The The Influence of Perceived Quality, Perceived Ease of Use, and Perceived Transaction Security on User Satisfaction in Flip Application (A Study on the Millennial Generation and Generation Z)
Notice bibliographique
Résumé
The development of technology, especially information technology, has penetrated various sectors in Indonesia, from education to banking. With this, banking access can be used by all groups flexibly through fintech services. Flip is a real example of how technology services can collaborate with the banking sector to expand the reach of its services. Flip. The application helps its users to make free interbank transfers, send money abroad via Flip Globe, top up e-wallets, pay electricity bills, buy electricity tokens, top up credit, buy data packages, Internet & TV, BPJS Health, Credit Installments at affordable costs. This study aims to test the effect of perceived quality, perceived ease of use, and perceived transaction security on user satisfaction in the flip application (a study of the millennial generation and generation z). The population in this study were all residents in the city of Surabaya who had made transactions using the Flip application. The data collection method was through a survey using a questionnaire to 155 respondents with a non-probability sampling method through Purposive Sampling. Data analysis techniques include testing validity, reliability, classical assumptions, multiple linear regression, coefficient of determination, F test and t test. The results showed that simultaneously the variables perceived quality, perceived ease of use, and perceived transaction security have a significant effect on user satisfaction. Partially perceived ease of use and perceived transaction security have a significant positive effect on user satisfaction, while perceived quality has a positive but insignificant effect.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».