menghasilkan data yang akurat serta konsisten dalam mengukur variabel-variabel.
Path Coefficients Gambar 7.
Path Coefficients Hasil pengujian menunjukkan bahwa sebagian besar hubungan antar variabel, seperti PE Ie BI.
EE Ie BI.
PV Ie BI.
HM Ie BI.
FC Ie BI.
FC Ie UB.
HT Ie UB, dan PR Ie UB, signifikan secara statistik .
< 0,.
, sementara hubungan SI Ie BI.
HT Ie BI, dan BI Ie UB tidak signifikan .
> 0,.
Selain itu, efek moderasi tidak signifikan dalam memperkuat atau memperlemah hubungan untuk variabel PE Ie BI.
EE Ie BI.
SI Ie BI.
FC Ie BI.
HT Ie UB, dan BI Ie UB.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
Gambar 8.
Nilai BI berkisar antara 0,33Ae0,67, menunjukkan kemampuan penjelasan model yang cukup, sedangkan nilai UB lebih dari 0,67, menandakan kemampuan penjelasan yang kuat.
Dengan demikian, model efektif dan relevan dalam menggambarkan hubungan antar variabel serta memiliki kekuatan penjelasan yang baik terhadap Behavioral Intention dan Use Behavior.
Gambar 9.
Nilai FC Ie UB di atas 0,15 menunjukkan pengaruh moderat, sementara EE Ie BI.
PV Ie BI.
HM Ie BI.
FC Ie BI.
HT Ie UB, dan PR Ie UB berada di 0,02Ae0,15, menandakan pengaruh kecil namun nyata.
Sebaliknya.
PE Ie BI.
SI Ie BI.
HT Ie BI.
BI Ie UB, dan interaksi moderator (EXP x variabe.
di bawah 0,02, menunjukkan tidak ada pengaruh.
Dengan demikian, variabel-variabel tersebut memberikan kontribusi meski kecil, dan model tetap valid serta berguna.
Gambar 10.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
Hasil pengujian membuktikan nilai QA jauh di atas 0, menandakan relevansi prediktif model sangat Namun, perbandingan RMSE dan MAE antara PLS-SEM dan regresi linier (LM) menunjukkan error prediksi PLS-SEM lebih tinggi pada sebagian besar indikator, kecuali UB2 yang memiliki RMSE dan MAE lebih rendah dari LM.
Dengan demikian, model ini memiliki daya prediksi terbatas secara umum, tetapi tetap relevan dan mampu memprediksi variabel dependen secara akurat.
Model Fit Gambar 11.
Model Fit Hasil pengujian menunjukkan nilai SRMR jauh lebih kecil dibanding batas maksimum 0,08, membuktikan model mempunyai kecocokan sangat baik antara data observasi dan prediksi.
Dengan demikian, model yang digunakan sudah sesuai dan dapat diandalkan.
Uji Hipotesis Tabel 1.
Uji Hipotesis Hipotesis Hubungan P-Values Keterangan PE Oe> BI
0,050
Diterima EE Oe> BI
0,018
Diterima SI Oe> BI
0,058
Ditolak PV Oe> BI
0,007
Diterima HM Oe> BI
0,005
Diterima FC Oe> BI
0,020
Diterima FC Oe> UB
0,000
Diterima HT Oe> BI
0,205
Ditolak HT Oe> UB
0,013
Diterima H10
PR Oe> UB
0,027
Diterima H11
BI Oe> UB
0,145
Ditolak H12
EXP*PE Oe> BI
0,301
Ditolak H13
EXP*EE Oe> BI
0,756
Ditolak H14
EXP*SI Oe> BI
0,521
Ditolak H15
EXP*FC Oe> BI
0,561
Ditolak H16
EXP*HT Oe> BI
0,233
Ditolak H17
EXP*BI Oe> UB
0,184
Ditolak Berdasarkan dari tabel diatas, maka hasil pengujian hipotesis untuk H1.
H2.
H4.
H5.
H6.
H7.
H9.
H10 dinyatakan diterima.
Sedangkan hipotesis H3.
H8.
H11.
H12.
H13.
H14.
H15.
H16, dan H17 dinyatakan ditolak.
Dengan demikian, sebagian besar hubungan antar variabel berpengaruh nyata.
Namun Experience tidak berperan sebagai moderator, dalam artian tingkat pengalaman rendah maupun tinggi tidak mengubah intensitas pengaruh persepsi manfaat, kemudahan, pengaruh sosial, kondisi pendukung, kebiasaan, maupun niat terhadap perilaku aktual pada penggunaan LinkedIn, sehingga faktor utama penggunaan LinkedIn tetap sama bagi pengguna baru maupun lama.
Praktisnya, dalam meningkatkan adopsi dan keterlibatan dapat diarahkan pada penguatan faktor-faktor utama tanpa harus membedakan pendekatan antara pengguna baru dan lama.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
KESIMPULAN DAN SARAN
1 Kesimpulan Penelitian ini secara eksplisit memberikan kontribusi akademik dan praktis dengan memperluas literatur UTAUT 2 melalui penambahan konstruk Privacy Risk serta pengujian efek moderasi Experience dalam konteks pengguna LinkedIn di Indonesia.
Hasil penelitian menunjukkan bahwa model Extended UTAUT 2 secara signifikan mampu menjelaskan faktor-faktor yang memengaruhi niat (Behavioral Intention/BI) serta perilaku penggunaan (Use Behavior/UB) LinkedIn sebagai platform profesional.
Variabel PE.
EE.
PV.
HM.
FC, dan PR, memiliki hubungan yang signifikan untuk BI dan UB pada aplikasi LinkedIn.
Tidak hanya itu, efek moderasi dari Experience (EXP) tidak ditemukan memiliki pengaruh signifikan terhadap hubungan antara PE pada BI.
EE pada BI, dan SI pada BI.
FC pada BI.
HT pada UB, dan BI pada UB.
Secara keseluruhan, nilai RA untuk BI .
erada di antara 0,33 Ae 0,.
dan UB .
ebih dari 0,.
, mengindikasikan bahwa model mampu memberikan penjelasan yang sangat baik dan relevan terhadap faktor yang memengaruhi penerimaan LinkedIn.
Evaluasi fA memperlihatkan bahwa hubungan FC terhadap UB memiliki pengaruh moderat .
ebih dari 0,.
, sementara variabel lainnya menunjukkan pengaruh yang lebih kecil tetapi tetap berkontribusi dalam menjelaskan fenomena yang diteliti.
QA yang dihasilkan juga bernilai tinggi .
ebih dari .
, dengan begitu model ini mengungkapkan kemampuan prediksi yang kuat, dan nilai SRMR dalam analisis model fit membuktikan kecocokan model yang sangat baik .
urang dari 0,.
2 Saran Keterbatasan pada penelitian ini adalah terbatasnya jumlah sampel dan belum cukup meluas, sehingga hasil yang diperoleh belum sepenuhnya mencerminkan seluruh populasi pengguna LinkedIn di Indonesia.
Oleh karena itu, temuan ini masih dapat dikembangkan melalui perluasan cakupan penelitian.
Hal ini bertujuan untuk menguji apakah hasil serupa tetap konsisten pada populasi yang lebih luas dan lebih Untuk rekomendasi penelitian ke depan, dapat dilakukan penambahan variabel lain yang belum mencakup dalam penelitian ini khususnya yang berpotensi mempengaruhi niat dan perilaku penggunaan aplikasi LinkedIn.
Selain itu, penelitian ini menyarankan agar LinkedIn meningkatkan perlindungan privasi pengguna sebagai upaya untuk mempertahankan dan memperkuat niat penggunaan platform.
Langkah konkret yang dapat dilakukan adalah dengan peningkatan fitur perlindungan data agar pengguna merasa lebih nyaman dalam menggunakan LinkedIn.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Agustus 2025
ISSN 2684-8260
DAFTAR PUSTAKA