Judul : Arsitektur Middleware Terintegrasi Pemantauan Manajemen Kualitas Udara Lingkungan Cerdas

Penulis :
Assoc. Prof. Qurotul Aini, S.Kom., M.T.I
Prof. Ir. Daniel H.F. Manongga, M.Sc., Ph.D
Prof. Dr. Ir. Untung Rahardja, M.T.I., MM
Assoc. Prof. Dr. Irwan Sembiring, S.T., M.Kom

Penyunting :
Dwi Apriliasari, S.Kom
Sabda Maulana., S.Kom., S.Bns
Shofiyul Millah, S.Kom., S.Bns

Penggambar :
Adam Faturahman, S.Kom., M.TI

Penata :
Marviola Hardini, S.Kom., M.TI
Nuke Puji Lestari Santoso, S.Kom., M.TI
Nesti Anggraini Santoso, S.Kom, S.Bns

Penerbit :
PT. Sinar Mentari Sundara

Redaksi :
PT. Sinar Mentari Sundara
Jl. Premier Park 2 Blok B No.11, Cikokol, Kota Tangerang, Banten 15117
Email: hello@sundarapublishing.com

Distributor :
PT. Sinar Mentari Sundara
Jl. Premier Park 2 Blok B No.11, Cikokol, Kota Tangerang, Banten 15117
Email: hello@sundarapublishing.com

Ukuran :
102 hlm, Uk: top= 3 cm, bottom= 3 cm, left= 3 cm, right= 3 cm, headsep= 10pt, A4 paper
ISBN : xxx-xxx-xxxxx-x-x

About Book :

Sistem pemantauan kualitas udara (Air Quality Monitoring Solution – AQMS) semakin penting dalam mendukung lingkungan yang sehat. Namun, adopsi teknologi AQMS masih menghadapi tantangan, terutama terkait Behavioral Intention to Use (BIU) yang dipengaruhi oleh berbagai faktor. Studi ini bertujuan untuk mengidentifikasi determinan utama BIU dalam AQMS dengan menekankan peran Technology Readiness (TR) menggunakan kerangka Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). Penelitian ini menganalisis sembilan variabel utama: Effort Expectancy (EE), Performance Expectancy (PE), Social Influence (SI), Facilitating Condition (FC), Hedonic Motivation (HM), Price Value (PV), Habit (HB), dan TR, dengan Gender (G), Age (A), dan Location (L) sebagai variabel moderasi.

Pengumpulan data dilakukan melalui survei terhadap 371 partisipan dan dianalisis menggunakan Smart- PLS 4.0. Hasil penelitian menunjukkan bahwa TR memiliki pengaruh signifikan terhadap BIU, dengan HM sebagai faktor dominan dalam mendorong adopsi AQMS, mengindikasikan bahwa pengalaman peng- guna yang menyenangkan menjadi aspek kunci dalam meningkatkan intensi perilaku pengguna. Selain itu, penelitian ini mengevaluasi perkembangan teknologi AQMS melalui pendekatan Systematic Literature Review (SLR) metode Kitchenham dengan menganalisis 436 artikel jurnal dan prosiding konferensi dari database Web of Science (WOS) dan SCOPUS (periode 2019–2023). Analisis menggunakan Leximancer 5.0 mengidentifikasi lima tema utama: kualitas udara, kecerdasan buatan (AI), polusi, middleware, dan lingkungan pintar. Dari hasil seleksi, hanya 48 jurnal yang memenuhi kriteria inklusi dan eksklusi yang ketat terkait relevansi tema, kualitas metodologi, dan kontribusi akademik.

Middleware dalam AQMS terbukti meningkatkan efisiensi sistem pemantauan kualitas udara melalui dukungan pengolahan data dengan protokol HTTPS, menggunakan metode GET untuk pengambilan informasi dan POST untuk pengiriman data. Hasil penelitian menunjukkan bahwa middleware ini tidak hanya meningkatkan keamanan dan efisiensi pemrosesan data, tetapi juga memiliki dampak signifikan terhadap BIU. Ketika meneliti pengaruh BIU, aspek tambahan dari model UTAUT2 terbukti sebagai kontributor penting yang meningkatkan kapasitas penjelasan model secara signifikan. Studi ini juga menunjukkan perbedaan mencolok dengan penelitian sebelumnya, di mana model seperti TAM dengan PurpleAir Sensor hanya mencatat BIU sebesar 36% dan UTAUT dengan AQMesh sebesar 47,9%, sementara penerapan UTAUT2 dalam konteks AQMS menghasilkan tingkat BIU yang substansial, melebihi 83%. Integrasi Artificial Intelligence (AI) dan Middleware dalam AQMS memberikan kontribusi teoritis dengan memperkuat keterkaitan TR dalam kerangka UTAUT2, serta kontribusi praktis dengan memberikan wawasan strategis bagi pengembang teknologi dan pembuat kebijakan untuk meningkatkan efektivitas sistem AQMS.