Epistemic Governance Adoption Theory (EGAT)

EGAT menjawab pertanyaan yang selama ini tidak terjawab: “Mengapa organisasi bersedia—atau tidak bersedia—mengadopsi Pre‑Decision Governance?”

1. Core Mechanism yang Unik

EGAT dibangun di atas mekanisme inti yang membedakannya dari teori difusi inovasi klasik (Rogers) dan teori institusional (DiMaggio & Powell):

"Adopsi PDG terutama didorong oleh keberadaan champion yang memiliki legitimasi dan jaringan, namun efeknya dimoderasi secara signifikan oleh kekakuan otoritas (authority rigidity) dan resistensi politik."

Mekanisme ini menghasilkan prediksi yang tidak dapat dijelaskan oleh teori lain:

Teori yang Ada, Apa yang Tidak Dapat Dijelaskan, dan Apa yang Dijelaskan EGAT:

• Difusi Inovasi (Rogers): Mengapa champion bisa gagal dalam hierarki ekstrem --> Political moderation: efek champion bergantung pada kekakuan otoritas
• Teori Institusional: Mekanisme mikro di tingkat individu --> Belief‑updating micro‑foundation: champion × kredibilitas × repetisi
• Behavioral Change: Over‑champion backlash (terlalu banyak champion justru kontraproduktif) --> Inverted‑U effect: hubungan non‑linear antara jumlah champion dan adopsi

2. Model Formal yang Dapat Diestimasi

EGAT menyediakan persamaan estimable dengan efek non‑linear, interaksi, dan emergent threshold:

P(Adoption) = \frac{1}{1 + e^{-( \beta_0 + \beta_1 C + \beta_2 R_a + \beta_3 (C \times R_a) + \beta_4 C^2 + \gamma X + \epsilon )}}

di mana:

·  C  = kekuatan champion (advocacy capacity × positional power)

·  R_a  = authority rigidity (kekakuan otoritas)

·  C^2  = over‑champion backlash (efek kuadratik)

·  X  = vektor kontrol (ukuran, usia, sektor, kinerja)

Prediksi unik EGAT:

1. Efek champion termoderasi—pengaruh champion jauh lebih besar dalam organisasi dengan otoritas rendah.

2. Over‑champion backlash—terlalu banyak champion dalam satu organisasi justru menurunkan probabilitas adopsi.

3. Ambang adopsi (threshold)—adopsi tidak linear; terjadi setelah persentase tertentu organisasi dalam jaringan mengadopsi.

3. Failure Mode Theory yang Eksplisit

EGAT mengidentifikasi lima mode kegagalan adopsi yang dapat diuji secara empiris:

Failure Mode dan Tanda Deteksi Dini:

• Ritualization (PDG dijalankan sebagai formalitas tanpa perubahan substansial): EDQ meningkat tetapi EDER tidak berubah; komentar kosong
• Performative Dissent (Dissent terdokumentasi tetapi tidak direspons): Dissent present = Y tetapi tidak ada perubahan arah keputusan
• Champion Burnout (Champion kelelahan dan tidak lagi mendorong adopsi): Penurunan aktivitas advocacy champion setelah 6–12 bulan
• Gaming the Metrics (Organisasi mengejar angka tanpa perbaikan substansi): ESR naik tetapi EDQ tidak; blind re‑scoring diskrepansi
• Adverse Selection (Hanya organisasi dengan budaya reflektif yang mengadopsi): Pilot hanya berhasil di organisasi yang sudah “mudah”

4. Strategi Identifikasi yang Kuat

EGAT menyediakan strategi identifikasi untuk mengatasi endogenitas:

· Natural experiment logic—eksogenitas champion melalui rotasi jabatan atau pensiun tak terduga

· Exclusion restriction—kematian mendadak champion sebagai exogenous shock

· Propensity score matching—membandingkan organisasi dengan karakteristik serupa

EPISTEMIC GOVERNANCE ADOPTION THEORY (EGAT)

A Behavioral–Political Theory of Governance Innovation Adoption

Accountability‑Based Universal Wisdom and Trust

Cross‑Sector Pre‑Decision Governance Translator

Versi Final – Maret 2026

Lisensi: CC BY‑NC‑SA 4.0

Kontak: tpapgtk@gmail.com

Arsip: https://abuwt.blogspot.com

---

DAFTAR ISI

1. Pendahuluan: Mengapa Adopsi Adalah Masalah Teoretis yang Terabaikan

2. Core Mechanism: Champion‑Driven Adoption with Political Moderation – Distinctiveness from Classical Theory

   · 2.1 What EGAT Explains That Existing Theories Cannot

   · 2.2 EGAT’s Champion: Decomposed into Advocacy Capacity and Positional Power

   · 2.3 Rival Explanations and Why EGAT Is Not Reducible to Them

3. Kerangka Konseptual: Tiga Lapis Determinasi Adopsi

   · 3.1 Lapis 1: Karakteristik Organisasi

   · 3.2 Lapis 2: Karakteristik Inovasi (PDG sebagai Inovasi) dengan Metrik Trialability dan Observabilitas

   · 3.3 Lapis 3: Jaringan Sosial, Champion, dan Opinion Leader dengan Model Pengaruh Multiplikator

   · 3.4 Micro‑Behavioral Granularity: A Simple Model of Belief Updating

   · 3.5 From Micro‑Beliefs to Macro‑Adoption: Aggregation Rule with Structurally Bounded Threshold

4. Formal Model: From Utility to Estimable Equation with Sharp Non‑Linear Predictions

   · 4.1 Micro‑Foundation of Authority Rigidity

   · 4.2 EGAT‑Specific Utility Model (with Decomposed Champion and Interaction)

   · 4.3 Operationalization of Key Constructs

   · 4.4 Estimable Equation with Non‑Linear Effects, Interaction, and Emergent Threshold

   · 4.5 Endogenizing Champion: A Two‑Stage Process

   · 4.6 Temporal Dynamics Integration: Champion Decay and Institutional Rise

   · 4.7 Probabilistic Regime‑Switching: Soft Dominance Among Mechanisms

5. Hambatan Adopsi: Biaya, Kekuasaan, dan Resistensi

   · 5.1 Hambatan Struktural

   · 5.2 Hambatan Politik: Resistance Mapping – Siapa Menolak dan Bagaimana Mitigasinya

   · 5.3 Hambatan Kognitif

6. Failure Mode Theory: Why Adopted Governance Fails to Stick

7. Boundary Conditions as Unique Signature Predictions: What Only EGAT Explains

8. Model Proses Adopsi: Dari Kesadaran ke Pelembagaan (Visualisasi Lima Tahap)

9. Tipologi Adopter: S‑Curve, Strategi Diseminasi, dan Keterkaitan dengan Hipotesis Riset

10. Matriks Integrasi Tipologi × Hipotesis: Peta Empiris Lengkap EGAT

11. Implikasi untuk Strategi Diseminasi ABUWT

12. Identification Strategy and Endogeneity Mitigation – With Natural Experiment Logic, Exogenous Shocks, and Explicit Exclusion Restriction Defense

13. Measurement Validation Strategy

14. Dynamic Feedback Loop and Self‑Reinforcing Adoption – Temporal Dynamics Claim

15. Agenda Riset: Tujuh Hipotesis dengan Desain Berbasis Tipologi (Lengkap)

16. Unit of Analysis: Hierarki yang Jelas

17. Posisi EGAT dalam Ekosistem ABUWT: Dari Teori Normatif ke Sistem Aksi

18. Stylized Empirical Anchors: Face Validity from Real‑World Observations

19. Hard Falsifiability Triggers: Quantitative Conditions for Theory Failure – Including Killer Predictions and Micro‑Foundation of Over‑Champion Backlash

20. Outcome Beyond Internal Metrics: External Validity with Hard Empirical Pathway

21. Kesimpulan: Dari “Solusi yang Benar” ke “Solusi yang Dipakai”

22. Lampiran: Indikator dan Metrik Adopsi

---

1. PENDAHULUAN: MENGAPA ADOPSI ADALAH MASALAH TEORETIS YANG TERABAIKAN

Arsitektur ABUWT telah mencapai kematangan yang luar biasa. Meta‑teori CAA, teori induk PDG, metrik ESR, indeks kerentanan CERI, kerangka keadilan EJF, hingga protokol uji MVEP telah dirumuskan dengan ketelitian yang tinggi. Namun, ada satu pertanyaan yang belum dijawab secara sistematis:

Mengapa organisasi bersedia—atau tidak bersedia—mengadopsi Pre‑Decision Governance?

Pertanyaan ini bukan sekadar masalah praktis. Ia adalah masalah teoretis yang fundamental. Sejarah tata kelola penuh dengan kerangka yang “benar secara konseptual” tetapi mati karena tidak ada yang mengadopsinya. Total Quality Management (TQM), Balanced Scorecard, Corporate Social Responsibility (CSR) reporting—semuanya memiliki masa kejayaan dan kemudian meredup, bukan karena salah secara konsep, tetapi karena adopsi tidak berkelanjutan.

EGAT (Epistemic Governance Adoption Theory) adalah upaya untuk mengisi kekosongan ini. Berbeda dengan teori difusi inovasi klasik (Rogers, 1995) yang cenderung netral secara politik, EGAT menempatkan champion sebagai agen perubahan dan kekuasaan sebagai moderator sentral. Teori ini menjelaskan mengapa organisasi mengadopsi (atau menolak) PDG, siapa yang mengadopsi lebih dulu, dan bagaimana strategi diseminasi yang efektif—dengan penekanan pada prediksi yang tajam dan dapat difalsifikasi.

---

2. CORE MECHANISM: CHAMPION‑DRIVEN ADOPTION WITH POLITICAL MODERATION – DISTINCTIVENESS FROM CLASSICAL THEORY

EGAT dibangun di atas satu mekanisme inti yang menjadi “engine” utama teori:

Adopsi PDG terutama didorong oleh keberadaan champion yang memiliki legitimasi dan jaringan, namun efeknya dimoderasi secara signifikan oleh kekakuan otoritas (authority rigidity) dan resistensi politik.

Mekanisme ini menjawab tiga pertanyaan kunci:

1. Mengapa champion penting? Champion menjembatani kesenjangan antara pengetahuan tentang PDG dan keputusan adopsi melalui tiga jalur mikro: persuasion, legitimacy transfer, dan cognitive reframing.

2. Kapan champion efektif? Efek champion terbesar terjadi ketika otoritas tidak terlalu kaku (Rₐ rendah) dan resistensi politik rendah. Dalam hierarki ekstrem, champion kehilangan pengaruh.

3. Apakah champion selalu positif? Tidak. Terlalu banyak champion dalam satu organisasi dapat menyebabkan backlash—konflik internal yang justru menghambat adopsi (non‑linear effect).

2.1 What EGAT Explains That Existing Theories Cannot

To sharpen the novelty claim and preempt the critique that EGAT merely repackages existing ideas, we explicitly delineate its explanatory advantages over three major theoretical traditions:

Theoretical Tradition Core Focus What EGAT Adds That This Tradition Cannot Explain

Diffusion of Innovation (Rogers, 1995) Innovation characteristics (relative advantage, compatibility, complexity, trialability, observability) shape adoption rates. Political moderation: Rogers treats adoption as largely a function of innovation attributes and communication channels, ignoring how authority rigidity can nullify champion effects. Non‑linear champion effects: Rogers does not predict over‑champion backlash (inverted‑U) or threshold effects.

Institutional Theory (DiMaggio & Powell, 1983) Organizations adopt practices due to coercive, mimetic, and normative pressures. Micro‑behavioral mechanism: Institutional theory explains why (legitimacy) but not how at the individual level. EGAT provides a belief‑updating micro‑foundation (champion × credibility × repetition) that translates institutional pressure into actual adoption decisions.

Behavioral Public Administration / Organizational Change Cognitive biases, heuristics, and change agent roles. Formal network contagion: Behavioral accounts often treat champions as individual actors; EGAT embeds them in inter‑organizational networks with explicit multiplier effects. Failure modes: Behavioral theory rarely models post‑adoption decay (ritualization, gaming).

EGAT thus offers a synthetic extension that combines diffusion theory’s focus on innovation attributes, institutional theory’s attention to legitimacy, and behavioral insights into a unified framework where champion influence is conditional, non‑linear, and politically bounded—a configuration absent in prior work.

2.2 EGAT’s Champion: Decomposed into Advocacy Capacity and Positional Power

To avoid the criticism that “champion” is an over‑centralized construct doing too much theoretical work, EGAT decomposes champion influence into two distinct components:

Component Definition Operationalization

Advocacy Capacity (C_1) The champion’s ability to persuade through argumentation, evidence, and repeated communication. Measured by: number of advocacy actions (presentations, memos), use of MVEP data in arguments, perceived persuasiveness from peer surveys.

Positional Power (C_2) The champion’s formal or informal authority to transfer legitimacy and override resistance. Measured by: hierarchical rank, network centrality, tenure, reputation score.

The overall champion effect is a function  C = f(C_1, C_2) . Importantly, these two components can interact: a champion with both high advocacy capacity and high positional power may have a multiplicative effect (complementarity), whereas a champion with high advocacy but low positional power may rely solely on persuasion. EGAT captures this through an interaction term  C_1 \times C_2  in the estimable equation, allowing empirical testing of whether the two mechanisms are substitutes or complements.

2.3 Rival Explanations and Why EGAT Is Not Reducible to Them

To further distinguish EGAT from alternative accounts, we compare its predictions against three plausible rival explanations and show that EGAT generates unique predictions that the rivals cannot explain.

Rival Explanation Core Logic EGAT’s Differentiating Prediction

Pure Institutional Pressure Organizations adopt because of coercive or mimetic pressures, regardless of internal champions. EGAT predicts that adoption will fail when institutional pressure is high but no champion exists, especially in high‑authority‑rigidity settings. Pure institutional theory would predict adoption regardless.

Pure Network Contagion Adoption spreads through social networks irrespective of political structure. EGAT predicts that even with high network exposure, adoption will be blocked if authority rigidity is high. Pure network models would predict positive contagion regardless of hierarchy.

Pure Performance‑Driven Adoption Organizations adopt because of poor performance or crisis. EGAT predicts that a performance crisis will delay adoption unless a champion emerges. Performance alone is insufficient; champion is a necessary mediator in rigid contexts.

These divergence points are directly testable and provide strong discriminant validity for EGAT.

---

3. KERANGKA KONSEPTUAL: TIGA LAPIS DETERMINASI ADOPSI

Keputusan organisasi untuk mengadopsi suatu inovasi tata kelola tidak ditentukan oleh satu faktor, tetapi oleh interaksi tiga lapis determinasi yang saling terkait, dengan champion sebagai pusat.

3.1. Lapis 1: Karakteristik Organisasi

Karakteristik Dimensi Prediksi Pengaruh terhadap Adopsi Indikator Empiris

Ukuran Jumlah pegawai, aset, kompleksitas struktur Organisasi besar lebih mungkin mengadopsi karena memiliki sumber daya, tetapi juga lebih lambat karena inersia birokrasi. Organisasi kecil lebih gesit, tetapi mungkin kekurangan kapasitas. Jumlah pegawai (kategorik: mikro <10, kecil 10–49, menengah 50–249, besar ≥250); total aset; jumlah unit organisasi.

Usia Tahun berdiri Organisasi muda lebih mungkin mengadopsi inovasi karena belum memiliki rutinitas yang mengakar. Organisasi tua cenderung mempertahankan status quo. Tahun berdiri; usia dalam tahun (kategorik: <5, 5–15, 16–30, >30).

Sektor Publik, privat, nirlaba Sektor publik: adopsi didorong oleh regulasi dan legitimasi, tetapi terhambat birokrasi. Sektor privat: adopsi didorong oleh efisiensi dan daya saing, tetapi terhambat orientasi jangka pendek. Nirlaba: adopsi didorong oleh misi dan kepercayaan donatur, tetapi terhambat sumber daya terbatas. Klasifikasi sektor berdasarkan status hukum dan sumber pendanaan utama.

Budaya Organisasi Hierarkis vs egaliter, risiko‑taking vs risk‑averse, inklusif vs eksklusif Organisasi dengan budaya egaliter, toleran terhadap risiko, dan inklusif lebih mungkin mengadopsi PDG karena PDG menuntut dissent dan epistemic diversity. Survei budaya organisasi (skala 1–5 per dimensi); indeks power distance (Hofstede).

Kinerja Kinerja keuangan, reputasi, tingkat kegagalan Organisasi yang sedang mengalami krisis atau kegagalan berulang lebih mungkin mencari inovasi (problem‑driven adoption). Organisasi yang sukses cenderung puas dengan status quo. ROI, pertumbuhan pendapatan; tingkat kegagalan proyek dalam 3 tahun terakhir; frekuensi revisi kebijakan.

3.2. Lapis 2: Karakteristik Inovasi (PDG sebagai Inovasi) dengan Metrik Trialability dan Observabilitas

Mengacu pada kerangka Rogers (1995), lima karakteristik inovasi mempengaruhi kecepatan adopsi. Untuk PDG, karakteristik ini dapat diukur secara kuantitatif.

Karakteristik Definisi Penilaian PDG Metrik & Indikator Kuantitatif

Keuntungan Relatif Sejauh mana inovasi dianggap lebih baik daripada yang digantikan PDG menawarkan keuntungan yang sulit diukur dalam jangka pendek (pengurangan kegagalan, peningkatan kepercayaan) tetapi dapat diproksikan dalam jangka pendek melalui ESR parsial dan EDQ dari MVEP. ESR parsial (dari subset dokumen keputusan strategis; rentang 0–1); EDQ (skor 1–5 dari rubrik MVEP); cancellation rate (persentase keputusan yang dibatalkan sebelum eksekusi dalam periode 30 hari); perceived relative advantage (survei, skala 1–5).

Kompatibilitas Sejauh mana inovasi konsisten dengan nilai, pengalaman, dan kebutuhan pengguna PDG kompatibel dengan nilai akuntabilitas dan transparansi yang sudah diterima luas. Namun, ia bertentangan dengan budaya hierarkis dan “keputusan cepat”. Perceived compatibility (survei, skala 1–5); cultural friction index (selisih antara nilai PDG dan nilai organisasi yang dilaporkan).

Kompleksitas Sejauh mana inovasi dianggap sulit dipahami dan digunakan PDG memiliki kompleksitas tinggi dalam formulasi teoretisnya (CAA, PDG, 7 level). Namun, instrumen praktisnya (MVEP, Lembar Pikir Nazhir) sederhana. Waktu orientasi (jam yang dibutuhkan hingga pemahaman dasar); tingkat penyelesaian MVEP (persentase organisasi yang menyelesaikan 30 hari penuh); jumlah pertanyaan bantuan per pengguna.

Trialability Sejauh mana inovasi dapat diuji coba dalam skala kecil MVEP 30 hari dan Ultra‑Light 7‑day dirancang untuk trialability tinggi. Adopsi parsial (menggunakan satu atau dua alat tanpa komitmen penuh) adalah indikator kunci. Adopsi parsial: jumlah organisasi yang mencoba MVEP tetapi tidak melanjutkan ke skala penuh; sikap positif awal: skor niat adopsi (1–5) setelah uji coba; tingkat retensi setelah uji coba (%).

Observabilitas Sejauh mana hasil inovasi dapat dilihat dan diukur Hasil PDG (pengurangan kegagalan, peningkatan ESR) memerlukan waktu, tetapi early‑warning indicator dari MVEP (peningkatan EDQ, penurunan cancellation rate dalam 30 hari) dapat diobservasi lebih awal. EDQ improvement (perbedaan skor treatment vs control dalam MVEP; rentang 0–4); cancellation rate (%; diukur 30 hari); assumption error rate (frekuensi asumsi yang terbukti salah dalam periode 30 hari); kecepatan revisi keputusan (hari).

3.3. Lapis 3: Jaringan Sosial, Champion, dan Opinion Leader dengan Model Pengaruh Multiplikator

Faktor Definisi Peran dalam Adopsi PDG Model Pengaruh & Indikator

Jaringan Sosial Struktur hubungan antar aktor yang mempengaruhi aliran informasi Organisasi yang terhubung dengan jaringan yang sudah mengadopsi PDG lebih cepat terpapar dan termotivasi. Adopsi awal di satu organisasi dapat memicu adopsi di organisasi lain dalam jaringan (efek contagion). Network density (proporsi koneksi aktual dari total koneksi potensial); centrality (derajat keterhubungan organisasi dalam jaringan); exposure index (proporsi koneksi dengan adopter).

Champion Individu yang secara aktif mempromosikan inovasi di dalam organisasi. Decomposition: Champion effect is decomposed into Advocacy Capacity (C_1) and Positional Power (C_2), as defined in Section 2.2. Mekanisme inti EGAT. Kehadiran champion—idealnya seseorang dengan kredibilitas, posisi strategis, dan jaringan luas—adalah prediktor terkuat adopsi. Champion mengatasi resistensi, menerjemahkan konsep ke bahasa lokal, dan memberikan legitimasi. Efeknya dimoderasi oleh otoritas (Rₐ) dan resistensi politik. C₁ measured by number of advocacy actions, perceived persuasiveness; C₂ measured by hierarchical rank, network centrality, reputation.

Opinion Leaders Individu yang pengaruhnya melebihi posisi formal Dukungan dari opinion leader (misal, pimpinan yang dihormati, akademisi terkemuka) dapat mempercepat adopsi secara dramatis, terutama ketika champion tidak ada atau lemah. Dukungan opinion leader (dummy); intensitas dukungan (frekuensi penyebutan publik, keterlibatan dalam pelatihan).

Model Multiplikator Champion (Inter-Organizational Contagion):

\text{Adopsi}_{j} = \alpha + \beta_1 C_{1j} + \beta_2 C_{2j} + \beta_3 \sum_{k \neq j} w_{jk} \cdot \text{Adopsi}_{k} + \beta_4 \sum_{k \neq j} w_{jk} \cdot (C_{1k} + C_{2k}) + \epsilon

di mana:

·  C_{1j}  dan  C_{2j}  adalah komponen champion (advocacy dan positional power) dalam organisasi j.

·  w_{jk}  adalah bobot koneksi antara organisasi j dan k.

· Koefisien  \beta_4  menangkap efek multiplikator champion melalui jaringan.

Indikator Empiris untuk Model Multiplikator:

· Inter‑organizational network survey – identifikasi hubungan formal (kemitraan, afiliasi) dan informal (jejaring personal) antar organisasi.

· Snowball sampling – identifikasi champion dan pengaruhnya melalui rekomendasi berantai.

· Adoption timing – waktu adopsi relatif terhadap organisasi lain dalam jaringan.

3.4. Micro‑Behavioral Granularity: A Simple Model of Belief Updating

To unpack how champions influence decision‑makers at the individual level, EGAT introduces a micro‑behavioral model of belief updating:

\Delta \text{Belief}_{i} = \theta \cdot C_{1i} \cdot \text{Credibility}_{c} \cdot \text{Repetition} + \phi \cdot C_{2i} \cdot \text{Authority}

Where:

·  C_{1i}  is advocacy exposure.

·  C_{2i}  is positional power exposure.

·  \text{Credibility}_{c}  is the champion’s perceived trustworthiness.

·  \text{Repetition}  captures how often the champion’s message is reinforced.

·  \text{Authority}  captures the formal weight of the champion’s position.

This formulation highlights that persuasion and authority operate through different channels, and their relative importance can be estimated empirically.

3.5 From Micro‑Beliefs to Macro‑Adoption: Aggregation Rule with Structurally Bounded Threshold

To link the micro‑level belief updating (Section 3.4) to organization‑level adoption, we specify an aggregation rule. Let  N  be the number of decision‑makers in the organization, each with updated belief  \text{Belief}_i  after exposure to champions and other factors. The organization adopts if the average belief exceeds a threshold  \tau :

\frac{1}{N} \sum_{i=1}^{N} \text{Belief}_i \geq \tau

Crucially,  \tau  is not a free parameter. It is structurally determined by the organization’s decision‑making context. We propose a non‑linear specification:

\tau = \alpha_0 + \alpha_1 R_a + \alpha_2 \text{Centralization} + \alpha_3 R_a \times \text{Centralization} + \alpha_4 R_a^2

where:

·  R_a  = authority rigidity (higher rigidity requires stronger consensus for change).

·  \text{Centralization}  = degree of decision‑making centralization (more centralized organizations may have higher thresholds because top leaders must be convinced, not just a majority).

· The interaction  R_a \times \text{Centralization}  captures the possibility that the combination of rigidity and centralization amplifies the threshold beyond additive effects.

· The quadratic term  R_a^2  allows for non‑linearities (e.g., thresholds may increase sharply after a certain rigidity level).

This formulation transforms  \tau  from a post‑hoc fitting device into a theoretically grounded parameter that can be measured and tested. It also implies that the same average belief may lead to adoption in egalitarian, low‑rigidity organizations but not in hierarchical, high‑rigidity ones—a testable cross‑organizational prediction.

---

4. FORMAL MODEL: FROM UTILITY TO ESTIMABLE EQUATION WITH SHARP NON‑LINEAR PREDICTIONS

4.1 Micro‑Foundation of Authority Rigidity

To ground authority rigidity (Rₐ) in organizational theory, we conceptualize it as emerging from three structural mechanisms:

Mechanism Description Operational Proxy

Decision Veto Points Number of hierarchical levels through which a decision must pass before final approval. More levels increase rigidity. Average number of approval layers.

Information Bottleneck Degree to which information from lower levels is filtered or summarized before reaching top decision‑makers. Ratio of information loss between levels.

Punishment Risk Perceived risk of sanctions for raising dissent or challenging authority. Survey measures of psychological safety, fear of retaliation.

Rₐ is a composite index (0–1) aggregating these three dimensions. This micro‑foundation moves Rₐ from a mere statistical control to a theoretically justified moderator.

4.2 EGAT‑Specific Utility Model

To make the theoretical mechanism explicit, we specify an EGAT‑specific utility function that incorporates the decomposed champion components, their interaction, and the moderating role of authority rigidity:

U_{adopt} = \underbrace{[B_0 + \lambda_1 C_1 + \lambda_2 C_2 + \lambda_3 C_1 C_2 + \lambda_4 N]}_{\text{Perceived Benefit}} \;-\; \underbrace{[C_0 + \lambda_5 \text{Complexity}]}_{\text{Perceived Cost}} \;-\; \underbrace{R_a \cdot (\lambda_6 C_1 + \lambda_7 C_2 + \lambda_8 C_1 C_2 + \lambda_9 \text{Dissent})}_{\text{Political Resistance}}

Where:

·  C_1  = advocacy capacity.

·  C_2  = positional power.

·  C_1 C_2  = interaction term capturing complementarity (or substitution) between persuasion and authority.

·  N  = network exposure.

·  R_a  = authority rigidity index.

· The term  R_a \cdot (\lambda_6 C_1 + \lambda_7 C_2 + \lambda_8 C_1 C_2 + \lambda_9 \text{Dissent})  captures that political resistance is not a fixed cost but is conditional on the presence of champions and dissent.

4.3 Operationalization of Key Constructs

To make the model empirically testable, we define the key constructs with measurable proxies:

Construct Operational Definition Source

Advocacy Capacity (C₁) Number of documented advocacy actions (presentations, memos) plus peer‑rated persuasiveness score (1–5). MVEP logs, surveys.

Positional Power (C₂) Composite of hierarchical rank, network centrality, and tenure. Organizational charts, network survey.

Authority Rigidity (Rₐ) Composite index based on decision veto points, information bottleneck, and punishment risk. Organizational charts, HR data, surveys.

Network Exposure (N) (a) Centrality in inter‑organizational network; (b) Exposure index = proportion of connected organizations that have already adopted PDG. Network survey, sector mapping.

Trialability Dummy = 1 if organization participated in MVEP 30‑day pilot. MVEP records.

4.4 Estimable Equation with Non‑Linear Effects, Interaction, and Emergent Threshold

Assuming a logistic distribution for the error term, the probability of adoption can be written as:

\begin{aligned}

P(\text{Adoption}) = \frac{1}{1 + e^{-(}} &\beta_0 + \beta_1 C_1 + \beta_2 C_2 + \beta_3 C_1 C_2 \\

&+ \beta_4 C_1^2 + \beta_5 C_2^2 \\

&+ \beta_6 N + \beta_7 I \\

&+ \beta_8 R_a + \beta_9 R_a C_1 + \beta_{10} R_a C_2 + \beta_{11} R_a C_1 C_2 \\

&+ \gamma X \quad )

\end{aligned}

Key Theoretical Predictions:

Prediction Formulation Expected Sign

Champion positive effects  \beta_1 > 0, \beta_2 > 0  Positive

Champion complementarity  \beta_3 > 0  (if complementary) or  \beta_3 < 0  (if substitutive) To be estimated

Over‑champion backlash  \beta_4 < 0, \beta_5 < 0  Negative quadratic

Network contagion  \beta_6 > 0  Positive

Trialability effect coefficient on MVEP participation > 0 Positive

Authority rigidity dampening  \beta_9 < 0, \beta_{10} < 0, \beta_{11} < 0  Negative interactions

Emergent threshold for C₁ Solve  \frac{\partial P}{\partial C_1} = 0  for Rₐ, yielding  R_a^* = -\frac{\beta_1 + \beta_3 C_2}{\beta_9 + \beta_{11} C_2} . The threshold is a function of C₂, allowing the rigidity level at which advocacy loses effect to depend on positional power.

4.5 Endogenizing Champion: A Two‑Stage Process

To deepen the model and address endogeneity concerns, EGAT conceptualizes champion emergence as itself an outcome of prior conditions. This turns EGAT into a two‑stage theory:

Stage 1: Champion Emergence (for each component)

C_1 = \gamma_{10} + \gamma_{11} \text{Shock}_1 + \gamma_{12} L + \gamma_{13} N + \eta_1

C_2 = \gamma_{20} + \gamma_{21} \text{Shock}_2 + \gamma_{22} L + \gamma_{23} N + \eta_2

Where:

·  \text{Shock}_1  = exogenous events that build advocacy capacity (e.g., training, exposure to successful cases).

·  \text{Shock}_2  = exogenous events that confer positional power (e.g., leadership rotation, external appointment).

·  L  = latent pro‑innovation culture (proxied by prior adoption history).

·  N  = network exposure.

Stage 2: Champion‑Driven Adoption

P(\text{Adoption}) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 C_1 + \beta_2 C_2 + \dots)}}

The two‑stage structure clarifies that champion components are not exogenous given but are shaped by organizational context and external shocks. This allows instrumental variable strategies where shocks serve as instruments.

4.6 Temporal Dynamics Integration: Champion Decay and Institutional Rise

To formalize the claim that early‑phase adoption is champion‑driven while late‑phase adoption is institution‑driven, we introduce time‑varying coefficients:

\beta_1(t) = \beta_1 e^{-\delta t}

\beta_7(t) = \beta_7 (1 - e^{-\delta t})

Where  \delta > 0  is the speed of institutionalization. The adoption probability then becomes:

P_t(\text{Adoption}) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 e^{-\delta t} C_1 + \beta_2 e^{-\delta t} C_2 + \beta_6 N + \beta_7 (1 - e^{-\delta t}) I + \gamma X)}}

This specification embeds the temporal dynamics into the core model and allows prediction of adoption speed based on champion presence and institutional pressure.

4.7 Probabilistic Regime‑Switching: Soft Dominance Among Mechanisms

Instead of a discrete, hard‑switching regime model, EGAT adopts a probabilistic regime‑switching approach where each mechanism’s dominance is a continuous probability. To ensure identifiability, each regime has at least one unique variable that predominantly influences it.

Regime Unique Variable Rationale

Champion‑Driven  C_1  (advocacy capacity) and  C_2  (positional power) Champions directly shape persuasion and authority pathways.

Network‑Driven  N  (network exposure) with lagged exposure (e.g., exposure in t-1) Contagion operates through social ties and takes time to propagate.

Institution‑Driven  I  (institutional pressure) with regulatory shock (e.g., new mandate) Institutional forces are often triggered by external mandates or crises.

The probability that the champion‑driven regime dominates is:

P_{\text{champion}} = \sigma\left( \gamma_0 + \gamma_1 (C_1 + C_2) + \gamma_2 (1 - R_a) \right)

The probability that network contagion dominates is:

P_{\text{network}} = \sigma\left( \delta_0 + \delta_1 N_{\text{lagged}} + \delta_2 (1 - R_a) \right)

The probability that institutional pressure dominates is:

P_{\text{institution}} = 1 - P_{\text{champion}} - P_{\text{network}} \quad \text{(with the constraint that the three sum to 1).}

The overall adoption probability becomes:

P(\text{Adoption}) = P_{\text{champion}} \cdot P_{\text{adopt}|\text{champion}} + P_{\text{network}} \cdot P_{\text{adopt}|\text{network}} + P_{\text{institution}} \cdot P_{\text{adopt}|\text{institution}}

where  P_{\text{adopt}|\text{regime}}  are the conditional adoption probabilities under each regime (e.g., champion‑driven adoption uses the champion equation from Section 4.4). This formulation allows the relative influence of mechanisms to shift smoothly with context, and the use of regime‑unique variables ensures empirical identifiability.

---

5. HAMBATAN ADOPSI: BIAYA, KEKUASAAN, DAN RESISTENSI

PDG tidak diadopsi bukan karena jelek, tetapi karena menghadapi hambatan struktural, politik, dan kognitif yang kuat. Berikut adalah pemetaan hambatan dan strategi mitigasinya.

5.1. Hambatan Struktural

Hambatan Penjelasan Dampak pada Adopsi Mitigasi dalam Strategi Adopsi

Biaya Transaksi Epistemik PDG membutuhkan waktu, energi, dan sumber daya yang tidak sedikit. Organisasi dengan sumber daya terbatas mungkin tidak mampu. Menghambat adopsi di organisasi kecil dan menengah; memperlambat kecepatan adopsi. Sediakan ultra‑light version dengan biaya minimal. Tunjukkan cost‑of‑non‑doing: kegagalan juga mahal. Sediakan template dan alat gratis.

Inersia Birokrasi Organisasi besar memiliki rutinitas dan prosedur yang mengakar. Mengubahnya membutuhkan upaya besar. Menghambat adopsi di organisasi besar dan sektor publik; memperlambat kecepatan adopsi. Mulai dari unit kecil (pilot) sebelum diskalakan. Gunakan institutional layering (menambahkan lapisan baru tanpa menghapus yang lama). Integrasikan dengan rutinitas yang ada.

Keterbatasan Kapasitas PDG membutuhkan fasilitator terlatih, sistem dokumentasi, dan budaya refleksi. Tidak semua organisasi memiliki kapasitas ini. Menghambat adopsi di organisasi dengan SDM terbatas; meningkatkan risiko kegagalan implementasi. Sediakan tiered implementation (MVEL, Lite, Full) agar organisasi dapat memulai dari yang paling ringan. Sediakan pelatihan daring gratis.

5.2. Hambatan Politik: Resistance Mapping – Siapa Menolak dan Bagaimana Mitigasinya

Resistance mapping adalah alat untuk mengidentifikasi aktor yang paling berpotensi menolak PDG dan merancang strategi mitigasi yang tepat berdasarkan posisi kekuasaan dan tingkat resistensi mereka.

Matriks Risiko–Kekuatan vs Strategi Mitigasi:

Kuadran Karakteristik Contoh Aktor Strategi Mitigasi Indikator Keberhasilan Mitigasi

Kekuatan Tinggi – Resistensi Tinggi Elite yang merasa terancam, memiliki wewenang formal untuk memblokir adopsi Direktur utama yang merasa PDG memperlambat keputusan; kepala birokrasi yang takut kehilangan kendali Libatkan sejak awal: jadikan mereka bagian dari perancangan pilot. Tunjukkan manfaat bagi mereka: PDG dapat melindungi reputasi dari kegagalan. Tawarkan peran sebagai champion untuk memberikan kontrol. Gunakan cost‑of‑non‑doing: tunjukkan kegagalan masa lalu yang dapat dihindari. Perubahan sikap (survei); keterlibatan dalam pilot; dukungan publik.

Kekuatan Tinggi – Resistensi Rendah Pimpinan yang terbuka, memiliki wewenang formal dan mendukung CEO yang peduli pada kualitas keputusan; menteri yang mendorong inovasi tata kelola Jadikan sebagai sponsor utama. Minta mereka mengomunikasikan dukungan secara publik. Gunakan untuk menekan resistensi di level bawah. Libatkan dalam evaluasi pilot. Pernyataan dukungan publik; alokasi sumber daya; kehadiran dalam pelatihan.

Kekuatan Rendah – Resistensi Tinggi Pegawai level menengah yang merasa PDG menambah beban atau mengancam otonomi mereka Manajer lini yang sudah terbebani; staf teknis yang takut pekerjaan mereka diawasi Libatkan dalam pilot untuk membuktikan bahwa PDG tidak memberatkan. Berikan pelatihan untuk mengurangi ketakutan. Tunjukkan manfaat (pengurangan revisi, keputusan lebih stabil). Berikan pengakuan atas kontribusi mereka. Partisipasi dalam pilot; umpan balik positif; rekomendasi ke rekan.

Kekuatan Rendah – Resistensi Rendah Pegawai yang netral atau mendukung tetapi tidak memiliki pengaruh besar Staf muda yang terbuka pada inovasi; pegawai yang pernah mengalami kegagalan keputusan Libatkan sebagai pengguna awal. Gunakan kesaksian mereka untuk meyakinkan yang lain. Jadikan sebagai early adopter yang menjadi contoh. Beri kesempatan untuk menjadi champion di unit mereka. Keikutsertaan dalam pelatihan; penggunaan alat PDG; testimoni sukarela.

Langkah Resistance Mapping:

1. Identifikasi aktor kunci dalam organisasi (pimpinan formal, manajer lini, staf teknis, perwakilan kelompok rentan, dll.).

2. Petakan posisi mereka dalam matriks risiko–kekuatan berdasarkan wawancara dan observasi.

3. Rancang strategi mitigasi spesifik per kuadran (lihat tabel di atas).

4. Monitor perubahan resistensi seiring waktu (misal, setelah pilot, setelah pelatihan) melalui survei sikap dan wawancara.

5.3. Hambatan Kognitif

Hambatan Penjelasan Dampak pada Adopsi Mitigasi

Bias Status Quo Kecenderungan untuk mempertahankan keadaan saat ini karena perubahan dianggap berisiko. Menghambat adopsi di organisasi yang sukses dan puas dengan status quo. Tunjukkan cost of non‑doing: kegagalan yang sudah terjadi karena tidak ada PDG. Gunakan studi kasus organisasi serupa yang berhasil.

Overconfidence Manajer cenderung melebih-lebihkan kemampuan mereka dalam mengambil keputusan. Mereka merasa tidak butuh PDG. Menghambat adopsi di organisasi dengan kinerja baik (sementara). Gunakan assumption testing sederhana untuk menunjukkan bahwa asumsi mereka sering keliru. Tunjukkan bahwa PDG adalah alat untuk mempertahankan kesuksesan, bukan karena gagal.

Keterbatasan Perhatian Manajer sibuk dengan masalah jangka pendek. PDG yang fokus pada kualitas jangka panjang mudah diabaikan. Menghambat adopsi di organisasi yang sedang dalam tekanan kinerja jangka pendek. Jadikan PDG sebagai bagian dari rutinitas yang sudah ada (bukan tambahan). Contoh: tambahkan satu pertanyaan dalam rapat, bukan rapat baru. Tunjukkan quick win (misal, satu keputusan yang diubah karena PDG dalam 30 hari).

Disonansi Kognitif Individu cenderung mengabaikan informasi yang bertentangan dengan keyakinan mereka. Menghambat penerimaan bukti bahwa PDG bermanfaat. Sajikan bukti dari sumber yang dipercaya (opinion leader, champion). Gunakan framing positif (PDG sebagai alat, bukan kritik).

---

6. FAILURE MODE THEORY: WHY ADOPTED GOVERNANCE FAILS TO STICK

Teori adopsi yang baik juga harus menjelaskan kapan dan mengapa adopsi gagal. EGAT mengidentifikasi lima mode kegagalan utama yang kemudian diintegrasikan ke dalam model probabilitas adopsi yang berhasil.

Mode Kegagalan Deskripsi Mekanisme Mitigasi

Ritualization (Compliance Without Substance) PDG diadopsi secara formal tetapi hanya sebagai prosedur kosong; tidak ada perubahan perilaku nyata. Tekanan eksternal mendorong adopsi simbolis; tidak ada champion atau akuntabilitas internal. Integrasikan PDG dengan sistem insentif dan sanksi. Lakukan audit substansi (bukan hanya kepatuhan).

Performative Dissent Mekanisme dissent diadopsi tetapi dissent yang muncul tidak berdampak pada keputusan. Toksisitas budaya; dissent dipandang sebagai ancaman. Perlindungan anti‑retaliasi; dokumentasi wajib dan tindak lanjut dissent.

Cognitive Overload Penerapan PDG terlalu berat sehingga organisasi kewalahan dan meninggalkannya. Cakupan terlalu luas, pelatihan tidak memadai, tidak ada tiered implementation. Mulai dari MVEP 30 hari; gunakan ultra‑light; tingkatkan kompleksitas secara bertahap.

Gaming the Metrics Organisasi mengejar skor metrik (ESR, EDQ) tanpa memperbaiki penalaran. Target metrik menjadi tujuan, bukan alat. Gunakan cancellation rate dan assumption error rate sebagai proxy anti‑manipulasi; lakukan audit independen.

Adverse Selection PDG hanya diadopsi oleh organisasi yang sudah baik (bukan karena PDG membuat mereka baik). Self‑selection bias; organisasi lemah tidak memiliki sumber daya atau kemauan. Fokus pada problem‑driven adoption; tawarkan dukungan teknis bagi organisasi yang mengalami krisis.

Integrasi ke Model Adopsi:

Probabilitas adopsi yang berhasil (adopsi substantif) dirumuskan sebagai:

P(\text{Successful Adoption}) = P(\text{Adoption}) \times (1 - \theta_{\text{failure}})

di mana \theta_{\text{failure}} adalah probabilitas kegagalan substansi, yang merupakan fungsi dari faktor‑faktor yang memicu ritualization, overload, gaming, adverse selection, dan hambatan lainnya.

---

7. BOUNDARY CONDITIONS AS UNIQUE SIGNATURE PREDICTIONS: WHAT ONLY EGAT EXPLAINS

Alih‑alih hanya daftar pengecualian, EGAT merumuskan boundary conditions sebagai prediksi kuantitatif yang hanya dapat dijelaskan oleh mekanisme EGAT—dengan kata lain, prediksi yang membedakan teori ini dari alternatif.

Prinsip Batas Parameter Unique Signature Prediction Why Only EGAT Predicts This

Over‑Champion Backlash  C_{max}  Adoption probability increases with the first champion, peaks at 2–3 champions per unit, then declines. Linear or monotonic models cannot explain a peak followed by decline. The quadratic champion term arises from internal conflict and political friction, which are central to EGAT but absent in standard diffusion models.

Authority Rigidity Discontinuity  R_a^*  (estimable threshold) Champion effect is significant when  R_a < R_a^* , but becomes zero when  R_a > R_a^* . The threshold  R_a^*  is not fixed a priori but is estimated from data. Only EGAT incorporates authority rigidity as a moderator that can entirely cancel champion influence. Alternative theories would predict a gradual decline, not a sharp drop.

Network Density Tipping Point  D^*  Contagion effect emerges only after network density exceeds  D^* . Below  D^* , no significant effect. EGAT’s mechanism relies on a critical mass for observability and peer pressure; linear contagion models would predict a positive effect at any density.

Trialability Saturation Trialability effect MVEP participation increases adoption, but after 2–3 trial experiences, additional trials have no further effect (diminishing returns). EGAT posits that once organizations have sufficient evidence, marginal returns diminish; pure learning models would not necessarily predict a flat tail.

These predictions are non‑trivial and can be directly tested in empirical research. They serve as falsification conditions: if the data show monotonic champion effects, no threshold in authority rigidity, or linear network contagion, EGAT would be disconfirmed.

---

8. MODEL PROSES ADOPSI: DARI KESADARAN KE PELEMBAGAAN (VISUALISASI LIMA TAHAP)

Mengadaptasi model adopsi inovasi klasik (Rogers, 1995) dengan penyesuaian untuk konteks tata kelola, EGAT mengusulkan lima tahap yang dapat divisualisasikan sebagai berikut:

┌─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                            LIMA TAHAP ADOPSI PDG                                                    │
│                                          (Adapted from Rogers, 1995)                                                 │
├─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│                                                                                                                     │
│  TAHAP 1              TAHAP 2               TAHAP 3               TAHAP 4               TAHAP 5                      │
│  KESADARAN      →     PERSUASI        →    KEPUTUSAN       →    IMPLEMENTASI    →    KONFIRMASI                      │
│  (Awareness)          (Persuasion)         (Decision)           (Implementation)     (Confirmation)                 │
│                                                                                                                     │
│  ┌───────────┐        ┌───────────┐        ┌───────────┐        ┌───────────┐        ┌───────────┐                 │
│  │           │        │           │        │           │        │           │        │           │                 │
│  │    📡     │   →    │    🧠     │   →    │    ⚖️     │   →    │    🔧     │   →    │    🏛️     │                 │
│  │           │        │           │        │           │        │           │        │           │                 │
│  └───────────┘        └───────────┘        └───────────┘        └───────────┘        └───────────┘                 │
│        │                    │                    │                    │                    │                         │
│        ▼                    ▼                    ▼                    ▼                    ▼                         │
│  Organisasi           Keuntungan         Trialability        Kompleksitas        Observabilitas                     │
│  terpapar PDG         relatif &          (MVEP) &            aktual &            hasil positif                     │
│  melalui              kompatibilitas     adopsi parsial      dukungan            & integrasi                        │
│  jaringan &           yang                        & sikap             teknis              ke dalam SOP                       │
│  champion             dirasakan          positif awal                                                            │
│                                                                                                                     │
├─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│                                                                                                                     │
│  FAKTOR PENGARUH UTAMA PER TAHAP:                                                                                   │
│                                                                                                                     │
│  ┌─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐│
│  │ Tahap 1: Kesadaran          → Jaringan sosial, opinion leader, champion                                          ││
│  │ Tahap 2: Persuasi           → Keuntungan relatif yang dirasakan, kompatibilitas, kompleksitas yang dirasakan    ││
│  │ Tahap 3: Keputusan          → Trialability (MVEP), observabilitas awal, dukungan champion                       ││
│  │ Tahap 4: Implementasi Awal  → Kompleksitas aktual, dukungan teknis, resistensi aktor kunci                      ││
│  │ Tahap 5: Konfirmasi         → Observabilitas hasil, integrasi ke SOP, institutional pressure                     ││
│  └─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘│
│                                                                                                                     │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Indikator Keberhasilan per Tahap:

Tahap Indikator Keberhasilan Metode Pengukuran

1. Kesadaran Persentase target organisasi yang mengetahui keberadaan PDG; jumlah unduhan materi; jumlah klik tautan. Analisis web; survei kesadaran; data distribusi materi.

2. Persuasi Skor persepsi keuntungan relatif, kompatibilitas, dan kompleksitas yang dirasakan. Survei sikap (skala 1–5 per dimensi).

3. Keputusan Jumlah organisasi yang memulai MVEP; tingkat adopsi parsial; skor niat adopsi. Data pendaftaran MVEP; survei niat adopsi.

4. Implementasi Awal Tingkat penyelesaian MVEP; EDQ improvement; cancellation rate; jumlah kendala yang dilaporkan. Data MVEP; laporan kendala; wawancara peserta.

5. Konfirmasi Jumlah organisasi yang melanjutkan ke skala penuh; integrasi ke SOP; perubahan budaya yang dilaporkan. Survei tindak lanjut; analisis dokumen SOP; wawancara pimpinan.

---

9. TIPOLOGI ADOPTER: S‑CURVE, STRATEGI DISEMINASI, DAN KETERKAITAN DENGAN HIPOTESIS RISET

Berdasarkan karakteristik organisasi dan waktu adopsi, EGAT mengidentifikasi lima tipe adopter (mengadaptasi Rogers, 1995) dengan visualisasi S‑curve dan strategi diseminasi yang berbeda.

9.1. Visualisasi S‑Curve Adopsi

Persentase Adopsi Kumulatif

•         ↑
•   100% ┤                                                             ▄▄▄▄▄
•         │                                                            ▄▄▀         ▀▄
•    80% ┤                                                  ▄▄▀                    ▀▄
•         │                                                  ▄▀                               ▀▄
•    60% ┤                                          ▄▄▀                                     ▀▄
•         │                                           ▄▀                                              ▀▄
•    40% ┤                                  ▄▄▀                                                     ▀▄
•         │                                  ▄▀                                                               ▀▄
•    20% ┤                          ▄▄▀                                                                ▀▄
•         │                      ▄▀                                                                               ▀▄
•     0% ┼────────────────────────────────────────────────────────────────────────────────→ Waktu
•         │                      │                      │                      │
•         │     Inovator         │    Adopter Awal      │   Mayoritas Awal     │   Mayoritas Akhir     │   Laggard
•         │     (2.5%)           │     (13.5%)          │    (34%)             │    (34%)              │    (16%)
•         └──────────────────────┴──────────────────────┴──────────────────────┴───────────────────────┘

9.2. Tipologi Adopter, Karakteristik, dan Strategi Diseminasi

Tipe Proporsi Karakteristik Strategi Diseminasi Keterkaitan dengan Hipotesis Riset

Inovator 2.5% Organisasi kecil, muda, berbudaya risiko‑taking, dipimpin champion visioner. Sektor: biasanya nirlaba atau startup. Libatkan sebagai mitra pilot. Publikasikan studi kasus mereka (anonim) untuk menarik adopter berikutnya. Beri pengakuan sebagai early adopter. H1 (Karakteristik Organisasi): inovator memiliki skor tinggi pada risk‑taking dan egalitarian culture. H2 (Problem‑driven): inovator mungkin tidak mengalami krisis, tetapi didorong oleh visi.

Adopter Awal 13.5% Organisasi menengah, memiliki sumber daya, dipimpin manajer yang terbuka pada inovasi. Sektor: nirlaba matang, korporasi inovatif, pemerintah daerah progresif. Fokus pada demonstrated value dari inovator. Tawarkan MVEP dengan dukungan teknis. Sediakan community of practice untuk berbagi pengalaman. H1 (Karakteristik Organisasi), H3 (Trialability), H4 (Jaringan Sosial).

Mayoritas Awal 34% Organisasi besar yang menunggu bukti lebih kuat sebelum mengadopsi. Sektor: korporasi mapan, pemerintah daerah, kementerian. Sediakan tiered implementation dengan lite version. Tunjukkan observability hasil dari adopter awal. Sediakan benchmarking dengan organisasi serupa. H3 (Trialability), H4 (Jaringan Sosial), H5 (Observabilitas).

Mayoritas Akhir 34% Organisasi yang hanya mengadopsi karena tekanan eksternal (regulasi, tuntutan donatur, krisis). Sektor: organisasi yang sebelumnya resisten. Advokasi regulasi (EIA as mandate). Benchmarking dengan kompetitor yang sudah mengadopsi. Tunjukkan cost‑of‑non‑doing: jika tidak mengadopsi, mereka akan tertinggal. H2 (Problem‑driven), H5 (Observabilitas), H7 (Institutional Pressure).

Laggard 16% Organisasi yang resisten terhadap perubahan, biasanya tua, besar, birokratis, dan puas dengan status quo. Sektor: organisasi yang tidak terpapar jaringan inovasi. Fokus pada cost‑of‑non‑doing: jika mereka tidak mengadopsi, mereka akan menghadapi krisis yang lebih besar. Gunakan opinion leader yang mereka hormati. Terima bahwa sebagian tidak akan pernah mengadopsi. H1 (Karakteristik Organisasi), H2 (Problem‑driven), H6 (Hambatan Kekuasaan), H7 (Institutional Pressure).

---

10. MATRIKS INTEGRASI TIPOLOGI × HIPOTESIS: PETA EMPIRIS LENGKAP EGAT

Matriks ini menyediakan peta empiris lengkap dari alasan adopsi/penolakan PDG dan strategi diseminasi yang paling efektif untuk tiap tipologi dan tahap adopsi.

Tipologi Adopter Hipotesis Relevan Strategi Data / Eksperimen Metode Analisis Utama

Inovator H1, H2 Survei budaya organisasi (skala 1–5 per dimensi); wawancara mendalam dengan champion; analisis dokumen visi dan misi. Analisis tematik; deskriptif komparatif; pattern matching.

Adopter Awal H1, H3, H4 MVEP 30 hari dengan randomisasi sederhana; network mapping (identifikasi koneksi antar organisasi); pengukuran retensi adopsi 12 bulan kemudian. Difference‑in‑differences; analisis jaringan (centrality, density); regresi logistik.

Mayoritas Awal H3, H4, H5 Observabilitas studi kasus (eksperimen dengan paparan studi kasus vs kontrol); benchmarking dengan organisasi serupa; analisis network contagion. Uji beda rata‑rata; analisis efek moderasi; model multiplikator champion.

Mayoritas Akhir H2, H5, H7 Studi kasus organisasi yang mengadopsi setelah krisis; analisis tekanan regulasi (panel sebelum‑sesudah penerapan regulasi); survei persepsi tekanan eksternal. Process tracing; difference‑in‑differences; regresi logistik dengan interaksi.

Laggard H1, H2, H6, H7 Analisis resistensi melalui wawancara mendalam; pengukuran power concentration (CERI); studi kasus tekanan institusional yang gagal; observasi partisipan. Analisis tematik; resistance mapping; analisis konten; studi kasus komparatif.

Kegunaan Matriks:

· Prioritas riset: Peneliti dapat memfokuskan sumber daya pada tipologi yang paling menjanjikan untuk adopsi awal (inovator dan adopter awal) atau yang paling kritis untuk dipahami (laggard).

· Desain eksperimen: Setiap tipologi membutuhkan desain riset yang berbeda—matriks ini memberikan panduan eksplisit.

· Strategi diseminasi: Organisasi yang ingin mempromosikan PDG dapat menyesuaikan strategi berdasarkan tipologi target mereka.

---

11. IMPLIKASI UNTUK STRATEGI DISEMINASI ABUWT

Berdasarkan EGAT, strategi diseminasi ABUWT harus dirancang secara berbeda untuk setiap tipe adopter dan disesuaikan dengan tahap adopsi.

11.1. Strategi Berdasarkan Tipologi Adopter (Diperkuat dengan Matriks)

Tipe Adopter Fokus Strategi Aktivitas Utama

Inovator Kemitraan pilot dan publikasi Libatkan sebagai mitra riset; publikasikan studi kasus anonim; beri pengakuan sebagai early adopter; fasilitasi dokumentasi pengalaman.

Adopter Awal Demonstrasi nilai dan dukungan teknis Tawarkan MVEP dengan pendampingan; sediakan community of practice; fasilitasi berbagi pengalaman antar adopter awal; publikasikan early results.

Mayoritas Awal Observabilitas dan benchmarking Publikasikan studi kasus dari organisasi serupa; sediakan tiered implementation; tawarkan pelatihan dan sertifikasi; fasilitasi benchmarking dengan kompetitor.

Mayoritas Akhir Advokasi regulasi dan tekanan kompetitif Advokasi EIA as mandate; dorong integrasi ke dalam standar (ISO, SPIP); tunjukkan cost‑of‑non‑doing melalui studi komparatif; gunakan opinion leader yang dihormati.

Laggard Cost‑of‑non‑doing dan krisis Fokus pada organisasi yang sedang mengalami krisis; tunjukkan bahwa PDG dapat mencegah krisis serupa; gunakan opinion leader yang mereka hormati; terima bahwa sebagian tidak akan pernah mengadopsi.

11.2. Strategi Berdasarkan Tahap Adopsi

Tahap Strategi Aktivitas Utama

Kesadaran Paparan melalui jaringan Publikasi terbuka (blog, media sosial); konferensi dan webinar; pembentukan community of practice; distribusi materi melalui jaringan champion.

Persuasi Demonstrasi nilai Publikasi studi kasus (anonim); cost‑of‑non‑doing framing; testimoni dari champion; ultra‑light 7‑day sebagai trialability rendah risiko.

Keputusan Fasilitasi uji coba MVEP 30 hari dengan dukungan teknis; adoption pathway yang jelas; kill criteria dan exit strategy untuk mengurangi risiko; integrasi dengan rutinitas yang ada.

Implementasi Dukungan teknis Tiered implementation (MVEL, Lite, Full); panduan implementasi (MPPL, Toolkit); pelatihan fasilitator; helpdesk dan community support.

Konfirmasi Pelembagaan dan observabilitas Integrasi ke dalam SOP dan regulasi; Epistemic Feedback Loop Orchestrator (EFLO); publikasi hasil jangka panjang; benchmarking dan award.

11.3. Ringkasan Strategi Diseminasi

1. Pisahkan “teori” dari “alat”. Promosikan alat sederhana (MVEP, Lembar Pikir Nazhir) untuk trialability. Biarkan mereka yang tertarik mendalami teori.

2. Bangun jaringan adopter. Fasilitasi komunitas praktisi yang saling berbagi pengalaman. Efek contagion akan mempercepat adopsi.

3. Identifikasi dan dukung champions. Beri mereka pelatihan, materi, dan pengakuan. Champion adalah faktor terpenting, tetapi waspadai over‑champion backlash (lebih dari 2 champion dalam satu unit dapat menimbulkan konflik).

4. Gunakan cost‑of‑non‑doing framing. Jangan hanya menjual manfaat PDG, tetapi ingatkan tentang kerugian yang sudah dialami karena tidak memiliki PDG.

5. Sediakan jalur bertahap. MVEL → EJF Lite → EJF Full. Tidak semua organisasi harus langsung ke full.

6. Bangun legitimasi melalui institusi. Advokasi regulasi (EIA, SPIP) dan standar (ISO‑like) untuk mendorong adopsi di sektor publik dan korporasi besar.

7. Publikasikan studi kasus (anonim) dengan outcome eksternal (project failure, cost overrun) untuk meningkatkan observabilitas dan kredibilitas.

8. Sesuaikan strategi dengan tipologi adopter. Gunakan Matriks Integrasi Tipologi × Hipotesis untuk memandu pendekatan yang berbeda untuk inovator, adopter awal, mayoritas awal, mayoritas akhir, dan laggard.

---

12. IDENTIFICATION STRATEGY AND ENDOGENEITY MITIGATION – WITH NATURAL EXPERIMENT LOGIC, EXOGENOUS SHOCKS, AND EXPLICIT EXCLUSION RESTRICTION DEFENSE

Kritik paling umum terhadap studi adopsi adalah bahwa hubungan yang diamati mungkin bukan kausal, melainkan akibat dari self‑selection (organisasi yang sudah baik lebih cenderung mengadopsi). Untuk mengatasi hal ini, EGAT mengusulkan tiga strategi identifikasi, dengan perhatian khusus pada masalah champion endogenitas.

12.1. Strategi Umum

Strategi Deskripsi Contoh Penerapan pada EGAT

Propensity Score Matching (PSM) Membandingkan organisasi adopter dengan non‑adopter yang memiliki karakteristik serupa (ukuran, usia, kinerja) untuk mengurangi bias seleksi. Cocokkan organisasi yang mengadopsi MVEP dengan yang tidak, berdasarkan skor kecenderungan.

Instrumental Variable (IV) Menggunakan variabel eksternal yang mempengaruhi adopsi tetapi tidak mempengaruhi outcome secara langsung. Exposure to external champion training (apakah organisasi memiliki akses ke program pelatihan champion yang tidak terkait dengan kualitas organisasi) sebagai instrumen untuk keberadaan champion. Atau leader rotation (pergantian pimpinan yang tidak terkait dengan kinerja) sebagai instrumen untuk perubahan budaya.

Difference‑in‑Differences (DiD) Membandingkan perubahan outcome antara kelompok treatment dan kontrol sebelum dan sesudah intervensi. Bandingkan perubahan EDQ dan cancellation rate antara organisasi yang menjalani MVEP (treatment) dan yang tidak (kontrol) sebelum vs sesudah periode 30 hari.

12.2. Natural Experiment Logic: Exogenous Shocks for Champion Components

To credibly identify causal effects, we propose leveraging three types of exogenous shocks that can serve as natural experiments:

Shock Affected Component Exogeneity Justification Empirical Strategy

Randomized Training Programs Advocacy capacity (C_1) Training offered to randomly selected organizations or individuals within organizations. Compare adoption rates between trained and untrained groups (intention‑to‑treat).

Leadership Rotation Positional power (C_2) Rotation of leaders based on tenure or mandatory retirement, not performance. Compare adoption before and after rotation, using timing of rotation as instrument.

Network Exposure via Unchosen Ties Network contagion (N) Exposure to adopters through pre‑existing, non‑strategic ties (e.g., geographical proximity, historical affiliations). Use density of unchosen ties as instrument for exposure.

Exclusion Restriction Defense:

The exclusion restriction requires that the instrument affects adoption only through champion emergence, not through other pathways. We explicitly address potential threats:

Instrument Potential Violation Mitigation Strategy

Training Training may directly increase adoption readiness through knowledge, independent of champion. Control for direct knowledge acquisition using post‑training assessment scores. Include placebo tests where training affects knowledge but no champion emerges (coefficient should be zero).

Leadership Rotation Rotation may signal broader organizational change, affecting adoption beyond champion emergence. Use rotation timing based on tenure (exogenous) rather than performance. Control for organizational performance trends.

Network Exposure Unchosen ties may correlate with unobserved regional characteristics that affect adoption. Include region fixed effects. Use instrument only within regions.

Falsification Tests for IV:

1. Test whether the instrument predicts adoption in organizations where no champion emerged (coefficient should be zero).

2. Test whether the instrument predicts placebo outcomes (e.g., short‑term financial performance) that should not be affected by champion emergence.

3. In DiD designs, test for parallel pre‑trends in adoption intentions before the shock.

By combining these natural experiment strategies and explicitly addressing exclusion restriction threats, EGAT moves beyond correlation and toward credible causal identification.

---

13. MEASUREMENT VALIDATION STRATEGY

Untuk memastikan bahwa metrik yang digunakan (EDQ, ESR parsial, cancellation rate, dll.) valid dan reliabel, EGAT menyertakan strategi validasi pengukuran:

Aspek Metode Kriteria

Inter‑rater reliability Dua atau lebih penilai independen menilai dokumen yang sama (misal, untuk EDQ atau unitization ESR). Hitung Krippendorff’s Alpha atau Cohen’s Kappa. Target α ≥ 0,80; jika tidak tercapai, revisi pedoman dan ulangi.

Construct validity Uji apakah metrik berkorelasi dengan konsep yang secara teoritis terkait (misal, EDQ dengan ESR parsial) dan tidak berkorelasi dengan konsep yang tidak terkait (misal, EDQ dengan ukuran dokumen). Korelasi yang dihipotesiskan harus signifikan; korelasi dengan konsep yang tidak terkait harus rendah.

Robustness check lintas sektor Uji apakah metrik memiliki pola yang sama di sektor publik, privat, dan nirlaba. Tidak ada perbedaan sistematis yang tidak dapat dijelaskan; jika ada, perlu modifikasi.

Predictive validity Uji apakah skor metrik (misal, EDQ dari MVEP) dapat memprediksi outcome jangka panjang (misal, cancellation rate dalam 12 bulan). Koefisien regresi signifikan dan arah sesuai prediksi.

---

14. DYNAMIC FEEDBACK LOOP AND SELF‑REINFORCING ADOPTION – TEMPORAL DYNAMICS CLAIM

Adopsi PDG tidak bersifat statis; ia menciptakan umpan balik yang memperkuat dirinya sendiri. EGAT mengidentifikasi dua loop dinamis utama, dan menambahkan klaim dinamis temporal yang membedakan fase awal dan akhir difusi.

14.1. Feedback Loops

Loop 1: Adopsi → Observabilitas → Adopsi

\text{Adopsi}_{t} \rightarrow \text{Jumlah studi kasus} \rightarrow \text{Observabilitas}_{t+1} \rightarrow \text{Adopsi}_{t+1}

Semakin banyak organisasi mengadopsi, semakin banyak studi kasus yang tersedia, semakin tinggi observabilitas, dan semakin cepat adopsi berikutnya. Ini menciptakan efek snowball yang menjelaskan bentuk S‑curve.

Loop 2: Adopsi → Trialability → Adopsi

\text{Adopsi}_{t} \rightarrow \text{Pengembangan alat lebih ringan (MVEP, Ultra‑Light)} \rightarrow \text{Trialability}_{t+1} \rightarrow \text{Adopsi}_{t+1}

Dengan meningkatnya adopsi, umpan balik dari pengguna memungkinkan penyempurnaan alat sehingga trialability meningkat, menarik lebih banyak adopter.

14.2. Temporal Dynamics Claim

A key extension of EGAT is a prediction about how the dominant adoption mechanism changes over time:

Early‑phase adoption is champion‑driven; late‑phase adoption is institution‑driven.

· Early phase (Innovators & Early Adopters): Adoption is primarily driven by the presence of champions who actively promote PDG, often in organizations with low authority rigidity and high network exposure. Institutional pressure is weak or absent.

· Late phase (Early & Late Majority): After a critical mass of adopters is reached, adoption becomes increasingly driven by institutional pressures—coercive (regulations, donor requirements), mimetic (benchmarking, competition), and normative (professional norms). The role of individual champions diminishes as adoption becomes a standard practice.

Testable Prediction: In longitudinal data, the coefficient on champion ( \beta_1, \beta_2 ) should be larger in the early period and decrease over time, while the coefficient on institutional pressure ( \beta_7 ) should increase. Interaction terms (Champion × Time) should be negative.

This temporal claim integrates EGAT with institutional theory and explains the classic S‑curve pattern: slow start due to champion scarcity, rapid acceleration as institutional forces take over, and eventual saturation.

Implikasi:

· Strategi diseminasi harus fokus pada “pemicu awal” (inovator) yang akan memulai loop positif.

· Kegagalan di tahap awal dapat menyebabkan vicious cycle di mana rendahnya adopsi menyebabkan rendahnya observabilitas dan trialability.

· Untuk adopsi skala besar, membangun tekanan institusional (regulasi, standar) menjadi kunci setelah champion awal menciptakan momentum.

---

15. AGENDA RISET: TUJUH HIPOTESIS DENGAN DESAIN BERBASIS TIPOLOGI (LENGKAP)

EGAT merumuskan tujuh hipotesis utama yang dapat diuji secara empiris. Setiap hipotesis dilengkapi dengan desain riset yang disesuaikan dengan tipologi adopter.

Hipotesis Deskripsi Desain Riset Target Tipologi Metode Analisis

H1 (Karakteristik Organisasi) Organisasi dengan champion dan budaya egaliter memiliki tingkat adopsi PDG yang lebih tinggi. Survei lintas 100–200 organisasi dengan variasi ukuran, usia, sektor, dan budaya. Semua tipologi Regresi logistik (adopsi = 0/1); analisis varians antar tipologi.

H2 (Problem‑Driven Adoption) Organisasi yang pernah mengalami kegagalan besar lebih mungkin mengadopsi PDG. Studi kasus komparatif 20 organisasi (10 yang mengadopsi, 10 yang tidak) dengan wawancara mendalam. Mayoritas akhir, laggard Analisis tematik; process tracing.

H3 (Trialability) Organisasi yang menjalani MVEP 30 hari memiliki tingkat adopsi jangka panjang yang lebih tinggi daripada yang tidak. Eksperimen kuasi dengan kelompok kontrol (organisasi yang tidak menjalani MVEP) dan pengukuran adopsi 12 bulan kemudian. Adopter awal, mayoritas awal Difference‑in‑differences; analisis retensi.

H4 (Jaringan Sosial) Organisasi yang terhubung dengan adopter awal (dalam jaringan yang sama) lebih cepat mengadopsi PDG. Analisis jaringan sosial (network analysis) pada 50–100 organisasi dalam satu ekosistem. Identifikasi centrality dan density; survei exposure ke adopter awal. Adopter awal, mayoritas awal Analisis jaringan: centrality, density, contagion effect; regresi event history.

H5 (Observabilitas) Organisasi yang dapat mengamati hasil PDG di organisasi lain lebih cepat dan lebih konsisten mengadopsi. Studi perbandingan organisasi yang melihat benchmark versus tidak; pengukuran adoption rate dan retention rate 12 bulan. Mayoritas awal, mayoritas akhir Difference‑in‑differences; regresi logistik; uji efek moderasi.

H6 (Hambatan Kekuasaan) Resistensi dari aktor dengan kekuatan tinggi menunda atau mencegah adopsi PDG. Mapping resistance pada 20–30 organisasi; wawancara dengan elite; pengukuran waktu adopsi vs resistensi. Laggard, mayoritas akhir Resistance mapping; analisis konten; survival analysis (waktu hingga adopsi).

H7 (Institutional Pressure) Tekanan institusi (regulasi, standar, tuntutan stakeholder) mempercepat adopsi terutama pada organisasi yang resisten. Analisis panel organisasi sebelum & sesudah regulasi atau audit eksternal; studi kasus intervensi kebijakan. Survei persepsi tekanan eksternal dan korelasinya dengan adopsi. Mayoritas akhir, laggard Panel data regression; process tracing; difference‑in‑differences.

Kegunaan Hipotesis H1–H7:

1. Menentukan faktor determinan internal (H1, H3) dan eksternal (H4–H7) adopsi PDG.

2. Menghubungkan karakteristik organizasi, inovasi, dan jaringan sosial dengan outcome adopsi.

3. Membantu memvalidasi strategi diseminasi ABUWT berdasarkan tipologi adopter dan tahap adopsi.

---

16. UNIT OF ANALYSIS: HIERARKI YANG JELAS

Untuk menghindari kritik level of analysis ambiguity, EGAT menetapkan hierarki unit analisis sebagai berikut:

Level Unit Analisis Fokus Peran dalam Model

Primer Organisasi Entitas yang mengambil keputusan adopsi PDG secara formal Variabel dependen utama: adopsi = 0/1

Sekunder (Mekanisme) Champion (individu) Agen yang mempengaruhi keputusan adopsi melalui tiga jalur mikro (persuasion, legitimacy transfer, cognitive reframing) Variabel independen dalam H1; mediator dalam model kausal

Tersier (Difusi) Jaringan (inter‑organizational) Struktur hubungan yang memfasilitasi atau menghambat aliran informasi dan pengaruh Variabel moderasi dalam H4; efek contagion

Klaim:

Primary unit of analysis is organization‑level adoption. Secondary mechanisms operate through individual champion influence and network‑level diffusion processes.

Dengan hierarki ini, EGAT menghindari conceptual slippage dan memungkinkan pengujian empiris yang konsisten.

---

17. POSISI EGAT DALAM EKOSISTEM ABUWT: DARI TEORI NORMATIF KE SISTEM AKSI

EGAT memiliki peran spesifik yang melengkapi arsitektur ABUWT yang sudah ada:

Layer Teori / Kerangka Fungsi

Normatif CAA (Cognitive Accountability Architecture) Menjawab pertanyaan: “Mengapa akuntabilitas kognitif diperlukan?”

Preskriptif PDG (Pre‑Decision Governance) Menjawab pertanyaan: “Bagaimana akuntabilitas kognitif diwujudkan?”

Positif EGAT (Epistemic Governance Adoption Theory) Menjawab pertanyaan: “Dalam kondisi apa dan mengapa organisasi mengadopsi (atau menolak) PDG?”

Pernyataan Posisi:

Without EGAT, ABUWT remains an ideal theory—normatively compelling but descriptively incomplete. EGAT transforms ABUWT from a normative framework into an actionable system by explaining how, when, and why organizations actually adopt epistemic governance.

EGAT tidak menggantikan CAA atau PDG; ia melengkapinya dengan menjembatani kesenjangan antara “apa yang seharusnya” dan “apa yang terjadi di dunia nyata”. Dengan EGAT, ABUWT menjadi:

· Normatively grounded (CAA)

· Practically prescriptive (PDG)

· Empirically testable (EGAT)

· Strategically actionable (MVEP, tiered implementation)

---

18. STYLIZED EMPIRICAL ANCHORS: FACE VALIDITY FROM REAL‑WORLD OBSERVATIONS

To establish face validity and demonstrate that the mechanisms of EGAT are not merely theoretical but observable in practice, we briefly highlight real‑world stylized facts (without requiring large‑scale data) that illustrate the theory’s core predictions:

1. Reform Failures Due to Elite Resistance (Authority Rigidity): Numerous governance reform efforts—from public sector performance budgeting to corporate sustainability reporting—have failed despite high institutional pressure because they encountered entrenched authority structures. For instance, reforms in authoritarian or highly hierarchical organizations often produce formal compliance without behavioral change, precisely because champions were absent or suppressed.

2. Innovations Dying Without Champions: Countless internal initiatives in organizations (e.g., new risk management tools, participatory budgeting) have died after initial enthusiasm because no champion emerged to navigate political hurdles and sustain momentum. This aligns with EGAT’s claim that adoption is unlikely without a champion in high‑rigidity settings.

3. Audits Becoming Rituals (Failure Mode): External audits in many public sector organizations have become ritualized compliance exercises rather than genuine performance improvements. This mirrors EGAT’s “ritualization” failure mode: when adoption is driven purely by external pressure without champion‑led internalization, substance evaporates.

4. Network Contagion in Sectoral Reforms: In sectors like microfinance or environmental certification, we observe that adoption spreads through peer networks—but only after early champions demonstrate success. This is consistent with EGAT’s network tipping point and champion‑multiplier mechanisms.

These stylized examples show that the core elements of EGAT (champion dependence, authority rigidity, failure modes, network contagion) are empirically plausible and have been observed across contexts. They provide a bridge between the abstract theory and observable reality, strengthening the theory’s external validity.

---

19. HARD FALSIFIABILITY TRIGGERS: QUANTITATIVE CONDITIONS FOR THEORY FAILURE – INCLUDING KILLER PREDICTIONS AND MICRO‑FOUNDATION OF OVER‑CHAMPION BACKLASH

Untuk memenuhi standar ilmu pengetahuan yang ketat, EGAT secara eksplisit merumuskan kondisi di mana teori ini dapat difalsifikasi. Jika kondisi berikut terpenuhi, EGAT harus dianggap tidak valid atau memerlukan revisi mendasar. Kami juga menambahkan micro‑foundation untuk over‑champion backlash.

19.1. Micro‑Foundation of Over‑Champion Backlash

Why do too many champions reduce adoption? EGAT posits three mechanisms:

Mechanism Description Operational Proxy

Coordination Overload Multiple champions may have conflicting messages, creating confusion rather than clarity. Variance in champion messaging; number of distinct advocacy frames.

Message Inconsistency Champions may advocate different priorities, diluting the overall case for adoption. Standard deviation of advocacy priorities.

Political Threat Perception A large number of champions may be perceived by elites as a coalition threatening authority, triggering defensive resistance. Number of champions relative to hierarchical level; perceived threat from survey.

The over‑champion backlash effect is thus a function:

\text{Backlash} = \beta_{C^2} (C_1 + C_2)^2 \cdot \left( \text{CoordinationOverload} + \text{Inconsistency} + \text{Threat} \right)

This micro‑foundation moves the quadratic term from a purely statistical phenomenon to a behaviorally grounded prediction.

19.2. Falsification Triggers

Falsification Trigger Kondisi Kuantitatif Konsekuensi

H3 Falsification Jika trialability (MVEP 30 hari) tidak meningkatkan probabilitas adopsi jangka panjang secara signifikan (p > 0.05) dalam studi dengan kelompok kontrol yang memadai. Klaim bahwa trialability mempercepat adopsi tidak terdukung; teori perlu direvisi pada mekanisme trialability.

H4 Falsification Jika network exposure (hubungan dengan adopter awal) tidak memiliki efek signifikan terhadap kecepatan adopsi (koefisien tidak signifikan pada α = 0.05) setelah mengontrol faktor lain. Mekanisme difusi jaringan dalam EGAT tidak terdukung; strategi diseminasi harus beralih dari pendekatan jaringan.

Champion Mechanism Falsification Jika efek champion terhadap adopsi menghilang (koefisien tidak signifikan) setelah mengontrol latent pro‑innovation culture (menggunakan instrumen atau data panel dengan fixed effects). Jalur mikro champion tidak valid; teori harus merevisi peran agen individu.

Authority Rigidity Falsification Jika dalam organisasi dengan Rₐ > Rₐ* (estimable threshold), champion tetap memiliki efek signifikan (β₁ ≠ 0 atau β₂ ≠ 0). Klaim bahwa hierarki ekstrem mematikan pengaruh champion tidak terdukung.

Over‑Champion Backlash Falsification Jika efek champion linear positif (β₄ = 0 atau β₅ = 0) atau β₄, β₅ > 0 (tidak ada penurunan setelah titik puncak). Prediksi non‑linear champion tidak terdukung.

External Outcome Falsification Jika PDG tidak mengurangi project failure rate atau cost overrun secara signifikan dalam periode 24 bulan setelah adopsi (p > 0.05). Klaim bahwa PDG meningkatkan kualitas keputusan riil tidak terdukung; EGAT kehilangan landasan substantif.

Temporal Dynamics Falsification Jika dalam data longitudinal, koefisien champion tidak menurun seiring waktu dan koefisien institutional pressure tidak meningkat (atau interaksi Champion×Time tidak signifikan negatif). Klaim bahwa mekanisme berubah dari champion‑driven ke institution‑driven tidak terdukung.

🔥 KILLER PREDICTION 1: Rigidity Null Effect Dalam organisasi dengan Rₐ > 0.8, peningkatan advocacy capacity (C_1) tidak meningkatkan probabilitas adopsi (\beta_1 + \beta_9 \cdot 0.8 \approx 0), setelah mengontrol faktor lain. Jika dalam sub‑sampel dengan hierarki ekstrem ditemukan bahwa champion tetap memiliki efek positif yang signifikan, maka klaim bahwa hierarki ekstrem membatalkan pengaruh champion gugur.

🔥 KILLER PREDICTION 2: Over‑Champion Collapse Ketika jumlah champion (dalam bentuk C₁ dan/atau C₂) melampaui batas yang diestimasi (misal, C₁ > 5 atau C₂ > 3), probabilitas adopsi menurun secara signifikan di bawah baseline tanpa champion. Jika data menunjukkan bahwa lebih banyak champion selalu meningkatkan adopsi tanpa penurunan, maka prediksi non‑linear champion (over‑champion backlash) tidak terdukung.

Killer predictions ini bersifat non‑trivial dan langsung dapat diuji dalam studi empiris. Mereka memenuhi kriteria Popper: jika kondisi ini terpenuhi, EGAT harus ditinggalkan atau direvisi.

---

20. OUTCOME BEYOND INTERNAL METRICS: EXTERNAL VALIDITY WITH HARD EMPIRICAL PATHWAY

Untuk memastikan bahwa EGAT tidak hanya mengukur perubahan internal (EDQ, ESR) tetapi juga dampak nyata di dunia, kami menambahkan outcome eksternal sebagai variabel dependen kunci dengan hard empirical pathway yang dapat diuji.

20.1. External Outcome Indicators

Jenis Outcome Indikator Sumber Data Waktu Pengukuran

Project Failure Rate Persentase proyek strategis yang gagal mencapai tujuan utama dalam 24 bulan setelah keputusan. Data internal organisasi; laporan evaluasi program. 24 bulan setelah adopsi PDG.

Cost Overrun Selisih antara anggaran awal dan realisasi untuk proyek strategis (%). Laporan keuangan; data penganggaran. 12–24 bulan setelah adopsi.

Reputasi Organisasi Skor kepercayaan publik (survei) atau frekuensi pemberitaan negatif. Survei independen; analisis media. Tahunan.

Stakeholder Retention Tingkat retensi mitra, donatur, atau staf kunci. Data internal organisasi. 12 bulan setelah adopsi.

20.2. Hard Empirical Pathway: From Adoption to Performance

We propose a testable causal chain:

\text{PDG Adoption} \rightarrow \uparrow \text{EDQ} \rightarrow \downarrow \text{Decision Error} \rightarrow \downarrow \text{Project Failure} \rightarrow \uparrow \text{Organizational Performance}

This pathway can be estimated using structural equation modeling (SEM) or sequential mediation analysis with lagged variables:

Step Independent Variable Mediator Dependent Variable Expected Sign

1 PDG Adoption (dummy) EDQ — Positive

2 EDQ Decision Error — Negative

3 Decision Error Project Failure — Positive

4 Project Failure Organizational Performance — Negative

Data requirements: Panel data with at least three time points (t0: baseline; t1: post‑adoption EDQ; t2: project failure rates; t3: performance). This pathway can be tested in a 3‑year longitudinal study with 50–100 organizations.

Hipotesis Tambahan (H8):

Organisasi yang mengadopsi PDG dengan tingkat keberhasilan tinggi (skor EDQ tinggi, EIR memadai) akan menunjukkan penurunan project failure rate dan cost overrun yang signifikan (minimal 15%) dibandingkan kelompok kontrol dalam 24 bulan.

Outcome eksternal ini memberikan validitas ekologis yang diperlukan untuk meyakinkan pembuat kebijakan dan investor bahwa PDG bukan sekadar “metrik internal yang menarik” tetapi memiliki dampak nyata.

---

21. KESIMPULAN: DARI “SOLUSI YANG BENAR” KE “SOLUSI YANG DIPAKAI”

ABUWT adalah solusi yang benar secara konseptual. Namun, kebenaran konseptual tidak menjamin adopsi. EGAT adalah upaya untuk menjembatani kesenjangan antara “apa yang seharusnya” dan “apa yang terjadi di dunia nyata”.

Dengan fokus pada mekanisme inti: champion‑driven adoption with political moderation, EGAT memberikan prediksi yang tajam dan dapat difalsifikasi:

· Non‑linear champion effect (over‑champion backlash) dengan micro‑foundation yang eksplisit.

· Network density tipping point.

· Authority rigidity threshold (estimable).

· Trialability saturation.

· Temporal dynamics: early champion‑driven, later institution‑driven.

· Regime‑switching dominance dengan identifiability unik per regime.

· Killer predictions yang membedakan EGAT dari teori alternatif.

EGAT juga memperkenalkan kontribusi unik yang jarang ditemukan dalam literatur adopsi:

· Failure mode theory – menjelaskan mengapa adopsi gagal setelah terjadi.

· Resistance mapping – pemodelan kekuasaan dan politik dalam adopsi.

· External outcome validation – menghubungkan PDG dengan outcome riil (project failure, cost overrun) melalui hard empirical pathway.

· Explicit distinction from classical change‑agent theory – menegaskan apa yang baru dan mengapa.

· Operationalization of champion and authority rigidity – memungkinkan replikasi dan pengujian lintas konteks.

· IV falsification tests – memperkuat argumen kausal dengan eksplisit menangani exclusion restriction.

· Two‑stage model of champion emergence – mengatasi endogenitas.

· Temporal dynamics claim – membedakan fase difusi.

· EGAT‑specific utility model – menampilkan mekanisme inti secara eksplisit.

· Stylized empirical anchors – memberikan face validity.

· Micro‑foundation of over‑champion backlash – menjelaskan mengapa terlalu banyak champion justru merugikan.

· Probabilistic regime‑switching dengan identifiability unik per regime.

· Non‑linear aggregation threshold yang terikat struktur organisasi.

Dengan:

· Karakteristik organisasi yang mempengaruhi adopsi,

· Karakteristik inovasi yang membuat PDG menarik atau tidak,

· Jaringan sosial yang mempercepat atau memperlambat difusi,

· Hambatan struktural, politik, dan kognitif yang harus diatasi,

· Tahap proses adopsi dari kesadaran ke pelembagaan,

· Tipologi adopter dengan strategi diseminasi yang berbeda,

· Matriks Integrasi Tipologi × Hipotesis sebagai peta empiris,

· Tujuh hipotesis teruji dengan desain riset berbasis tipologi,

· Identification strategy (PSM, IV, DiD) dengan instrumentasi champion, exclusion restriction defense, dan falsification tests,

· Measurement validation untuk menjamin reliabilitas,

· Dynamic feedback loop dan temporal dynamics claim,

· Boundary conditions sebagai prediksi kuantitatif unik,

· Hard falsifiability triggers yang menentukan kondisi kegagalan teori, termasuk killer predictions,

· External outcomes dengan hard empirical pathway untuk validitas ekologis,

· Micro‑behavioral granularity (belief updating model),

· Formal estimable equation dengan non‑linear terms dan emergent threshold,

· Operationalization of champion and authority rigidity untuk replikasi lintas studi,

· Explicit comparative advantage over existing theories,

· Stylized empirical anchors untuk face validity,

· Probabilistic regime‑switching dengan identifiability,

· Non‑linear aggregation threshold,

kita dapat merancang strategi diseminasi yang tidak hanya menyebarkan ide, tetapi juga memastikan ide itu dipakai, dirawat, dan diwariskan.

EGAT adalah pengakuan bahwa teori tanpa teori adopsi adalah teori yang mungkin tidak pernah keluar dari kertas. Dengan EGAT, ABUWT tidak hanya membangun mercusuar, tetapi juga memastikan bahwa kapal-kapal tahu cara menavigasi ke arahnya.

---

22. LAMPIRAN: INDIKATOR DAN METRIK ADOPSI

Dimensi Metrik Sumber Data

Awareness Persentase organisasi yang mengetahui PDG, unduhan materi, klik tautan Web analytics, survei, distribusi materi

Persuasion Skor keuntungan relatif, kompatibilitas, kompleksitas dirasakan Survei 1–5; wawancara

Decision Tingkat adopsi parsial, skor niat adopsi MVEP data, survei niat

Implementation EDQ improvement, completion rate, kendala yang dilaporkan MVEP logs, laporan kendala, wawancara

Confirmation Integrasi ke SOP, continuation rate, perubahan budaya Survei tindak lanjut, analisis dokumen, wawancara pimpinan

External Outcomes Project failure rate, cost overrun, reputasi, stakeholder retention Data internal, survei eksternal, analisis media

---

Accountability‑Based Universal Wisdom and Trust

Cross‑Sector Pre‑Decision Governance Translator

”Tata kelola tidak ditentukan oleh keputusan itu sendiri, tetapi oleh akuntabilitas penalaran yang mendahuluinya.”

Lisensi: CC BY‑NC‑SA 4.0

Kontak: tpapgtk@gmail.com

Arsip: https://abuwt.blogspot.com