Pemerintah Indonesia menargetkan adopsi 2,1 juta unit kendaraan listrik roda dua dan 2.200 unit kendaraan listrik roda empat pada tahun 2025 melalui Peraturan Presiden Republik Indonesia Nomor 22 Tahun 2017 tentang Rencana Umum Energi Nasional. Pada tahun 2019, Pemerintah Indonesia menerbitkan Peraturan Presiden Nomor 55 Tahun 2019 tentang Program Percepatan Kendaraan Listrik Berbaterai Untuk Transportasi Jalan. Pada tahun 2018, adopsi kendaraan listrik roda dua hanya mencapai 0,14% dari target pemerintah pada tahun 2025. Oleh karena itu, adopsi teknologi Sepeda Motor Listrik (EM) juga harus mempertimbangkan banyak faktor agar berhasil. Penelitian ini mengembangkan model niat adopsi kendaraan listrik non-perilaku. Faktor-faktor tersebut meliputi sosiodemografi, keuangan, teknologi, dan tingkat makro. Survei online ini melibatkan 1.223 responden. Regresi logistik digunakan untuk mendapatkan nilai fungsi dan probabilitas niat mengadopsi EM di Indonesia. Frekuensi berbagi di media sosial, tingkat kesadaran lingkungan, harga pembelian, biaya perawatan, kecepatan maksimum, waktu pengisian baterai, ketersediaan infrastruktur stasiun pengisian di tempat kerja, ketersediaan infrastruktur pengisian berbasis listrik rumah, kebijakan insentif pembelian, dan diskon biaya pengisian kebijakan insentif secara signifikan mempengaruhi niat untuk mengadopsi kendaraan listrik. Hal ini juga menunjukkan bahwa peluang masyarakat Indonesia untuk mengadopsi sepeda motor listrik mencapai 82,90%. Realisasi adopsi sepeda motor listrik di Indonesia membutuhkan kesiapan infrastruktur dan biaya yang dapat diterima konsumen. Terakhir, hasil penelitian ini memberikan beberapa saran bagi pemerintah dan dunia usaha untuk mempercepat adopsi sepeda motor listrik di Indonesia.

PENGANTAR

Sektor ekonomi di Indonesia (transportasi, pembangkit listrik, dan rumah tangga) sebagian besar menggunakan bahan bakar fosil. Beberapa dampak negatif dari ketergantungan yang tinggi pada bahan bakar fosil adalah meningkatnya alokasi subsidi bahan bakar, masalah keberlanjutan energi, dan tingkat emisi CO2 yang tinggi. Transportasi merupakan sektor utama yang menyumbang tingginya kadar CO2 di udara akibat banyaknya penggunaan kendaraan berbahan bakar fosil. Penelitian ini berfokus pada sepeda motor karena Indonesia sebagai negara berkembang memiliki lebih banyak sepeda motor daripada mobil. Jumlah sepeda motor di Indonesia mencapai 120.101.047 unit pada tahun 2018[1] dan penjualan sepeda motor mencapai 6.487.460 unit pada tahun 2019 [2]. Mengalihkan sektor transportasi ke sumber energi alternatif dapat mengurangi tingkat CO2 yang tinggi. Solusi realistis untuk masalah ini adalah dengan menerapkan logistik hijau melalui penetrasi kendaraan listrik di Indonesia seperti kendaraan listrik hibrida, kendaraan listrik hibrida plug-in, dan kendaraan listrik baterai [3]. Inovasi teknologi kendaraan listrik dan inovasi teknologi baterai dapat memberikan solusi transportasi yang ramah lingkungan, hemat energi, serta biaya operasional dan pemeliharaan yang lebih rendah [4]. Kendaraan listrik banyak diperbincangkan oleh negara-negara di dunia. Dalam bisnis kendaraan listrik global, terjadi pertumbuhan penjualan yang signifikan untuk sepeda motor listrik roda dua yang mencapai 58% atau sekitar 1,2 juta unit dari tahun 2016 hingga 2017. Pertumbuhan penjualan ini menunjukkan respon yang baik dari negara-negara di dunia tentang perkembangan kendaraan listrik Teknologi sepeda motor yang kelak, sepeda motor listrik diharapkan bisa menggantikan kendaraan berbahan bakar fosil. Objek penelitian adalah Sepeda Motor Listrik (EM) yang terdiri dari Sepeda Motor Listrik Desain Baru (NDEM) dan Sepeda Motor Listrik Konversi (CEM). Tipe pertama, New Design of Electric Motorcycle (NDEM), merupakan kendaraan yang dirancang oleh perusahaan yang menggunakan teknologi listrik untuk operasionalnya. Beberapa negara di dunia seperti Australia, Jerman, Inggris, Perancis, Jepang, Taiwan, Korea Selatan, dan China sudah menggunakan sepeda motor listrik sebagai produk pengganti kendaraan sepeda motor berbahan bakar fosil. Salah satu merek sepeda motor listrik adalah Zero Motorcycle yang memproduksi sepeda motor listrik sport [6]. PT. Gesits Technologies Indo juga memproduksi sepeda motor listrik roda dua dengan merek Gesits. Tipe kedua adalah CEM. Sepeda motor listrik converted adalah sepeda motor berbahan bakar minyak dimana motor dan bagian-bagian mesin diganti dengan kit baterai Lithium Ferro Phosphate (LFP) sebagai sumber energi. Meski banyak negara yang memproduksi sepeda motor listrik, belum ada yang menciptakan kendaraan dengan teknik konversi. Konversi bisa dilakukan pada sepeda motor roda dua yang sudah tidak digunakan lagi oleh penggunanya. Universitas Sebelas Maret merupakan pionir dalam pembuatan CEM dan secara teknis membuktikan bahwa baterai Lithium-Ion dapat menggantikan sumber energi bahan bakar fosil pada sepeda motor konvensional. CEM menggunakan teknologi LFP, baterai ini tidak meledak saat terjadi korsleting. Selain itu, baterai LFP memiliki masa pakai yang lama hingga 3000 siklus penggunaan dan lebih lama dari baterai EM komersial saat ini (seperti Baterai Lithium-Ion dan Baterai LiPo). CEM dapat menempuh jarak 55 km/charge dan memiliki kecepatan maksimum hingga 70 km/jam [7]. Jodinesa, dkk. [8] meneliti pangsa pasar sepeda motor listrik konvertibel di Surakarta, Indonesia dan menghasilkan tanggapan positif masyarakat Surakarta terhadap CEM tersebut. Dari penjelasan di atas terlihat bahwa peluang sepeda motor listrik sangat besar. Beberapa penelitian tentang standar yang berkaitan dengan kendaraan listrik dan baterai telah dikembangkan, seperti standar baterai Lithium Ion oleh Sutopo et al. [9], standar sistem manajemen baterai oleh Rahmawatie et al. [10], dan standar pengisian kendaraan listrik oleh Sutopo et al. [11]. Lambatnya adopsi kendaraan listrik di Indonesia mendorong pemerintah mengeluarkan beberapa kebijakan untuk pengembangan industri otomotif dan berencana menargetkan adopsi 2,1 juta unit sepeda motor listrik dan 2.200 unit mobil listrik pada 2025. Selain itu, pemerintah juga menargetkan Indonesia mampu memproduksi 2.200 mobil listrik atau hybrid yang tertuang dalam Peraturan Presiden Republik Indonesia Nomor 22 Tahun 2017 tentang Rencana Umum Energi Nasional. Peraturan ini telah diterapkan oleh berbagai negara seperti Prancis, Inggris, Norwegia, dan India. Kementerian ESDM telah menetapkan target mulai tahun 2040 penjualan Internal Combustion Engine Vehicles (ICEV) dilarang dan masyarakat diminta menggunakan kendaraan berbasis listrik. Pada tahun 2019 Pemerintah Indonesia mengeluarkan Peraturan Presiden Nomor 55 Tahun 2019 tentang Percepatan Program Kendaraan Bermotor Listrik Berbasis Baterai Untuk Transportasi Jalan. Upaya ini merupakan langkah untuk mengatasi dua permasalahan, yaitu menipisnya cadangan bahan bakar minyak dan pencemaran udara. Terkait polusi udara, Indonesia telah berkomitmen untuk mengurangi 29% emisi karbon dioksida pada tahun 2030 sebagai hasil dari Konferensi Perubahan Iklim Paris yang diadakan pada tahun 2015. Pada tahun 2018, penetrasi kendaraan listrik roda dua hanya mencapai 0,14% dari target pemerintah. 2025, sedangkan untuk listrik roda empat mencapai lebih dari 45%. Pada Desember 2017, setidaknya terdapat lebih dari 1.300 stasiun pengisian listrik umum yang tersedia secara nasional di 24 kota, dimana 71% (924 stasiun pengisian ulang) berada di DKI Jakarta [13]. Banyak negara telah melakukan penelitian tentang adopsi kendaraan listrik, namun di Indonesia penelitian skala nasional belum pernah dilakukan sebelumnya. Telah banyak jenis penelitian di beberapa negara yang telah melakukan studi tentang adopsi teknologi baru dengan menggunakan beberapa metode seperti regresi linier berganda untuk mengetahui niat penggunaan kendaraan listrik di Malaysia [14], Structural Equation Modeling (SEM) untuk mengetahui adopsi hambatan kendaraan listrik baterai di Tianjin, Cina [15], analisis faktor eksplorasi & model regresi multivariat untuk mengetahui hambatan antara pengemudi kendaraan listrik di Inggris [16], dan regresi logistik untuk mengetahui faktor-faktor yang mempengaruhi penyerapan kendaraan listrik di Beijing, Cina [17]. Penelitian ini bertujuan untuk mengembangkan model adopsi sepeda motor listrik di Indonesia, mengetahui faktor-faktor yang mempengaruhi niat adopsi sepeda motor listrik di Indonesia, dan mengetahui peluang fungsi adopsi sepeda motor listrik di Indonesia. Pemodelan faktor-faktor tersebut penting dilakukan untuk mengetahui faktor-faktor apa saja yang mempengaruhi niat untuk mengadopsi sepeda motor listrik di Indonesia. Faktor-faktor yang berpengaruh tersebut dapat dijadikan acuan untuk merumuskan kebijakan yang tepat guna mempercepat adopsi sepeda motor listrik. Faktor signifikan tersebut merupakan gambaran kondisi ideal yang diinginkan oleh calon pengguna sepeda motor listrik di Indonesia. Beberapa kementerian di Indonesia terkait perumusan kebijakan mengenai kendaraan listrik adalah Kementerian Perindustrian yang mengurusi aturan pajak kendaraan berdasarkan emisinya yang berhubungan langsung dengan produsen kendaraan listrik, Kementerian Perhubungan yang menjalankan uji kelayakan kendaraan listrik yang akan pengaspalan di jalan raya seperti uji aki dan lain sebagainya, serta Kementerian ESDM yang bertanggung jawab merumuskan tarif Stasiun Pengisian Kendaraan Listrik untuk infrastruktur usaha pengisian kendaraan listrik. Inovasi kendaraan listrik juga mendorong lahirnya entitas bisnis baru dalam rantai pasok termasuk technopreneur dan start-up dari pengembang, pemasok, produsen, dan distributor produk/jasa kendaraan listrik dan turunannya ke pasar. Pengusaha sepeda motor listrik juga dapat mengembangkan teknologi dan pemasaran dengan mempertimbangkan faktor-faktor penting tersebut guna mendukung terwujudnya sepeda motor listrik sebagai pengganti sepeda motor konvensional di Indonesia. Regresi logistik ordinal digunakan untuk mendapatkan nilai fungsi dan probabilitas niat adopsi sepeda motor listrik di Indonesia dengan menggunakan software SPSS 25. Regresi logistik atau regresi logit merupakan suatu pendekatan untuk membuat model prediktif. Regresi logistik dalam statistik digunakan untuk memprediksi probabilitas suatu peristiwa yang terjadi dengan mencocokkan data dalam fungsi logistik kurva logit. Metode ini merupakan model linier umum untuk regresi binomial [18]. Regresi logistik telah digunakan untuk memprediksi penerimaan adopsi internet dan mobile banking [19], memprediksi penerimaan adopsi teknologi photovoltaic di Belanda [20], memprediksi penerimaan teknologi sistem telemonitoring untuk kesehatan [21], dan untuk menemukan mengatasi kendala teknis yang mempengaruhi keputusan untuk mengadopsi layanan cloud [22]. Utami dkk. [23] yang sebelumnya melakukan penelitian tentang persepsi konsumen terhadap kendaraan listrik di Surakarta, menemukan bahwa harga beli, model, performa kendaraan, dan kesiapan infrastruktur menjadi kendala terbesar masyarakat dalam mengadopsi kendaraan listrik. METODE Data yang dikumpulkan dalam penelitian ini adalah data primer yang diperoleh melalui survei online untuk mengetahui peluang dan faktor yang mempengaruhi niat adopsi sepeda motor listrik di Indonesia. Kuesioner dan Survei Survei online dibagikan kepada 1.223 responden di delapan provinsi di Indonesia untuk mengetahui faktor-faktor yang mempengaruhi niat adopsi sepeda motor listrik di Indonesia. Provinsi terpilih ini memiliki lebih dari 80% penjualan sepeda motor di Indonesia [2]: Jawa Barat, Jawa Timur, DKI Jakarta, Jawa Tengah, Sumatera Utara, Sumatera Barat, Yogyakarta, Sulawesi Selatan, Sumatera Selatan, dan Bali. Faktor-faktor yang dieksplorasi ditunjukkan pada Tabel 1. Pengetahuan umum tentang sepeda motor listrik diberikan di awal kuesioner dengan menggunakan video untuk menghindari kesalahpahaman. Kuesioner dibagi menjadi lima bagian: bagian penyaringan, bagian sosiodemografi, bagian keuangan, bagian teknologi, dan bagian tingkat makro. Kuesioner disajikan dalam skala Likert 1 sampai 5, di mana 1 untuk sangat tidak setuju, 2 untuk tidak setuju, 3 untuk ragu-ragu, 4 untuk setuju, dan 5 untuk sangat setuju. Penentuan ukuran sampel minimum mengacu pada [25], menyatakan bahwa studi observasional dengan ukuran populasi besar yang melibatkan regresi logistik membutuhkan ukuran sampel minimal 500 untuk mendapatkan statistik yang mewakili parameter. Cluster sampling atau sampling area dengan proporsi digunakan dalam penelitian ini karena populasi pengguna sepeda motor di Indonesia sangat besar. Selain itu, purposive sampling digunakan untuk menentukan sampel berdasarkan kriteria tertentu [26]. Survei online dilakukan melalui Facebook Ads. Responden yang memenuhi syarat adalah orang yang berusia 17 tahun, memiliki SIM C, menjadi salah satu pengambil keputusan untuk mengganti atau membeli sepeda motor, dan berdomisili di salah satu provinsi pada Tabel 1. Kerangka Teori She et al. [15] dan Habich-Sobiegalla et al. [28] menggunakan kerangka kerja untuk kategorisasi sistematis faktor-faktor yang mendorong atau menghalangi adopsi kendaraan listrik oleh konsumen. Kami mengadaptasi kerangka kerja ini dengan memodifikasinya berdasarkan analisis kami terhadap literatur sepeda motor listrik tentang adopsi konsumen terhadap sepeda motor listrik. Kami telah memvisualisasikannya pada Tabel 1.Tabel 1. Penjelasan dan Referensi Faktor dan Atribut Kode Faktor Atribut Ref. SD1 Status Perkawinan [27], [28] SD2 Usia SD3 Jenis Kelamin SD4 Pendidikan terakhir SD5 Pekerjaan Sosiodemografi SD6 Tingkat konsumsi bulanan SD7 Tingkat pendapatan bulanan SD8 Jumlah kepemilikan sepeda motor SD9 Frekuensi sharing di media sosial SD10 Ukuran jejaring sosial online SD11 Kesadaran lingkungan Finansial FI1 Harga pembelian [29] FI2 Biaya baterai [30] FI3 Biaya pengisian [31] FI4 Biaya perawatan [32] Teknologi TE1 Kemampuan jarak tempuh [33] TE2 Daya [33] TE3 Waktu pengisian [33] Keamanan TE4 [34] TE5 Masa pakai baterai [35] Ketersediaan stasiun pengisian ML1 tingkat makro di tempat umum [36] Ketersediaan stasiun pengisian ML2 di tempat kerja [15] Ketersediaan stasiun pengisian ML3 di rumah [37] Ketersediaan tempat layanan ML4 [38] ML5 Kebijakan insentif pembelian [15] ML6 Tahunan kebijakan diskon pajak [15] ML7 Kebijakan diskon biaya pembebanan [15] Niat adopsi IP Niat menggunakan [15] Faktor Sosiodemografi Faktor sosiodemografi merupakan faktor pribadi yang mempengaruhi perilaku individu dalam pengambilan keputusan. Eccarius dkk. [28] menyatakan pada model adopsi mereka bahwa usia, jenis kelamin, status perkawinan, pendidikan, pendapatan, pekerjaan, dan kepemilikan kendaraan merupakan faktor penting yang mempengaruhi adopsi kendaraan listrik. HabichSoebigalla dkk menyoroti faktor jejaring sosial seperti jumlah kepemilikan sepeda motor, frekuensi berbagi di media sosial, dan ukuran jejaring sosial online menjadi faktor yang mempengaruhi adopsi kendaraan listrik [28]. Eccarius dkk. [27] dan HabichSobiegalla et al. [28] juga menganggap kesadaran lingkungan termasuk dalam faktor sosialdemografi. Faktor Finansial Harga beli adalah harga asli sepeda motor listrik tanpa ada subsidi pembelian. Sierzchula dkk. [29] mengatakan bahwa tingginya harga beli kendaraan listrik disebabkan oleh kapasitas baterai yang paling tinggi. Biaya baterai adalah biaya penggantian baterai ketika masa pakai baterai yang lama telah habis. Krause dkk. meneliti bahwa biaya baterai termasuk hambatan finansial bagi seseorang untuk mengadopsi kendaraan listrik [30]. Biaya pengisian adalah biaya listrik untuk menyalakan sepeda motor listrik dibandingkan dengan biaya bensin [31]. Biaya perawatan adalah biaya perawatan rutin sepeda motor listrik, bukan perbaikan karena kecelakaan yang berdampak pada adopsi kendaraan listrik [32]. Faktor Teknologi Kemampuan Mileage adalah jarak terjauh setelah baterai sepeda motor listrik terisi penuh. Zhang dkk. [33] mengatakan bahwa kinerja kendaraan mengacu pada evaluasi konsumen terhadap kendaraan listrik termasuk kapasitas jarak tempuh, daya, waktu pengisian, keamanan, dan masa pakai baterai. Power adalah kecepatan maksimum sepeda motor listrik. Waktu pengisian adalah waktu keseluruhan untuk mengisi penuh sepeda motor listrik. Rasa aman saat mengendarai sepeda motor listrik yang berhubungan dengan suara (dB) menjadi faktor yang ditonjolkan oleh Sovacool et al. [34] menjadi faktor yang mempengaruhi persepsi konsumen terhadap kendaraan listrik. Graham-Rowe dkk. [35] mengatakan bahwa masa pakai baterai dianggap menurun. Faktor Tingkat Makro Ketersediaan infrastruktur stasiun pengisian merupakan hal yang tidak dapat dihindari bagi pengguna sepeda motor listrik. Ketersediaan pengisian daya di tempat umum dinilai penting untuk mendukung adopsi kendaraan listrik. Ketersediaan charging di tempat kerja [15] dan ketersediaan charging di rumah [37] juga dibutuhkan konsumen untuk memenuhi kebutuhan baterai kendaraannya. Krupa dkk. [38] mengatakan bahwa ketersediaan tempat layanan untuk perawatan dan kerusakan rutin berdampak pada adopsi kendaraan listrik. Dia dkk. [15] menyarankan beberapa insentif publik yang sangat diinginkan oleh konsumen di Tianjin seperti memberikan subsidi untuk pembelian sepeda motor listrik, diskon pajak tahunan untuk sepeda motor listrik, dan kebijakan diskon biaya pengisian ketika konsumen perlu mengisi sepeda motor listrik di tempat umum [15]. Regresi Logistik Ordinal Regresi logistik ordinal merupakan salah satu metode statistik yang menggambarkan hubungan antara variabel terikat dengan satu atau lebih variabel bebas, dimana variabel terikat lebih dari 2 kategori dan skala pengukurannya berjenjang atau ordinal [39]. Persamaan 1 adalah model untuk regresi logistik ordinal dan Persamaan 2 menunjukkan fungsi g(x) sebagai persamaan logit. eegxgx P x ( ) ( ) 1 ( ) + = (1) = = + mkjk Xik gx 1 0 ( ) (2) HASIL DAN PEMBAHASAN Kuesioner disebarkan secara online pada Maret – April 2020, melalui Facebook Ads berbayar dengan pengaturan filter area: Jawa Barat, Jawa Timur, DKI Jakarta, Jawa Tengah, Sumatera Utara, Sumatera Barat, Yogyakarta, Sulawesi Selatan, Sumatera Selatan, dan Bali yang mencapai 21.628 pengguna. Total tanggapan yang masuk adalah 1.443 tanggapan, tetapi hanya 1.223 tanggapan yang memenuhi syarat untuk pemrosesan data. Tabel 2 menunjukkan demografi responden. Statistik Deskriptif Tabel 3 menunjukkan statistik deskriptif untuk variabel kuantitatif. Pembebanan potongan biaya, potongan pajak tahunan, dan subsidi harga beli memiliki rata-rata yang lebih tinggi di antara faktor-faktor lainnya. Hal ini menggambarkan bahwa sebagian besar responden menganggap adanya kebijakan intensif yang diberikan pemerintah mampu mendorong mereka untuk mengadopsi sepeda motor listrik. Pada faktor finansial, harga beli dan harga baterai rata-rata lebih rendah dibandingkan faktor lainnya. Hal ini menggambarkan bahwa harga beli sepeda motor listrik dan biaya aki tidak sesuai dengan anggaran sebagian besar responden. Sebagian besar responden menilai harga sepeda motor listrik terlalu mahal jika dibandingkan dengan harga sepeda motor konvensional. Biaya penggantian aki setiap tiga tahun yang mencapai Rp 5.000.000 juga terlalu mahal bagi sebagian besar responden sehingga harga beli dan biaya aki menjadi kendala masyarakat Indonesia untuk mengadopsi sepeda motor listrik. Daya tahan baterai, daya, waktu pengisian memiliki skor rata-rata yang rendah dalam statistik deskriptif tetapi skor rata-rata untuk ketiga faktor ini lebih dari 4. Waktu pengisian yang memakan waktu tiga jam terlalu lama bagi sebagian besar responden. Kecepatan maksimum sepeda motor listrik 70 km/jam dan daya tahan baterai 3 tahun tidak memenuhi kebutuhan responden. Hal ini menggambarkan bahwa sebagian besar responden menganggap performa sepeda motor listrik belum memenuhi standar. Meski responden belum sepenuhnya memercayai performa sepeda motor listrik, EM dapat memenuhi kebutuhan mobilitas sehari-hari. Lebih banyak responden memberikan skor lebih untuk ketersediaan pengisian di rumah dan kantor mereka daripada di tempat umum. Namun kendala yang sering dijumpai adalah daya listrik rumah yang masih dibawah 1300 VA, membuat responden sangat mengharapkan pemerintah dapat membantu menyediakan fasilitas pengisian di rumah. Ketersediaan pengisian di kantor lebih diutamakan daripada di tempat umum karena mobilitas responden setiap hari melibatkan rumah dan kantor. Tabel 4 menunjukkan tanggapan responden terhadap adopsi sepeda motor listrik. Hal ini menunjukkan bahwa 45.626% responden memiliki kemauan yang kuat untuk menggunakan sepeda motor listrik. Hasil ini menunjukkan masa depan yang cerah untuk pangsa pasar sepeda motor listrik. Tabel 4 juga menunjukkan bahwa hampir 55% responden tidak memiliki kemauan yang kuat untuk menggunakan sepeda motor listrik. Hasil menarik dari statistik deskriptif ini menyiratkan bahwa meskipun antusiasme penggunaan sepeda motor listrik masih membutuhkan stimulasi, penerimaan masyarakat terhadap sepeda motor listrik cukup baik. Alasan lain yang mungkin terjadi adalah responden memiliki sikap menunggu dan melihat adopsi sepeda motor listrik atau apakah orang lain menggunakan sepeda motor listrik atau tidak. Data Regresi Logistik Ordinal diolah dan dianalisis untuk menentukan niat adopsi sepeda motor listrik di Indonesia menggunakan regresi logistik ordinal. Variabel terikat dalam penelitian ini adalah kemauan menggunakan sepeda motor listrik (1: sangat tidak mau, 2: tidak mau, 3: ragu-ragu, 4: mau, 5: sangat mau). Metode regresi logistik ordinal dipilih dalam penelitian ini karena variabel terikatnya menggunakan skala ordinal. Data diolah menggunakan software SPSS 25 dengan tingkat kepercayaan 95%. Telah dilakukan uji multikolinearitas untuk menghitung Variance Inflation Factors (VIF) dengan rata-rata VIF sebesar 1,15-3,693 yang berarti tidak terdapat multikolinearitas pada model. Hipotesis yang digunakan dalam regresi logistik ordinal ditunjukkan pada Tabel 5. Tabel 6 menunjukkan hasil uji parsial yang menjadi dasar untuk menolak atau menerima hipotesis regresi logistik ordinal. Tabel 2. Demografi Responden Item Demografi Freq % Item Demografi Freq % Domisili Jawa Barat 345 28,2% Pekerjaan Pelajar 175 14,3% Jawa Timur 162 13,2% Pegawai Negeri Sipil 88 7,2% Jakarta 192 15,7% Pegawai Swasta 415 33,9% Jawa Tengah 242 19,8% Wiraswasta 380 31,1% Sumatera Utara 74 6,1% Lainnya 165 13,5% Yogyakarta 61 5,0% Sulawesi Selatan 36 2,9% Usia 17-30 655 53,6% Bali 34 2,8% 31-45 486 39,7% Sumatera Barat 26 2,1% 46-60 79 6,5% Selatan Sumatera 51 4,2% >60 3 0,2% Status perkawinan Lajang 370 30,3% Pendidikan Terakhir SMP/SMA/SMK 701 57,3% Menikah 844 69,0% Diploma 127 10,4% Lainnya 9 0,7% Sarjana 316 25,8% Jenis Kelamin Laki-laki 630 51,5% Guru 68 5,6 % Perempuan 593 48,5% Doktor 11 0,9% Tingkat pendapatan bulanan 0 154 12,6% Tingkat konsumsi bulanan < Rp 2.000.000 432 35,3% < Rp 2.000.000 226 18,5% Rp2.000.000-5.999.999 640 52,3% Rp 2.000.000-5.999.999 550 45% Rp6.000.000- 9.999.999 121 9,9% Rp 6.000.000-9.999.999 199 16,3% Rp 10.000.000 30 2,5% Rp10.000.000- 19.999.999 71 5,8% I DR 20.000.000 23 1,9% Tabel 3. Statistik Deskriptif untuk Variabel Tingkat Keuangan, Teknologi, dan Makro Variabel Rata-rata Peringkat Rata-rata Peringkat ML7 (disk biaya pengisian) 4,4563 1 ML3 (CS di rumah) 4,1554 9 ML6 (disk pajak tahunan. ) 4.4301 2 ML2 (CS di tempat kerja) 4.1055 10 ML5 (insentif pembelian) 4.4146 3 ML1 (CS di tempat umum) 4.0965 11 TE4 (keselamatan) 4.3181 4 TE5 (daya tahan baterai) 4.0924 12 FI3 (biaya pengisian) 4.2518 5 TE2 (daya ) 4.0597 13 TE1 (kemampuan jarak tempuh) 4.2396 6 TE3 (waktu pengisian) 4.0303 14 ML4 (tempat servis) 4.2142 7 FI1 (biaya pembelian) 3.8814 15 FI4 (biaya perawatan) 4.1980 8 FI2 (biaya baterai) 3.5045 16 Tabel 4. Statistik Deskriptif untuk Niat Adopsi 1: sangat tidak mau 2: tidak mau 3: ragu-ragu 4: mau 5: sangat mau Bersedia menggunakan sepeda motor listrik 0,327% 2,044% 15,863% 36,141% 45,626% Hasil analisis regresi logistik untuk variabel SD1 sampai dengan SD11 yang tergolong ke dalam faktor sosiodemografi menunjukkan hasil bahwa hanya frekuensi berbagi di media sosial (SD9) dan tingkat kepedulian lingkungan (SD11) berpengaruh signifikan terhadap intensi sepeda motor listrik di Indonesia. Nilai signifikan untuk variabel kualitatif status perkawinan adalah 0,622 untuk lajang dan 0,801 untuk menikah. Nilai tersebut tidak mendukung Hipotesis 1. Status perkawinan tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik karena nilai signifikan lebih dari 0,05. Nilai signifikan untuk usia adalah 0,147 sehingga usia tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai perkiraan untuk usia -0,168 tidak mendukung Hipotesis 2. Tanda negatif berarti semakin tinggi usia, semakin rendah niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk variabel kualitatif jenis kelamin (0,385) tidak mendukung Hipotesis 3. Jenis kelamin tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk tingkat pendidikan terakhir (0,603) tidak mendukung Hipotesis 4. Jadi, pendidikan terakhir tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai estimasi untuk tingkat pendidikan terakhir sebesar 0,036 artinya bertanda positif artinya semakin tinggi tingkat pendidikan semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk variabel kualitatif pekerjaan adalah 0,487 untuk mahasiswa, 0,999 untuk pegawai negeri sipil, 0,600 untuk pegawai swasta, dan 0,480 untuk wiraswasta tidak mendukung Hipotesis 5. Pekerjaan tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. UTAMI ET AL. /JOURNAL TENTANG OPTIMASI SISTEM DI INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami dkk. 75 Tabel 5. Hipotesis Hipotesis Sosial-H1: status perkawinan berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. Demo- H2: umur berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. grafik H3: jenis kelamin berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H4 : Tingkat pendidikan terakhir berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H5 : Pekerjaan berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H6 : Tingkat konsumsi bulanan berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H7 : Tingkat pendapatan bulanan berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H8 : Jumlah kepemilikan sepeda motor berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H9: Frekuensi sharing di media sosial berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H10: Ukuran jejaring sosial online berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H11: Kesadaran lingkungan berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. Finansial H12: harga beli berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H13: biaya baterai berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H14: biaya pengisian berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H15: Biaya perawatan berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H16: Kemampuan jarak tempuh berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H17: power berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. Techno- H18: waktu pengisian berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. logis H19: keselamatan berpengaruh positif signifikan terhadap niat mengadopsi sepeda motor listrik. H20: Daya tahan baterai berpengaruh signifikan positif terhadap niat mengadopsi sepeda motor listrik. H21: Ketersediaan infrastruktur stasiun pengisian di tempat umum berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H22: Ketersediaan infrastruktur stasiun pengisian di tempat kerja berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. Macrolevel H23: Ketersediaan infrastruktur stasiun pengisian di rumah berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H24: Ketersediaan tempat servis berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H25: Kebijakan insentif pembelian berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H26: Kebijakan diskon pajak tahunan berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. H27: Kebijakan diskon biaya pengisian berpengaruh positif signifikan terhadap niat adopsi sepeda motor listrik. Tabel 6. Hasil Uji Regresi Logistik Parsial Nilai Var Nilai Sig Var Nilai Sig SD1:lajang 0,349 0,622 TE1 0,146 0,069 SD1:kawin 0,173 0,801 TE2 0,167 0,726 SD1:lain-lain 0 TE3 0,240 0,161 SD2 -0,168 0,147 TE4 -0,005 0,013* SD3:laki-laki 0,117 0,385 TE5 0,068 0,765 SD3:perempuan 0 ML1 -0,127 0,022* SD5:siswa -0,195 0,487 ML2 0,309 0,000* SD5:civ. serv 0,0000 0,999 ML3 0,253 0,355 SD5:priv. emp -0.110 0.6 ML4 0.134 0.109 SD5:entrepr 0.147 0.48 ML5 0.301 0.017* SD5:others 0 ML6 -0.059 0.107 SD6 0.227 0.069 ML7 0.521 0.052 SD7 0.032 0.726 TE1 0.146 0.004* SD8 0.180 0.161 TE2 0.111 0.062. SD10 0.016 0.765 TE4 -0.005 0.254 SD11 0.226 0.022* TE5 0.068 0.007* FI1 0.348 0.000* ML1 -0.127 0.009* FI2 -0.069 0.355 ML2 0.309 0.181 FI3 0.136 0.109 ML3 0.253 0.017* FI4 0.193 0.034 tingkat kepercayaan Nilai signifikan untuk tingkat konsumsi bulanan (0,069) tidak mendukung Hipotesis 6, tingkat konsumsi bulanan tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai perkiraan untuk tingkat konsumsi bulanan sebesar 0,227, tanda positif berarti semakin tinggi tingkat pengeluaran bulanan semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk tingkat pendapatan bulanan (0,726) tidak mendukung Hipotesis 7, tingkat pendapatan bulanan tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai estimasi untuk tingkat pendapatan bulanan adalah 0,032, tanda positif berarti semakin tinggi tingkat pendapatan bulanan semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikansi jumlah kepemilikan sepeda motor (0,161) tidak mendukung Hipotesis 8, jumlah kepemilikan sepeda motor tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi untuk tingkat kepemilikan sepeda motor sebesar 0,180, bertanda positif berarti semakin banyak jumlah sepeda motor yang dimiliki maka semakin tinggi pula niat untuk mengadopsi sepeda motor listrik. Nilai signifikansi frekuensi berbagi di media sosial (0,013) mendukung Hipotesis 9, frekuensi berbagi di media sosial berpengaruh signifikan terhadap niat adopsi sepeda motor listrik karena nilai signifikansinya lebih kecil dari 0,05. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 76 Utami dkk. DOI: 10.25077/josi.v19.n1.p70-81.2020 Nilai estimasi frekuensi berbagi di media sosial adalah 0,111, tanda positif berarti semakin tinggi frekuensi berbagi seseorang di media sosial, semakin tinggi kemungkinan adopsi listrik sepeda motor. Nilai signifikan untuk ukuran jejaring sosial online (0,765) tidak mendukung Hipotesis 10, ukuran jangkauan jejaring sosial tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor. Nilai estimasi jumlah orang yang dijangkau di jejaring sosial adalah 0,016, tanda positif berarti semakin tinggi ukuran jejaring media sosial semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk tingkat kesadaran lingkungan (0,022) mendukung Hipotesis 11, tingkat kepedulian lingkungan berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi untuk tingkat kesadaran lingkungan adalah 0,226, tanda positif berarti semakin tinggi tingkat kepedulian lingkungan yang dimiliki seseorang maka semakin tinggi pula niat untuk mengadopsi sepeda motor listrik. Hasil analisis regresi logistik untuk variabel FI1 hingga FI4 yang termasuk dalam faktor finansial menunjukkan hasil bahwa harga beli (FI1) dan biaya perawatan (FI4) berpengaruh signifikan terhadap intensi sepeda motor listrik di Indonesia. Nilai signifikan untuk harga beli (0,00) mendukung Hipotesis 12, harga beli berpengaruh signifikan terhadap niat adopsi sepeda motor listrik.Nilai estimasi harga beli sebesar 0,348, bertanda positif berarti semakin sesuai harga beli sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk biaya baterai (0,355) tidak mendukung Hipotesis 13, biaya baterai tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai signifikan untuk biaya pengisian (0,109) tidak mendukung Hipotesis 14, biaya pengisian tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi biaya pengisian adalah 0,136, bertanda positif berarti semakin tepat biaya pengisian sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk biaya perawatan (0,017) tidak mendukung Hipotesis 15, biaya perawatan berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi biaya perawatan sebesar 0,193, bertanda positif berarti semakin tepat biaya perawatan sepeda motor listrik seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Hasil analisis regresi logistik untuk variabel TE1 sampai dengan TE5 yang termasuk dalam faktor teknologi menunjukkan hasil bahwa waktu pengisian baterai (TE3) berpengaruh signifikan terhadap niat adopsi sepeda motor listrik di Indonesia. Nilai signifikan untuk kemampuan jarak tempuh (0,107) tidak mendukung Hipotesis 16, kemampuan jarak tempuh tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi jarak tempuh maksimum adalah 0,146, tanda positif berarti semakin tepat jarak tempuh maksimum sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk variabel bebas daya atau kecepatan maksimum (0,052) tidak mendukung Hipotesis 17, kecepatan maksimum tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi daya atau kecepatan maksimum adalah 0,167, tanda positif berarti semakin sesuai kecepatan maksimum sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan waktu pengisian (0,004) mendukung Hipotesis 18, waktu pengisian berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Estimasi nilai waktu pengisian adalah 0,240, tanda positif berarti semakin tepat kecepatan maksimal sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk keselamatan (0,962) tidak mendukung Hipotesis 19, keselamatan tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi untuk keselamatan adalah -0,005, tanda negatif berarti semakin aman seseorang menggunakan sepeda motor listrik maka semakin rendah niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk daya tahan baterai (0,424) tidak mendukung Hipotesis 20, daya tahan baterai tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi umur baterai adalah 0,068, tanda positif berarti semakin sesuai umur baterai sepeda motor listrik maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Hasil analisis regresi logistik untuk variabel ML1 hingga ML7 yang termasuk ke dalam faktor level makro menunjukkan hasil bahwa hanya membebankan ketersediaan di tempat kerja (ML2), membebankan ketersediaan di tempat tinggal (ML3), dan membebankan kebijakan diskon biaya (ML7) yang berpengaruh signifikan terhadap niat adopsi sepeda motor listrik di Indonesia. Nilai signifikan untuk ketersediaan pengisian di tempat umum (0,254) tidak mendukung Hipotesis 21, ketersediaan pengisian di tempat umum tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai signifikan untuk ketersediaan pengisian di tempat kerja (0,007) mendukung Hipotesis 22, ketersediaan pengisian di tempat kerja berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai signifikansi ketersediaan charging di rumah (0,009) mendukung Hipotesis 22, ketersediaan charging di rumah berpengaruh signifikan terhadap niat adopsi sepeda motor. Nilai signifikan untuk ketersediaan tempat servis (0,181) tidak mendukung Hipotesis 24, ketersediaan tempat servis tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan insentif pembelian (0,017) mendukung Hipotesis 25, kebijakan insentif pembelian berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan diskon pajak tahunan (0,672) tidak mendukung Hipotesis 26, kebijakan insentif diskon pajak tahunan tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan diskon biaya pengisian (0,00) mendukung Hipotesis 27, kebijakan insentif diskon biaya pengisian berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Berdasarkan hasil dari faktor tingkat makro, adopsi sepeda motor listrik dapat terwujud jika stasiun pengisian di tempat kerja, stasiun pengisian di tempat tinggal, dan kebijakan diskon biaya pengisian siap diakses oleh konsumen. Secara keseluruhan, frekuensi berbagi di media sosial, tingkat kesadaran lingkungan, harga beli, biaya perawatan, kecepatan maksimum sepeda motor listrik, waktu pengisian baterai, ketersediaan infrastruktur stasiun pengisian di tempat kerja, ketersediaan infrastruktur pengisian berbasis listrik rumah, UTAMI ET AL. /JOURNAL TENTANG OPTIMASI SISTEM DI INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami dkk. 77 kebijakan insentif pembelian, dan kebijakan insentif diskon biaya pengisian secara signifikan mempengaruhi niat untuk mengadopsi kendaraan listrik. Model Persamaan dan Fungsi Probabilitas Persamaan 3 merupakan persamaan logit untuk pilihan jawaban “sangat tidak mau” mengadopsi sepeda motor listrik. = = + 27 1 01 ( 1| ) kg Y Xn k Xik (3) Persamaan 4 adalah persamaan logit untuk pilihan jawaban “tidak mau” mengadopsi sepeda motor listrik. = = + 27 1 02 ( 2 | ) kg Y Xn k Xik (4) Persamaan 5 merupakan persamaan logit untuk pilihan jawaban “keraguan” untuk mengadopsi sepeda motor listrik. = = + 27 1 03 ( 3| ) kg Y Xn k Xik (5) Persamaan 6 adalah persamaan logit untuk pilihan jawaban “mau” mengadopsi sepeda motor listrik. = = + 27 1 04 ( 4 | ) kg Y Xn k Xik (6) Fungsi probabilitas niat adopsi sepeda motor listrik ditunjukkan pada Persamaan 7 hingga Persamaan 11. Persamaan 7 adalah fungsi peluang untuk pilihan jawaban “ sangat tidak mau” mengadopsi sepeda motor listrik. eenng YX g YXP Xn PY Xn ( 1| ) ( 1| ) 1 1 ( ) ( 1| )  + = = (7) Persamaan 8 adalah fungsi probabilitas untuk pilihan jawaban “tidak mau” mengadopsi sepeda motor listrik. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 1| ) ( 1| ) ( 2| ) ( 2| ) 2 1 1 ( 2 | ) ( 1| ) ( ) ( 2 | )   + + = = − = = = (8) Persamaan 9 adalah fungsi probabilitas untuk pilihan jawaban “keragu-raguan” untuk mengadopsi sepeda motor listrik. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 2| ) ( 2| ) ( 3| ) ( 3| ) 3 1 1 ( 3 | ) ( 2 | ) ( ) ( 3 | ) + + = = = = (9) Persamaan 10 adalah fungsi peluang untuk pilihan jawaban “mau” mengadopsi sepeda motor listrik. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 3| ) ( 3| ) ( 4| ) ( 4| ) 4 1 1 ( 4 | ) ( 3 | ) ( ) ( 4 | )  + + = = = = (10) Persamaan 11 adalah fungsi peluang untuk pilihan jawaban “sangat bersedia” mengadopsi sepeda motor listrik. eenng YX g YX nnn PYXPXPYX ( 4| ) ( 4| ) 5 1 1 1 ( 4 | ) ( ) ( 5 | )  + = = = = (11) Probabilitas Niat Adopsi Persamaan regresi logistik ordinal maka diterapkan pada sampel jawaban responden. Tabel 8 menunjukkan karakteristik dan jawaban sampel. Maka peluang untuk menjawab setiap kriteria pada variabel terikat dihitung berdasarkan Persamaan 7 – 11. Sampel responden yang memiliki jawaban seperti pada Tabel 7 memiliki peluang sebesar 0,0013 untuk sangat tidak mau menggunakan sepeda motor listrik, peluang sebesar 0,0114 untuk tidak mau menggunakan sepeda motor listrik, peluang 0,1788 untuk ragu menggunakan sepeda motor listrik, 0,563 untuk bersedia menggunakan sepeda motor listrik, dan 0,2455 untuk sangat bersedia menggunakan sepeda motor listrik. Probabilitas adopsi sepeda motor listrik untuk 1.223 responden juga dihitung dan nilai rata-rata probabilitas jawaban sangat tidak mau menggunakan sepeda motor listrik adalah 0,0031, tidak mau menggunakan sepeda motor listrik 0,0198, ragu-ragu menggunakan sepeda motor listrik 0,1482, bersedia menggunakan sepeda motor listrik. sepeda motor listrik sebesar 0,3410, dan sangat bersedia menggunakan sepeda motor listrik sebesar 0,4880. Jika peluang mau dan sangat berkeinginan dijumlahkan, maka peluang masyarakat Indonesia untuk mengadopsi sepeda motor listrik mencapai 82,90%. Rekomendasi untuk Bisnis dan Pembuat Kebijakan Dalam analisis regresi logistik ordinal, frekuensi berbagi di media sosial merupakan faktor signifikan yang mempengaruhi niat mengadopsi sepeda motor listrik. Pentingnya media sosial sebagai wadah masyarakat untuk memperoleh informasi tentang sepeda motor listrik akan mempengaruhi kemauan untuk mengadopsi sepeda motor listrik. Pemerintah dan pengusaha dapat mencoba memanfaatkan sumber daya ini, misalnya pengusaha dapat melakukan promosi melalui bonus atau apresiasi kepada konsumen yang telah membeli sepeda motor listrik dan membagikan hal-hal positif terkait sepeda motor listrik di media sosial mereka. Cara ini dapat merangsang orang lain untuk menjadi pengguna baru sepeda motor listrik. Pemerintah dapat mensosialisasikan atau memperkenalkan sepeda motor listrik kepada masyarakat melalui media sosial untuk memotivasi masyarakat beralih dari sepeda motor konvensional ke sepeda motor listrik. Penelitian ini membuktikan seberapa signifikan pengaruh faktor tingkat makro terhadap adopsi sepeda motor listrik di Indonesia. Pada analisis regresi logistik ordinal, ketersediaan infrastruktur charging station di tempat kerja, ketersediaan infrastruktur charging station di rumah, kebijakan insentif pembelian, dan diskon biaya charging berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 78 Utami dkk. DOI : 10.25077/josi.v19.n1.p70-81.2020 Tabel 7. Contoh Jawaban Responden Variabel Kode Jawaban Nilai Status Perkawinan Menikah X1b 2 Umur 31-45 X2 2 Jenis Kelamin Laki-laki X3a 1 Pendidikan Terakhir Magister X4 4 Pekerjaan Pegawai Swasta X5c 3 Bulanan tingkat konsumsi Rp2.000.000-5.999.999 X6 2 Tingkat pendapatan bulanan Rp. 6.000.000-9.999.999 X7 3 Jumlah kepemilikan sepeda motor 2 X8 3 Frekuensi sharing di media sosial Beberapa kali/bulan X9 4 Ukuran jejaring sosial online 100-500 orang X10 2 Kesadaran lingkungan 1 X11 1 Harga beli 3 X12 3 Biaya baterai 3 X13 3 Biaya pengisian daya 3 X13 3 Biaya perawatan 5 X14 5 Kemampuan jarak tempuh 4 X15 4 Daya 5 X16 5 Waktu pengisian daya 4 X17 4 Keamanan 5 X18 5 Masa pakai baterai 4 X19 4 Ketersediaan stasiun pengisian daya di tempat umum 4 X20 4 Ketersediaan stasiun pengisian daya di tempat kerja 4 X21 4 Ketersediaan stasiun pengisian di rumah 4 X22 4 Ketersediaan tempat layanan 2 X23 2 Kebijakan insentif pembelian 5 X24 5 Kebijakan diskon pajak tahunan 5 X25 5 Kebijakan diskon biaya pengisian 5 X26 5 Biaya pengisian 5 X27 5 Biaya pemeliharaan 3 X13 3 Jarak tempuh kapabilitas 5 X14 5 Daya 4 X15 4 Waktu pengisian 5 X16 5 Sebagian besar responden menganggap ketersediaan infrastruktur stasiun pengisian di rumah, tempat kerja dan tempat umum berpengaruh signifikan terhadap adopsi sepeda motor listrik. Pemerintah dapat mengatur pemasangan infrastruktur stasiun pengisian di tempat-tempat umum untuk mendukung adopsi sepeda motor listrik. Pemerintah juga dapat bekerja sama dengan dunia usaha untuk mewujudkan hal tersebut. Dalam membangun indikator tingkat makro, penelitian ini mengusulkan beberapa opsi kebijakan insentif. Kebijakan insentif yang paling signifikan menurut survei adalah kebijakan insentif pembelian dan kebijakan insentif diskon biaya yang dapat dipertimbangkan oleh pemerintah untuk mendukung adopsi sepeda motor listrik di Indonesia. Pada faktor finansial, harga beli berpengaruh signifikan terhadap niat membeli sepeda motor listrik. Inilah alasan mengapa insentif untuk subsidi pembelian juga secara signifikan berdampak pada niat adopsi. Biaya perawatan sepeda motor listrik yang lebih murah dibandingkan sepeda motor konvensional berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Oleh karena itu ketersediaan layanan yang memenuhi kebutuhan konsumen akan semakin mendorong niat untuk mengadopsi sepeda motor listrik karena sebagian besar pengguna tidak mengetahui komponen-komponen pada sepeda motor listrik sehingga membutuhkan teknisi yang terampil jika terjadi kerusakan. Performa sepeda motor listrik telah memenuhi kebutuhan konsumen untuk memenuhi mobilitas sehari-hari. Kecepatan maksimal sepeda motor listrik dan waktu pengisian mampu memenuhi standar yang diinginkan konsumen. Namun, performa sepeda motor yang lebih baik seperti peningkatan keselamatan, daya tahan baterai, dan jarak tempuh yang lebih jauh tentu akan meningkatkan niat untuk mengadopsi sepeda motor listrik. Selain meningkatkan investasi teknologi, pemerintah dan dunia usaha juga harus meningkatkan sistem evaluasi keselamatan dan keandalan sepeda motor listrik untuk meningkatkan kepercayaan masyarakat. Bagi pelaku bisnis, mengedepankan kualitas dan performa merupakan salah satu cara paling efektif untuk meningkatkan antusiasme konsumen terhadap sepeda motor listrik. Konsumen yang berusia lebih muda dan memiliki tingkat pendidikan yang lebih tinggi dapat dijadikan sasaran sebagai early adopter untuk menjadi pengaruh karena sudah memiliki sikap yang lebih optimis dan memiliki jaringan yang luas. Segmentasi pasar dapat dicapai dengan meluncurkan model khusus untuk konsumen yang ditargetkan. Selain itu, responden dengan kesadaran lingkungan yang lebih tinggi lebih cenderung ingin mengadopsi sepeda motor. UTAMI ET AL. /JOURNAL TENTANG OPTIMASI SISTEM DI INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami dkk. 79 KESIMPULAN Pergeseran dari sepeda motor konvensional ke sepeda motor listrik dapat menjadi solusi terbaik untuk mengatasi masalah tingginya kadar CO2 di Indonesia. Pemerintah Indonesia juga menyadari dan telah turun tangan dengan menetapkan berbagai kebijakan terkait kendaraan listrik di Indonesia. Namun kenyataannya, adopsi kendaraan listrik di Indonesia masih sangat awal bahkan jauh dari target yang ditetapkan pemerintah. Lingkungan yang tidak mendukung adopsi sepeda motor listrik seperti tidak adanya regulasi yang lebih detail dan minimnya infrastruktur pendukung menyebabkan rendahnya adopsi kendaraan listrik di Indonesia. Penelitian ini mensurvei 1.223 responden dari 10 provinsi yang memiliki total 80% dari total distribusi penjualan sepeda motor di Indonesia untuk mengetahui faktor-faktor signifikan yang mempengaruhi niat adopsi sepeda motor listrik di Indonesia dan mengetahui fungsi probabilitasnya. Meskipun mayoritas responden sangat menyukai sepeda motor listrik dan ingin memiliki sepeda motor listrik di masa depan, namun minat mereka untuk mengadopsi sepeda motor listrik saat ini relatif rendah. Responden tidak ingin menggunakan sepeda motor listrik saat ini karena berbagai alasan seperti kurangnya infrastruktur dan kebijakan. Banyak responden yang memiliki sikap menunggu dan memandang terhadap adopsi sepeda motor listrik, dengan faktor finansial, faktor teknologi, dan level makro yang harus mengikuti tuntutan konsumen. Penelitian ini membuktikan seberapa signifikan frekuensi berbagi di media sosial, tingkat kesadaran lingkungan, harga beli, biaya perawatan, kecepatan maksimum sepeda motor listrik, waktu pengisian baterai, ketersediaan infrastruktur stasiun pengisian di tempat kerja, ketersediaan infrastruktur pengisian rumah, kebijakan insentif pembelian, dan kebijakan insentif potongan harga dalam mendukung adopsi sepeda motor listrik di Indonesia. Pemerintah perlu mendukung penyediaan infrastruktur stasiun pengisian dan pembuatan kebijakan insentif untuk mempercepat adopsi sepeda motor listrik di Indonesia. Faktor teknologi seperti jarak tempuh dan daya tahan baterai perlu diperhatikan oleh produsen untuk ditingkatkan guna mendukung adopsi sepeda motor listrik. Faktor keuangan seperti harga pembelian dan biaya baterai perlu menjadi perhatian bisnis dan pemerintah. Pemanfaatan jejaring sosial secara maksimal harus dilakukan untuk memperkenalkan sepeda motor listrik kepada masyarakat. Komunitas di usia muda dapat berpromosi sebagai early adopter karena memiliki jaringan media sosial yang luas. Realisasi adopsi sepeda motor listrik di Indonesia membutuhkan kesiapan infrastruktur dan biaya yang dapat diterima konsumen. Hal tersebut telah mampu dilaksanakan oleh pemerintah melalui komitmen pemerintah yang kuat di beberapa negara yang telah berhasil melakukan substitusi kendaraan konvensional. Penelitian selanjutnya akan difokuskan untuk menemukan kebijakan yang tepat untuk mempercepat adopsi sepeda motor listrik di Indonesia. REFERENSI [1] Indonesia. Badan Pusat Statistik; Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis 1949-2018, 2019 [Online]. Tersedia: bps.go.id. [2] Asosiasi Industri Sepeda Motor Indonesia: Statistik Distribusi dan Ekspor Domestik, 2020. [Online]. https://www.aisi.or.id/statistic. [Diakses: Maret. 20, 2020]. [3] G. Samosir, Y. Devara, B. Florentina, dan R. Siregar, “Kendaraan listrik di Indonesia: jalan menuju transportasi berkelanjutan”, Solidiance: Market Report, 2018. [4] W. Sutopo, RW Astuti, A. Purwanto, dan M. Nizam, “Model komersialisasi teknologi baru baterai lithium ion: Studi kasus untuk kendaraan listrik pintar”, Prosiding Konferensi Internasional Bersama 2013 tentang Teknologi Informasi dan Komunikasi Pedesaan dan Teknologi Kendaraan Listrik, rICT dan ICEV -T 2013, 6741511.https://doi.org/10.1109/rICTICeVT.2013.6741511. [5] M. Catenacci, G. Fiorese, E. Verdolini, dan V. Bosetti, “Going electric: Survei ahli tentang masa depan teknologi baterai untuk kendaraan listrik. Dalam Innovation under Uncertainty,” dalam Edward Elgar Publishing, 93. Amsterdam: Elsevier, 2015. [6] M. Weiss, P. Dekker, A. Moro, H. Scholz, dan MK Patel, “Pada elektrifikasi transportasi jalan– tinjauan kinerja lingkungan, ekonomi, dan sosial dari kendaraan roda dua listrik,” Penelitian Transportasi Bagian D: Transportasi dan Lingkungan, vol. 41, hlm. 348-366, 2015. https://doi.org/10.1016/j.trd.2015.09.007. [7] M. Nizam, “Produksi Kit Konversi Kendaraan Listrik Berbasis Baterai Untuk Sepeda Motor Roda Dua Dan Roda Tiga,” Laporan Akhir Hibah PPTI, Badan Pengelola Usaha Universitas Sebelas Maret 2019. [8] MNA Jodinesa, W. Sutopo, and R. Zakaria, “Analisis Rantai Markov untuk Mengidentifikasi Prediksi Pangsa Pasar Teknologi Baru: Studi Kasus Sepeda Motor Konversi Listrik di Surakarta, Indonesia”, AIP Conference Proceedings, vol. 2217(1), hlm. 030062), 2020. AIP Publishing LLC. [9] W. Sutopo dan EA Kadir, “Standar Indonesia Sel Baterai Lithium-ion Ferro Phosphate untuk Aplikasi Kendaraan Listrik”, Jurnal Teknik Elektro Indonesia TELKOMNIKA, vol. 15(2), hlm. 584-589, 2017. https://doi.org/10.12928/telkomnika.v15i2.6233. [10] B. Rahmawatie, W. Sutopo, F. Fahma, M. Nizam, A. Purwanto, BB Louhenapessy, dan ABMulyono, “Merancang kerangka standarisasi dan persyaratan pengujian sistem manajemen baterai untuk aplikasi kendaraan listrik”, Prosiding – 4 Konferensi Internasional tentang Teknologi Kendaraan Listrik, hal. 7-12, 2018. https://doi.org/10.1109/ICEVT.2017.8323525. [11] W. Sutopo, M. Nizam, B. Rahmawatie, dan F. Fahma, “A Review of Electric Vehicles Charging Standard Development: Study Case in Indonesia”, Proceeding – 2018 5th International Conference on Electric Vehicular Technology, vol. 8628367, hlm. 152-157, 2018. https://doi.org/10.1109/ICEVT.2018.8628367. [12] Gaikindo: Tahun 2040 Indonesia Stop Mobil Berbahan Bakar Minyak, 2017. [Online]. gaikindo.or.id. [Diakses: Maret. 20, 2020]. [13] S. Goldenberg, ” Indonesia to Cut Carbon Emissions by 29% by 2030″, the Guardian, 2015. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 80 Utami dkk. DOI: 10.25077/josi.v19.n1.p70-81.2020 [14] YN Sang dan HA Bekhet, ” Memodelkan Niat Penggunaan Kendaraan Listrik: Sebuah Studi Empiris di Malaysia,” Journal of Cleaner Production, vol. 92, hlm. 75-83, 2015. https://doi.org/10.1016/j.jclepro.2014.12.045. [15] ZY She, Q. Sun, JJ Ma, dan BC Xie, “Apa Hambatan untuk Menyebarluaskan Adopsi Kendaraan Listrik Berbaterai? A Survey of Public Perception in Tianjin, China,” Journal of Transport Policy, vol. 56, hlm. 29-40, 2017. https://doi.org/10.1016/j.tranpol.2017.03.001. [16] N. Berkeley, D. Jarvis, dan A. Jones, "Menganalisis penggunaan kendaraan listrik baterai: Investigasi hambatan di antara pengemudi di Inggris," Penelitian Transportasi Bagian D: Transportasi dan Lingkungan, vol. 63, hlm. 466-481, 2018. https://doi.org/10.1016/j.trd.2018.06.016. [17] C. Zhuge dan C. Shao, “Investigating the Factors Influencing the Uptake of Electric Vehicles in Beijing, China: Statistical and Spatial Perspectives,” Journal of Cleaner Production, vol. 213, hlm. 199-216, 2019. https://doi.org/10.1016/j.jclepro.2018.12.099. [18] A. Widardjono, Analisis Multivariat Terapan dengan Program SPSS, AMOS, dan SMARTPLS (2nd Ed). Yogyakarta: UPP STIM YKPN, 2015. [19] T. Laukkanen, “Keputusan adopsi versus penolakan konsumen dalam inovasi layanan yang tampaknya serupa: Kasus Internet dan mobile banking”, Journal of Business Research, vol. 69(7), hlm. 2432–2439, 2016. https://doi.org/10.1016/j.jbusres.2016.01.013. [20] V. Vasseur dan R. Kemp, "Adopsi PV di Belanda: Analisis statistik faktor adopsi", Ulasan Energi Terbarukan dan Berkelanjutan, vol. 41, hlm. 483–494, 2015. https://doi.org/10.1016/j.rser.2014.08.020. [21] MP Gagnon, E. Orruño, J. Asua, AB Abdeljelil dan J. Emparanza, “Menggunakan Model Penerimaan Teknologi yang Dimodifikasi untuk Mengevaluasi Penerapan Sistem Telemonitoring Baru oleh Profesional Kesehatan”, Telemedicine dan e-Health, vol. 18(1), hlm. 54–59, 2012. https://doi.org/10.1089/tmj.2011.0066. [22] N. Phaphoom, X. Wang, S. Samuel, S. Helmer, dan P. Abrahamsson, "Sebuah studi survei tentang hambatan teknis utama yang mempengaruhi keputusan untuk mengadopsi layanan cloud", Journal of Systems and Software, vol. 103, hlm. 167–181, 2015. https://doi.org/10.1016/j.jss.2015.02.002. [23] MWD Utami, AT Haryanto, dan W. Sutopo, “Analisis Persepsi Konsumen Kendaraan Mobil Listrik di Indonesia”, AIP Conference Proceedings (Vol. 2217, No. 1, p. 030058), 2020. AIP Publishing LLC [24 ] Yuniaristanto, DEP Wicaksana, W. Sutopo, dan M. Nizam, “Usulan komersialisasi teknologi proses bisnis: Studi kasus inkubasi teknologi mobil listrik”, Prosiding Konferensi Internasional 2014 tentang Teknik Elektro dan Ilmu Komputer, ICEECS, 7045257, hlm. 254-259. https://doi.org/10.1109/ICEECS.2014.7045257. [25] MA Bujang, N. Sa'at, dan TM Bakar, "Pedoman ukuran sampel untuk regresi logistik dari studi observasional dengan populasi besar: penekanan pada akurasi antara statistik dan parameter berdasarkan data klinis kehidupan nyata", The Malaysian journal of ilmu kedokteran: MJMS, vol. 25(4), hlm. 122, 2018. https://doi.org/10.21315/mjms2018.25.4.12. [26] E. Radjab and A. Jam'an, “Metodologi Penelitian Bisnis”, Makasar: Lembaga Perpustakaan dan Penerbitan Universitas Muhammadiyah Makasar, 2017. [27] T. Eccarius and CC Lu, ” Kendaraan roda dua bertenaga untuk mobilitas berkelanjutan: Sebuah tinjauan tentang adopsi konsumen terhadap sepeda motor listrik”, International Journal of Sustainable Transportation, vol. 15(3), hlm. 215-231, 2020. https://doi.org/10.1080/15568318.2018.1540735. [28] S. Habich-Sobiegalla, G. Kostka, dan N. Anzinger, "Niat pembelian kendaraan listrik warga negara Cina, Rusia dan Brasil: Sebuah studi perbandingan internasional", Jurnal produksi bersih, vol. 205, hlm. 188- 200, 2018. https://doi.org/10.1016/j.jclepro.2018.08.318. [29] W. Sierzchula, S. Bakker, K. Maat, dan B. Van Wee, "Pengaruh insentif keuangan dan faktor sosial ekonomi lainnya pada adopsi kendaraan listrik", Kebijakan Energi, vol. 68, hlm. 183–194, 2014. https://doi.org/10.1016/j.enpol.2014.01.043. [30] RM Krause, SR Carley, BW Lane, dan JD Graham, "Persepsi dan realitas: pengetahuan publik tentang kendaraan listrik plug-in di 21 kota AS", Kebijakan Energi, vol. 63, hlm. 433–440, 2013. https://doi.org/10.1016/j.enpol.2013.09.018. [31] D. Browne, M. O'Mahony, dan B. Caulfield, "Bagaimana seharusnya hambatan untuk bahan bakar dan kendaraan alternatif diklasifikasikan dan kebijakan potensial untuk mempromosikan teknologi inovatif dievaluasi?", Journal of Cleaner Production, vol. 35, hlm. 140–151, 2012. https://doi.org/10.1016/j.jclepro.2012.05.019. [32] O. Egbue dan S. Long, "Hambatan untuk adopsi kendaraan listrik: analisis sikap dan persepsi konsumen", Journal of Energy Policy, vol. 48, hlm. 717– 729, 2012. https://doi.org/10.1016/j.enpol.2012.06.009. [33] X. Zhang, K. Wang, Y. Hao, JL Fan, dan YM Wei, “Dampak kebijakan pemerintah pada preferensi untuk NEV: bukti dari China”, Kebijakan Energi, vol. 61, hlm. 382–393, 2013. https://doi.org/10.1016/j.enpol.2013.06.114. [34] BK Sovacool dan RF Hirsh, "Di luar baterai: pemeriksaan manfaat dan hambatan untuk kendaraan listrik hibrida plug-in (PHEVs) dan transisi kendaraan-ke-jaringan (V2G)", Kebijakan Energi, vol. 37, hlm. 1095-1103, 2009. https://doi.org/10.1016/j.enpol.2008.10.005. [35] E. Graham-Rowe, B. Gardner, C. Abraham, S. Skippon, H. Dittmar, R. Hutchins, dan J. Stannard, “Konsumen arus utama yang mengendarai plug-in baterai-listrik dan mobil listrik hibrida plugin: analisis kualitatif dari tanggapan dan evaluasi”, Transp. Res. Bagian A: Praktik Kebijakan., vol. 46, hlm. 140–153, 2012. https://doi.org/10.1016/j.tra.2011.09.008. [36] AF Jensen, E. Cherchi, dan SL Mabit, “Konsumen arus utama yang mengendarai mobil listrik plug-in baterai-listrik dan plug-in hybrid: analisis kualitatif dari tanggapan dan evaluasi”, Transp. Res. Bagian D: Transp. Lingkungan, vol. 25, hlm. 24-32, 2013. [Online]. Tersedia: ScienceDirect. [37] ND Caperello dan KS Kurani, “Cerita rumah tangga tentang pertemuan mereka dengan kendaraan listrik hibrida plugin”, Environ. Perilaku, vol. 44, hlm. 493–508, 2012. https://doi.org/10.1177/0013916511402057. [38] JS Krupa, DM Rizzo, MJ Eppstein, D. Brad-Lanute, DE Gaalema, K. Lakkaraju, dan CE Warrender, “Kisah rumah tangga tentang pertemuan mereka dengan kendaraan listrik hibrida plugin”, Analisis survei konsumen tentang UTAMI ET AL. /JOURNAL TENTANG OPTIMASI SISTEM DI INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami dkk. 81 kendaraan listrik hibrida plug-in. terjemahan Res. Bagian A: Praktik Kebijakan., vol. 64, hlm. 14–31, 2014. https://doi.org/10.1016/j.tra.2014.02.019. [39] DW Hosmer dan S. Lemeshow, “Regresi Logistik Terapan. Edisi Kedua”, New York: John Willey & Sons, 2000. https://doi.org/10.1002/0471722146. NOMENKLATUR j kategori variabel dependen (j = 1, 2, 3, 4, 5) k kategori variabel independen (k = 1, 2, 3, …, m) i kategori variabel independen kualitatif n urutan responden 0j mencegat setiap jawaban dependen variabel Xk variabel bebas kuantitatif Xik variabel bebas kuantitatif Xik variabel bebas Y variabel terikat Pj(Xn) peluang masing-masing kategori variabel bebas untuk setiap responden PENULIS BIOGRAFI Martha Widhi Dela Utami Martha Widhi Dela Utami adalah mahasiswa S1 Jurusan Teknik Industri Universitas Sebelas Maret. Dia milik Laboratorium Logistik dan Sistem Bisnis. Minat penelitiannya adalah logistik & manajemen rantai pasokan dan riset pasar. Dia menerbitkan publikasi pertamanya tentang analisis persepsi konsumen kendaraan mobil listrik di Indonesia pada tahun 2019. Yuniaristanto Yuniaristanto adalah dosen dan peneliti di Departemen Teknik Industri, Universitas Sebelas Maret. Minat penelitiannya adalah rantai pasokan, pemodelan simulasi, pengukuran kinerja dan komersialisasi teknologi. Ia memiliki publikasi yang terindeks Scopus, 41 artikel dengan 4 H-index. Emailnya adalah yuniaristanto@ft.uns.ac.id. Wahyudi Sutopo Wahyudi Sutopo, meraih gelar Sarjana Teknik (Ir) dari Program Studi Profesi Insinyur – Universitas Sebelas Maret (UNS) tahun 2019. Meraih gelar Doktor bidang Teknik Industri dan Manajemen dari Institut Teknologi Bandung (ITB) di 2011, Magister Sains Manajemen dari Universitas Indonesia pada 2004 dan Sarjana Teknik Teknik Industri dari ITB pada 1999. Minat penelitiannya adalah supply chain, engineering economy & cost analysis, dan komersialisasi teknologi. Ia memperoleh lebih dari 30 hibah penelitian. Ia memiliki publikasi yang terindeks Scopus, 117 artikel dengan 7 H-index. Emailnya wahyudisutopo@staff.uns.ac.id.Hasil analisis regresi logistik untuk variabel TE1 sampai dengan TE5 yang termasuk dalam faktor teknologi menunjukkan hasil bahwa waktu pengisian baterai (TE3) berpengaruh signifikan terhadap niat adopsi sepeda motor listrik di Indonesia. Nilai signifikan untuk kemampuan jarak tempuh (0,107) tidak mendukung Hipotesis 16, kemampuan jarak tempuh tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi jarak tempuh maksimum adalah 0,146, tanda positif berarti semakin tepat jarak tempuh maksimum sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk variabel bebas daya atau kecepatan maksimum (0,052) tidak mendukung Hipotesis 17, kecepatan maksimum tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi daya atau kecepatan maksimum adalah 0,167, tanda positif berarti semakin sesuai kecepatan maksimum sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan waktu pengisian (0,004) mendukung Hipotesis 18, waktu pengisian berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Estimasi nilai waktu pengisian adalah 0,240, tanda positif berarti semakin tepat kecepatan maksimal sepeda motor listrik bagi seseorang maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk keselamatan (0,962) tidak mendukung Hipotesis 19, keselamatan tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi untuk keselamatan adalah -0,005, tanda negatif berarti semakin aman seseorang menggunakan sepeda motor listrik maka semakin rendah niat untuk mengadopsi sepeda motor listrik. Nilai signifikan untuk daya tahan baterai (0,424) tidak mendukung Hipotesis 20, daya tahan baterai tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai estimasi umur baterai adalah 0,068, tanda positif berarti semakin sesuai umur baterai sepeda motor listrik maka semakin tinggi niat untuk mengadopsi sepeda motor listrik. Hasil analisis regresi logistik untuk variabel ML1 hingga ML7 yang termasuk ke dalam faktor level makro menunjukkan hasil bahwa hanya membebankan ketersediaan di tempat kerja (ML2), membebankan ketersediaan di tempat tinggal (ML3), dan membebankan kebijakan diskon biaya (ML7) yang berpengaruh signifikan terhadap niat adopsi sepeda motor listrik di Indonesia. Nilai signifikan untuk ketersediaan pengisian di tempat umum (0,254) tidak mendukung Hipotesis 21, ketersediaan pengisian di tempat umum tidak berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai signifikan untuk ketersediaan pengisian di tempat kerja (0,007) mendukung Hipotesis 22, ketersediaan pengisian di tempat kerja berpengaruh signifikan terhadap niat mengadopsi sepeda motor listrik. Nilai signifikansi ketersediaan charging di rumah (0,009) mendukung Hipotesis 22, ketersediaan charging di rumah berpengaruh signifikan terhadap niat adopsi sepeda motor. Nilai signifikan untuk ketersediaan tempat servis (0,181) tidak mendukung Hipotesis 24, ketersediaan tempat servis tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan insentif pembelian (0,017) mendukung Hipotesis 25, kebijakan insentif pembelian berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan diskon pajak tahunan (0,672) tidak mendukung Hipotesis 26, kebijakan insentif diskon pajak tahunan tidak berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Nilai signifikan untuk kebijakan diskon biaya pengisian (0,00) mendukung Hipotesis 27, kebijakan insentif diskon biaya pengisian berpengaruh signifikan terhadap niat adopsi sepeda motor listrik. Berdasarkan hasil dari faktor tingkat makro, adopsi sepeda motor listrik dapat terwujud jika stasiun pengisian di tempat kerja, stasiun pengisian di tempat tinggal, dan kebijakan diskon biaya pengisian siap diakses oleh konsumen. Secara keseluruhan, frekuensi berbagi di media sosial, tingkat kesadaran lingkungan, harga beli, biaya perawatan, kecepatan maksimum sepeda motor listrik, waktu pengisian baterai, ketersediaan infrastruktur stasiun pengisian di tempat kerja, ketersediaan infrastruktur pengisian berbasis listrik rumah, UTAMI ET AL. /JOURNAL TENTANG OPTIMASI SISTEM DI INDUSTRI – VOL. 19 TIDAK. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami dkk. 77 kebijakan insentif pembelian, dan kebijakan insentif diskon biaya pengisian secara signifikan mempengaruhi niat untuk mengadopsi kendaraan listrik. Model Persamaan dan Fungsi Probabilitas Persamaan 3 merupakan persamaan logit untuk pilihan jawaban “sangat tidak mau” mengadopsi sepeda motor listrik. = = + 27 1 01 ( 1| ) kg Y Xn k Xik (3) Persamaan 4 adalah persamaan logit untuk pilihan jawaban “tidak mau” mengadopsi sepeda motor listrik. = = + 27 1 02 ( 2 | ) kg Y Xn k Xik (4) Persamaan 5 merupakan persamaan logit untuk pilihan jawaban “keraguan” untuk mengadopsi sepeda motor listrik. = = + 27 1 03 ( 3| ) kg Y Xn k Xik (5) Persamaan 6 adalah persamaan logit untuk pilihan jawaban “mau” mengadopsi sepeda motor listrik. = = + 27 1 04 ( 4 | ) kg Y Xn k Xik (6) Fungsi probabilitas niat adopsi sepeda motor listrik ditunjukkan pada Persamaan 7 hingga Persamaan 11. Persamaan 7 adalah fungsi peluang untuk pilihan jawaban “ sangat tidak mau” mengadopsi sepeda motor listrik. eenng YX g YXP Xn PY Xn ( 1| ) ( 1| ) 1 1 ( ) ( 1| )  + = = (7) Persamaan 8 adalah fungsi probabilitas untuk pilihan jawaban “tidak mau” mengadopsi sepeda motor listrik. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 1| ) ( 1| ) ( 2| ) ( 2| ) 2 1 1 ( 2 | ) ( 1| ) ( ) ( 2 | )  + + = = − = = = (8) Persamaan 9 adalah fungsi probabilitas untuk pilihan jawaban “keragu-raguan” untuk mengadopsi sepeda motor listrik. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 2| ) ( 2| ) ( 3| ) ( 3| ) 3 1 1 ( 3 | ) ( 2 | ) ( ) ( 3 | ) + + = = = = (9) Persamaan 10 adala