FAKTOR-FAKTOR YANG MELATARBELAKANGI KEPUTUSAN BELANJA ONLINE PADA APLIKASI E-COMMERCE
on
E-Jurnal Matematika Vol. 11(3), Agustus 2022, pp. 203-209
DOI: https://doi.org/10.24843/MTK.2022.v11.i03.p382
ISSN: 2303-1751
FAKTOR-FAKTOR YANG MELATARBELAKANGI KEPUTUSAN BELANJA ONLINE PADA APLIKASI E-COMMERCE
Ni Kadek Dwi Arisya Afrilianti1§, Made Susilawati2, I Gusti Ayu Made Srinadi3
1Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]]
2Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]]
3Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]]
§Corresponding Author
ABSTRACT
The existence of the COVID-19 Pandemic since 2020 has forced the central government to impose large-scale social restrictions (PSBB) in the various region in Indonesia. This restriction aims to minimize the spread of the COVID-19 virus, but this causes results in many people losing their jobs. This study uses confirmatory factor analysis to examine the factors behind online shopping decisions at stores in e-commerce applications. The results of this study aim to determine what factors are behind the decision of buyers to shop online in ecommerce applications. The research variable consists of eight dimensions: product, price, place, promotion, customer service, convenience, security, and trust, with 33 indicators. The sample in this study was the people of Denpasar City, totaling 232 respondents who had shopped online at least three times in the last six months. The results of the factor analysis obtained that it is true that there are eight factors behind online shopping decisions at shops in e-commerce applications by people in Denpasar City. These results can be considered for online entrepreneurs to increase sales results by sellers and as a reference by buyers in determining what can be regarded as in online shopping.
Keywords: Confirmatory factor analysis, e-commerce, online shopping decision
-
1. PENDAHULUAN
Pandemi corona virus yang melanda seluruh dunia dari tahun 2019 juga berdampak pada kehidupan masyarakat di Indonesia. Berdasarkan data penyebaran covid-19 di Indonesia jumlah pasien positif corona mencapai 3.440.369 per tanggal 1 Agustus 2021 (Bidang Data & IT Satuan Tugas Penanganan Covid-19, 2021). Upaya yang dilakukan untuk memutuskan tali penyebaran covid-19 salah satunya adalah diberlakukannya pembatasan sosial berskala besar (PSBB) diberbagai wilayah di Indonesia. Kementrian ketenagakerjaan (kemnaker) mencatat jumlah pekerja yang terkena pemutusan hubungan kerja (PHK) dan dirumahkan akibat covid-19 mencapai 29,4 juta orang per tanggal 27 Maret 2021 (Triatmojo, 2021).
Salah satu peluang bisnis yang meningkat di masa pandemi covid-19 ini adalah bisnis online. Perkembangan internet dimanfaatkan oleh pelaku usaha online. E-commerce
merupakan kegiatan transaksi secara online. Mengutip data dari Hootsuite (Kemp, 2020), persentase pengguna internet berumur 16 sampai 64 tahun untuk kegiatan e-commerce sebesar 88%.
Di Indonesia, penelitian mengenai belanja online sudah banyak dilakukan, tetapi tempat, responden, dimensi dan metode yang digunakan berbeda hal ini dapat terjadi akibat hasil setiap penelitian dapat berbeda jika diaplikasikan pada wilayah yang berbeda, salah satunya adalah penelitian oleh Istanti (2017) mengenai keputusan belanja online pada masyarakat Kota Surabaya, hasil yang diperoleh harga, kepercayaan, kemudahan, dan e-promosi berpengaruh terhadap keputusan pembelian belanja online.
Para pemilik usaha online setidaknya mengetahui informasi faktor yang memengaruhi keputusan pembeli untuk melakukan pembelian melalui aplikasi ecommerce. Informasi tersebut dapat menjadi
acuan sebagai dasar peningkatan kinerja dari toko online yang dimiliki. Hal tersebut yang menjadi latarbelakang penulis melakukan penelitian tentang faktor-faktor yang melatarbelakangi keputusan pembelian online pada toko-toko online di aplikasi e-commerce. Penelitian ini menggunakan analisis faktor sebagai metode analisis karena keputusan pembelian merupakan variabel yang tidak dapat diukur secara langsung, sehingga memerlukan variabel/indikator yang lainya untuk mengamati keputusan pembelian.
Menurut Turban et al. (2015) e-commerce adalah proses perdagangan dengan menggunakan jaringan internet untuk membeli, menjual, menukarkan produk, barang atau layanan. Menurut Kotler dan Keller (2016) faktor keberhasilan e-commerce terletak pada layanan terhadap pelanggan, aplikasi ecommerce yang cepat, sederhana, dan mudah, keamanan informasi pelanggan tetap terjamin sehingga pelanggan percaya untuk melakukan transaksi.
Analisis faktor merupakan teknik statistik yang digunakan untuk membentuk faktor yang terdiri dari beberapa variabel awal yang saling berkorelasi satu dengan yang lainnya. Analisis faktor berfungsi untuk mereduksi atau meringkas beberapa variabel yang saling berkorelasi menjadi lebih sedikit variabel.
Menurut Johnson & Wichern (2007), model analisis faktor dalam notasi matriks adalah:
x(pxi) - F(pxi) = L(pχm)F(mχi) + ε(pχi)
Dengan X menyatakan variabel acak, μi menyatakan rata-rata variabel ke-i, lij menyatakan loading factor dari variabel ke-i pada faktor ke-j, Fj menyatakan faktor ke-j, dan εt = galat (error) atau spesifik faktor ke-i.
Pada penelitian ini menggunakan metode analysis faktor konfirmatori menurut Hair et al., 2019. Berikut tahapan analisis:
-
1. Membuat Matriks Korelasi
Matriks korelasi merupakan langkah awal dalam analisis faktor. Matriks korelasi berfungsi untuk mengetahui nilai korelasi antar variabel.
-
2. Uji Bartlett’s spericity
Uji Bartlett’s spericity digunakan untuk mengetahui adanya korelasi antar variabel. Nilai yang digunakan adalah p-value lebih kecil dari 0,05, ini menunjukkan terdapat korelasi yang cukup antarvariabel.
-
3. Uji Kaiser-Mayer Olkin (KMO)
Uji Kaiser-Mayer Olkin digunakan untuk melihat syarat kecukupan sampel data untuk dilakukan analisis faktor. Nilai KMO yang digunakan adalah lebih besar dari 0,5.
-
4. Nilai Measure of Sampling Adequancy
Measure of Sampling Adequancy (MSA) digunakan untuk mengetahui layak atau tidaknya variabel dianalisis dengan analisis faktor. Nilai MSA yang digunakan adalah ≥ 0,5.
-
5. Komunalitas
Uji komunalitas digunakan untuk mengetahui varian dari variabel, nilai komunalitas yang diambil adalah lebih dari 0,5 sedangkan nilai yang kurang dari 0,5 tidak dapat digunakan dalam analisis, hal ini dikarenakan tidak memiliki varians yang cukup untuk menjelaskan variabel tersebut (Hair et al., 2019)
-
6. Ekstraksi Faktor
Ekstraksi faktor merupakan metode yang digunakan untuk mereduksi data yang bertujuan untuk menghasilkan faktor baru yang memiliki korelai antar variabelnya. Metode faktor yang digunakan pada penelitian ini adalah Principal Components Analysis (PCA). 7. Menentukan Jumlah Faktor
Menentukan jumlah faktor berdasarkan besarnya nilai eigen setiap faktor yang muncul. Hanya faktor dengan nilai eigen ≥1 yang dipertahankan dalam model analisis faktor, sedangkan nilai eigen <1 dikeluarkan dari model.
-
8. Nilai Signifikansi Loading Faktor
Loading faktor merupakan nilai kekuatan hubungan/korelasi masing-masing variabel dengan kontruks yang dibentuk. Penetapan nilai faktor loading disesuaikan dengan jumlah sampel yang dimiliki, sehingga jumlah sampel yang dianalisis sangat berpengaruh terhadap nilai loading faktor yang digunakan.
-
9. Interpretasi Hasil
Interpretasi hasil dilakukan dengan menentukan faktor dan memberikan nama pada kumpulan variabel sesuai nilai loading faktor yang diperoleh untuk mewakili suatu faktor.
-
2. METODE PENELITIAN
Pada penelitian ini menggunakan data primer yang diperoleh melalui hasil penyebaran kuesioner. Pengambilan sampel pada penelitian ini menggunakan teknik pengambilan sampel nonrandom yakni metode purposive sampling dan teknik snowball sampling. Sampel dalam
penelitian ini adalah masyarakat Kota Denpasar, memiliki usia minimal 17 tahun, dan telah berbelanja online minimal tiga kali dalam enam bulan terakhir melalui aplikasi ecommerce. Dimensi pada penelitian ini diambil dari teori bauran pemasaran (Kotler dan Armstrong, 2008) dan faktor keberhasilan e-commerce (Kotler dan Keller, 2016). Pada penelitian ini memiliki 33 indikator dengan delapan dimensi penelitian, dan jumlah sampel yang diambil adalah 230 responden.
Adapun langkah-langkah analisis sebagai berikut:
-
1. Membuat kuesioner penelitian
-
2. Menyebarkan kuesioner dalam bentuk google form
-
3. Pengambilan data awal 50 responden
-
4. Setelah semua indikator kuesioner valid
dan kuesioner reliabel, dilanjutkan dengan pengambilan sampel hingga terpenuhi jumlah data yang harus diambil yaitu 230 responden
-
5. Menganalisis faktor dengan langkah-
langkah sebagai berikut:
-
a. Membuat matriks korelasi
antarvariabel penelitian.
-
b. Menghitung nilai Bartllet’s sphericity. yang cukup antarvariabel.
-
c. Menghitung nilai Kaiser Mayer Olkin (KMO).
-
d. Mengukur nilai Measure of Sampling Adequency (MSA).
-
e. Melakukan proses ekstrasi atau factoring, menggunakan Principal Component Analysis (PCA), serta melihat jumlah faktor yang terbentuk setiap dimensinya.
-
f. Interpretasi faktor
-
3. HASIL DAN PEMBAHASAN
-
3.1 Uji Validitas dan Reliabilitas
-
Uji Validitas dan reliabilitas merupakan uji yang dilakukan untuk mengetahui kelayakan dan ketepatan kuesioner. Pada penelitian ini menggunakan 50 data sampel pertama, untuk uji validitas dilihat dari nilai korelasi Pearson dan untuk uji reliabilitas, dilihat dari nilai Cronbach’s Alpha.
Tabel 1. Output Uji Validitas dan Reliabilitas
Dimensi |
Indikator |
Korelasi Pearson |
Cronbach’s Alpa |
Produk |
P1 |
0,855 |
0,927 |
P2 |
0,930 | ||
P3 |
0,915 | ||
P4 |
0,920 | ||
Harga |
H1 |
0,808 |
0,810 |
H2 |
0,729 | ||
H3 |
0,910 | ||
H4 |
0,748 | ||
Tempat |
T1 |
0,778 |
0,720 |
T2 |
0,800 | ||
T3 |
0,788 | ||
T4 |
0,578 | ||
Promosi |
Pm1 |
0,657 |
0,843 |
Pm2 |
0,901 | ||
Pm3 |
0,883 | ||
Pm4 |
0,851 | ||
Layanan Kepuasan |
L1 |
0,845 |
0,900 |
L2 |
0,842 | ||
L3 |
0,887 | ||
L4 |
0,880 | ||
L5 |
0,764 | ||
Kemudahan |
K1 |
0,868 |
0,893 |
K2 |
0,897 | ||
K3 |
0,864 | ||
K4 |
0,848 | ||
Keamanan |
Km1 |
0,769 |
0,714 |
Km2 |
0,744 | ||
Km3 |
0,649 | ||
Km4 |
0,769 | ||
Kepercayaan |
Kp1 |
0,806 |
0,806 |
Kp2 |
0,842 | ||
Kp3 |
0,820 | ||
Kp4 |
0,696 |
Pada Tabel 1 diperoleh nilai korelasi Pearson seluruh indikator pada seluruh dimensi memiliki nilai lebih besar dari nilai r tabel yaitu 0,279 untuk N=50, sehingga dapat dinyatakan valid. Nilai Cronbach’s Alpa untuk seluruh dimensi adalah 0,927, lebih besar dari 0,7, sehingga dapat dinyatakan reliabel.
-
3.2 Uji Bartlett’s sphericity
Uji Bartlett’s spericity digunakan untuk mengetahui adanya korelasi antar variabel. Hipotesis untuk uji ini adalah:
H0: Tidak terdapat korelasi antar variabel
H1: Terdapat korelasi antar variabel
Tabel 2. Hasil Output Uji Bartlett’s spericity
Dimensi |
Bartlett’s Test of Sphericity | |
Approx. ChiSquare |
p-value | |
Produk |
541,32 |
0,000 |
Harga |
290,40 |
0,000 |
Tempat |
253,79 |
0,000 |
Promosi |
539,66 |
0,000 |
Layanan Konsumen |
654,73 |
0,000 |
Kemudahan |
573,21 |
0,000 |
Keamanan |
219,50 |
0,000 |
Kepercayaan |
283,81 |
0,000 |
Hasil dari Tabel 2 menunjukan nilai Bartlett’s spericity untuk setiap dimensi memiliki nilai p-value kurang dari 0,05 maka keputusannya adalah tolak H0, terima H1. Sehingga uji Bartlett’s spericity pada penelitian ini, terdapat korelasi yang cukup antar variabel.
-
3.3 Uji Kaiser Mayer Olkin (KMO)
Uji Kaiser-Mayer Olkin digunakan untuk melihat syarat kecukupan sampel data untuk dilakukan analisis faktor.
Tabel 3. Hasil Output Uji KMO
Dimensi |
Nilai KMO |
Produk |
0,816 |
Harga |
0,798 |
Tempat |
0,776 |
Promosi |
0,812 |
Layanan Konsumen |
0,853 |
Kemudahan |
0,830 |
Keamanan |
0,750 |
Kepercayaan |
0,757 |
Hasil dari Tabel 3 menunjukan nilai KMO untuk setiap dimensi lebih besar dari 0,5, maka dianggap cukup untuk dilakukan analisis faktor. Sehingga uji KMO pada penelitian ini, sudah memenuhi syarat untuk kecukupan sampel.
-
3.4 Uji Measure of Sampling Adequency
Uji Measure of Sampling Adequancy (MSA) digunakan untuk mengetahui layak atau tidaknya variabel dianalisis dengan analisis faktor.
Tabel 4. Hasil Output Uji MSA
Dimensi |
Indikator |
Nilai MSA |
Produk |
P1 |
0,825 |
P2 |
0,822 | |
P3 |
0,806 | |
P4 |
0,810 | |
Harga |
H1 |
0,824 |
H2 |
0,777 | |
H3 |
0,803 | |
H4 |
0,796 | |
Tempat |
T1 |
0,748 |
T2 |
0,764 | |
T3 |
0,791 | |
T4 |
0,819 | |
Promosi |
Pm1 |
0,851 |
Pm2 |
0,800 | |
Pm3 |
0,793 | |
Pm4 |
0,815 | |
Layanan Konsumen |
L1 |
0,851 |
L2 |
0,813 | |
L3 |
0,866 | |
L4 |
0,871 | |
L5 |
0,877 | |
Kemudahan |
K1 |
0,793 |
K2 |
0,853 | |
K3 |
0,845 | |
K4 |
0,836 | |
Keamanan |
Km1 |
0,797 |
Km2 |
0,715 | |
Km3 |
0,757 | |
Km4 |
0,748 | |
Kepercayaan |
Kp1 |
0,795 |
Kp2 |
0,749 | |
Kp3 |
0,727 | |
Kp4 |
0,773 |
Hasil dari Tabel 4 menunjukan nilai MSA untuk setiap indikator pada setiap dimensi lebih besar dari 0,5 maka untuk seluruh indikator pada dimensi dianggap layak dianalisis dengan analisis faktor.
-
3.5 Komunalitas
Hasil dari Tabel 5 nilai communalities untuk setiap indikator pada setiap dimensi memiliki nilai lebih besar dari 0,5 kecuali indikator Kp1 yang memiliki nilai communalitiels lebih kecil dari 0,5, maka untuk indikator tersebut dikeluarkan dari analisis, karena tidak memiliki varians yang cukup.
Tabel 5. Hasil Output Communalities
Dimensi |
Indikator |
Nilai Communalities |
Produk |
P1 |
0,724 |
P2 |
0,761 | |
P3 |
0,787 | |
P4 |
0,757 | |
Harga |
H1 |
0,577 |
H2 |
0,688 | |
H3 |
0,637 | |
H4 |
0,648 | |
Tempat |
T1 |
0,665 |
T2 |
0,652 | |
T3 |
0,595 | |
T4 |
0,527 | |
Promosi |
Pm1 |
0,619 |
Pm2 |
0,817 | |
Pm3 |
0,758 | |
Pm4 |
0,797 | |
Layanan Konsumen |
L1 |
0,698 |
L2 |
0,766 | |
L3 |
0,762 | |
L4 |
0,590 | |
L5 |
0,658 | |
Kemudahan |
K1 |
0,831 |
K2 |
0,775 | |
K3 |
0,736 | |
K4 |
0,737 | |
Keamanan |
Km1 |
0,532 |
Km2 |
0,667 | |
Km3 |
0,544 | |
Km4 |
0,584 | |
Kepercayaan |
Kp1 |
0,497 |
Kp2 |
0,686 | |
Kp3 |
0,672 | |
Kp4 |
0,633 |
-
3.6 Ekstraksi Faktor dan Penentuan
Jumlah Faktor
Penelitian ini menggunakan metode Principal component Analysis (PCA) untuk mencari nilai eigen pada setiap indikator dalam dimensi tersebut. Jumlah faktor ditentukan dari nilai eigen, dimana nilai eigen lebih besar dari satu dianggap signifikan untuk menjadi faktor.
Hasil yang diperoleh dari Tabel 6 menunjukkan terdapat satu faktor pada setiap dimensi dengan nilai eigen lebih besar dari satu. Hal ini dapat disimpulkan bahwa benar terdapat delapan faktor yang terbentuk. Dalam analisis konfirmatori langkah rotasi faktor tidak dilaksanakan karena telah diperolehnya satu faktor pada setiap dimensi.
Tabel 6. Hasil Output Nilai Eigen
Dimensi |
Component |
Total |
Produk |
1 |
3,029 |
2 |
0,432 | |
3 |
0,297 | |
4 |
0,242 | |
Harga |
1 |
2,551 |
2 |
0,566 | |
3 |
0,458 | |
4 |
0,425 | |
Tempat |
1 |
2,439 |
2 |
0,621 | |
3 |
0,525 | |
4 |
0,415 | |
Promosi |
1 |
2,991 |
2 |
0510 | |
3 |
0,266 | |
4 |
0,233 | |
Layanan Konsumen |
1 |
3,472 |
2 |
0,609 | |
3 |
0,373 | |
4 |
0,318 | |
5 |
0,227 | |
Kemudahan |
1 |
3,079 |
2 |
0,402 | |
3 |
0,298 | |
4 |
0,222 | |
Keamanan |
1 |
2,328 |
2 |
0,661 | |
3 |
0,586 | |
4 |
0,425 | |
Kepercayaan |
1 |
2,118 |
2 |
0,499 | |
3 |
0,383 |
-
3.7 Loading Faktor
Sesuai dengan penetapan nilai faktor jumlah sampel maka nilai loading faktor yang digunakan pada penelitian ini adalah 0,40.
Hasil dari Tabel 7 menunjukkan nilai loading faktor untuk setiap indikator pada setiap dimensi lebih besar dari 0,4. Sehingga dapat disimpulkan bahwa seluruh indikator memiliki kekuatan hubungan dengan faktor yang terbentuk.
Tabel 7. Hasil Output Nilai Loading
Dimensi |
Indikator |
Nilai Loading |
Produk |
P1 |
0,851 |
P2 |
0,873 | |
P3 |
0,887 | |
P4 |
0,870 | |
Harga |
H1 |
0,760 |
H2 |
0,830 | |
H3 |
0,798 | |
H4 |
0,805 | |
Tempat |
T1 |
0,815 |
T2 |
0,807 | |
T3 |
0,771 | |
T4 |
0,726 | |
Promosi |
Pm1 |
0,787 |
Pm2 |
0,904 | |
Pm3 |
0,871 | |
Pm4 |
0,893 | |
Layanan Konsumen |
L1 |
0,835 |
L2 |
0,875 | |
L3 |
0,873 | |
L4 |
0,768 | |
L5 |
0,811 | |
Kemudahan |
K1 |
0,912 |
K2 |
0,880 | |
K3 |
0,858 | |
K4 |
0,858 | |
Keamanan |
Km1 |
0,730 |
Km2 |
0,817 | |
Km3 |
0,737 | |
Km4 |
0,764 | |
Kepercayaan |
Kp1 |
0,825 |
Kp2 |
0,868 | |
Kp3 |
0,827 |
-
4. SIMPULAN DAN SARAN
-
4.1 Simpulan
-
Hasil penelitian mengenai faktor-faktor yang melatarbelakangi keputusan belanja online pada aplikasi e-commerce menggunakan analisis faktor konfirmatori diperoleh bahwa faktor keputusan belanja online memiliki delapan faktor, yaitu faktor produk, faktor harga, faktor tempat, faktor promosi, faktor
layanan konsumen, faktor kemudahan, faktor keamanan dan faktor kepercayaan. Sehingga memang benar bahwa delapan faktor tersebut merupakan faktor yang melatar belakangi keputusan belanja online pada aplikasi ecommerce dalam penelitian ini pada masyarakat Kota Denpasar.
-
4.2 Saran
Kepada pemilik toko diharapkan untuk meningkatkan promosi, kualitas pelayanan, keamanan, dan kepercayaan guna menarik minat pembeli untuk berbelanja di toko online yang dimiliki. Produk, harga dan informasi toko diharapkan untuk dicantumkan pada halaman di aplikasi e-commerce yang digunakan karena pembeli cenderung tertarik melihat produk pada tampilan awal toko online yang diinginkan.
Kepada pemilik toko offline yang belum beralih ke penjualan online dapat menjadi pertimbangan untuk memulai dalam berjualan online. Hal ini dikarenakan jaman mulai maju dan elektronik semakin canggih, sehingga penjualan online dapat menjangkau pasar yang lebih luas. Berjualan online sekarang ini sudah dimudahkan oleh adanya aplikasi penunjang yaitu aplikasi e-commerce, kemudahan
penggunaan aplikasi e-commerce ini membuat para pembeli lebih senang untu berbelanja online, dikarenakan tidak adanya batasan waktu dan tempat dalam penggunaanya.
Selanjutnya, untuk penelitian selanjutnya dapat meneliti mengenai latarbelakang keputusan belanja online pada masing-masing aplikasi e-commerce yang tersedia, kiranya hasil yang diperoleh dapat menjadi pertimbangan dalam memilih atau
menggunakan aplikasi e-commerce tersebut.
DAFTAR PUSTAKA
Bidang Data & IT Satuan Tugas Penanganan Covid-19. 2021. Analisis Data Covid-19 Indonesia Update per 01 Agustus 2021. https://covid19.go.id/p/berita/analisis-data-covid-19-indonesia-update-1-agustus-2021. 1 Agustus 2021
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. 2019. Multivariate Data Analysis. United States: Cengage
Learning.
Istanti, F. 2017. "Pengaruh Harga, Kepercayaan, Kemudahan Berbelanja Dan E-Promosi Terhadap Keputusan
Pembelian Belanja Online di Kota Surabaya". Jurnal Bisnis Teknologi, 4(1), 14-22.
Johson, R. A., & Wichiern, D.W. 2007. Applied Multivariate Statistical Analysis. Pearson Education.
Kemp, Simon. 2020. Digital 2020: Indonesia. https://datareportal.com/reports/digital-2020-indonesia?rq=indonesia. 26
November 2020.
Kotler, P., & Amstrong, G. 2008. Prinsip-
prinsip Pemasaran, Edisi 12. Penerbit Erlangga.
Kotler, P., & Keller, K.L. 2016. Marketing Management, 15th edition. Pearson Education.
Turban, E., King, D., Lee, J. K., Liang, T. P. & Turban, D. C. 2015. Electronic Commerce A Managerial and Social Perspective. Springer Cham.
Triatmojo, Danang. 2021. Kemnaker: 29,4 Juta Pekerja Terdampak Pandemi Covid-19, di-PHK Hingga Dirumahkan.
https://www.tribunnews.com/bisnis/2021/ 03/27/kemnaker-294-juta-pekerja-terdampak-pandemi-covid-19-di-phk-hingga-dirumahkan. 1 Agustus 2021.
Wicaksono, A. 2020. Transaksi e-Commerce Capai Rp180,74 T per September 2020. https://www.cnnindonesia.com/ekonomi/2 0201215150353-78-582406/transaksi-e-commerce-capai-rp18074-t-per-september-2020. 20 Desember 2020.
209
Discussion and feedback