BAB 2 LANDASAN TEORI
Beberapa teori yang terkait dalam skripsi ini adalah sebagai berikut: Systems Engineering (SE) Structural Equation Modeling (SEM) Fuzzy Serqual (Service Quality)
Seperti yang telah dibahas pada bab sebelumnya, bahwa penelitian ini difokuskan untuk menguji hubungan antara SE dengan kinerja dan besar pengaruhnya serta mengukur kesenjangan antara persepsi dan harapan pengguna. Dimana pengujian hubungan antara SE dengan kinerja dengan menggunakan metode Structural Equation Modeling (SEM). Selanjutnya, pengukuran kesenjangan persepsi dan harapan pengguna diolah dengan metode Fuzzy ServQual. 2.1
Systems Engineering (SE) Menurut Blanchard and Fabrycky (2011, p. 17), sistem merupakan suatu kombinasi dari sekumpulan elemen yang memiliki fungsi yang saling berhubungan dan membentuk satu kesatuan. Elemen tersebut adalah komponen, atribut dan hubungan. Komponen itu sendiri adalah bagian dari sistem (Blanchard and Fabrycky, 2011, p. 17). Sedangkan atribut merupakan karakteristik dari komponen seperti konfigurasi, kualitas, kekuatan, batasan dan kondisi (Blanchard and Fabrycky, 2011, p. 17). Elemen yang terakhir yaitu hubungan antara komponen yang satu dengan komponen lainnya dimana hubungan ini merupakan hasil dari perpaduan antara atribut komponen yang satu dengan atribut komponen yang lain sehingga komponenkomponen tersebut dapat beroperasi bersama secara efektif dalam mencapai tujuan dari sistem itu sendiri (Blanchard and Fabrycky, 2011, p. 17). Systems Engineering (SE) merupakan sebuah pendekatan yang dari suatu sistem yang terintegrasi dan seimbang dari sekumpulan orang, proses dan hasil untuk memenuhi kebutuhan pengguna (Blanchard and Fabrycky, 2011, p. 31). SE meliputi usaha yang berhubungan dengan pengembangan, pengujian, penerapan, operasi, pembuangan dan pelatihan pengguna dari produk dan proses (Blanchard and Fabrycky, 2011, p. 31). Pentingnya peran SE, membuat efisiensi SE perlu selalu dijaga dimana efisiensi adalah cara yang tepat dalam menjalankan sesuatu dengan tidak membuang waktu, tenaga dan biaya (Kemdikbud, 2013). Pada skripsi ini, efisiensi SE difokuskan pada fasilitas, business process dan SDM dari pengiriman ekspor di kargo SHIA. Fasilitas adalah sarana untuk melancarkan pelaksanaan fungsi (Kemdikbud, 2013). Kemudian, business process adalah kumpulan satu atau lebih aktitivitas bisnis sebagai input sehingga dapat menghasilkan output yang bernilai bisnis (Utomo dan Mustofa, 2010). Sedangkan, Sumber Daya Manusia (SDM) adalah potensi manusia yang dapat dikembangkan untuk menghasilkan sesuatu (Kemdikbud, 2013). 2.2
Structural Equation Modeling (SEM) Structural Equation Modeling (SEM) adalah suatu analisis multivariate yang menguji hubungan antara variabel-variabel di dalam modelnya (Wijanto, 2008, p. 6). SEM dapat digunakan untuk menganalisa hubungan yang kompleks antara satu atau lebih variabel laten dengan variabel laten atau antara satu atau lebih variabel laten
4
5 dengan variabel teramatinya (Yang, Yen and Chiang, 2012). Variabel yang termasuk dalam SEM adalah (Wijanto, 2008, p. 10): a. Variabel laten Variabel laten adalah variabel yang tidak dapat diamati secara langsung, contohnya adalah motivasi, perasaan, dan perilaku orang. SEM memiliki 2 jenis variabel laten yaitu variabel eksogen yang merupakan variabel bebas dan variabel endogen yang merupakan variabel terikat. b. Variabel teramati Variabel teramati adalah variabel yang dapat diamati dengan kasat mata sebagai indikator. Apabila penelitian menggunakan instrumen kuesioner, maka masingmasing pertanyaan akan menyangkut penilaian terhadap variabel teramati. Menurut Tempelaar, Loeff dan Gijselaers (2007), model dalam metode SEM terdiri dari 2 jenis model yaitu: a. Model Struktural Model struktural merupakan model yang menggambarkan hubungan antar variabel laten. b. Model Pengukuran Model pengukuran merupakan model yang menggambarkan hubungan antara variabel laten dengan variabel teramati atau indikator terkait. Berikut merupakan variabel laten dan variabel teramati dari penelitian ini: a. Variabel Laten Efficiency Systems engineering (SE) Seperti yang telah dibahas sebelumnya, SE merupakan suatu sistem yang terdiri dari sekumpulan orang, proses dan hasil untuk memenuhi kebutuhan pengguna (Blanchard and Fabrycky, 2011). Berdasarkan definisi tersebut maka pada penelitian ini variabel laten Efficiency SE diukur dari tiga variabel teramati yaitu fasilitas (facility), Business Process (BP) dan SDM (Human Resources (HR)). b. Variabel Laten Performance Kargo Ekspor SHIA Variabel ini digunakan untuk mengukur bagaimana tingkat kinerja kargo ekspor SHIA saat ini. Pengukuran yang dilakukan meliputi pengukuran terhadap dua variabel teramati yaitu keamanan dan kehandalan dari kargo ekspor SHIA. Model SEM tersebut diaplikasikan dalam proses desain instrumen penelitian (kuesioner) dan pengolahan data kuesioner (uji kecocokan). Menurut Hair et.al. (1998) yang dikutip oleh Wijanto (2008, p. 49), uji kecocokan terbagi menjadi tiga tahapan, yaitu: Uji kecocokan model pengukuran Uji kecocokan keseluruhan model Uji kecocokan model struktural Uji kecocokan model dapat dilakukan dengan menggunakan software LISREL 8.72 (Alavifar, Karimimalayer and Anuar, 2012). Model SEM baik model pengukuran maupun model struktural dapat direspesifikasi apabila uji kecocokan model pengukuran, uji kecocokan keseluruhan model dan uji kecocokan model struktural menunjukkan hasil yang kurang baik. 2.2.1 Uji Model Pengukuran Uji model pengukuran atau disebut juga dengan istilah CFA (Confirmatory Factor Analysis) merupakan analisis terhadap model pengukuran (model hubungan antara variabel laten dengan variabel teramati) dimana CFA bertujuan untuk memastikan bahwa variabel teramati merupakan refleksi atau ukuran dari variabel laten terkait (Wijanto, 2008, p. 25). Pada penelitian ini, uji model pengukuran dilakukan dengan dua tingkat atau disebut juga dengan Second CFA. Uji model
6 pengukuran terdiri dari uji validitas model pengukuran dan uji reliabilitas model pengukuran, yang dijelaskan sebagai berikut: a. Uji Validitas Model Pengukuran Uji validitas model pengukuran bertujuan untuk mengukur apakah variabel pada penelitian mengukur apa yang seharusnya diukur. Menurut Rigdon (1991) dan Doll (1994) yang dikutip oleh Wijanto (2008, p. 65), variabel teramati dikatakan memiliki validitas yang baik apabila: T-value ≥ 1.96 atau praktisnya ≥ 2. Standardized Loading Factor (SLF) ≥ 0.70. Igbaria (1997) yang dikutip oleh Wijanto (2008, p.139) menambahkan apabila nilai SLF ≤ 0.5 tetapi SLF ≥ 0.30 maka variabel tersebut masih bisa dipertimbangkan untuk tidak dihapus sesuai kebijakan peneliti. b. Uji Reliabilitas Model Pengukuran Uji reliabilitas model pengukuran bertujuan untuk mengukur konsistensi dari model pengukuran. Uji reliabilitas dapat diukur dengan menghitung nilai Construct Reliability (CR) dan Variance Extracted (VE). Berikut adalah rumus CR dan VE (Wijanto, 2008, p. 66): (2.1)
(2.2) 0 dimana, std loading = Standardized Loading Factor (SLF) dan εj adalah measurement error yang dapat diperoleh dari hasil output Lisrel 8.72. Suatu variabel dikatakan mempunyai reliabilitas yang baik apabila nilai CR ≥ 0.70 dan nilai VE ≥ 0.50 (Hair, 1998 dalam Wijanto, 2008, p. 66). 2.2.2 Uji Kecocokan Keseluruhan Model Uji kecocokan keseluruhan model dilakukan dengan mengevaluasi derajat kecocokan atau Goodness of Fit (GOF) (Wijanto, 2008, p. 51). Beberapa ukuran GOF yang sesuai dengan ukuran sampel yang kecil (n<250) adalah Chi-Square, RMSEA, RMR, NNFI, CFI, IFI, dan Normed Chi-Square (Shah and Goldstein, 2006). Ukuran GOF dan target tingkat kecocokan dari masing-masing GOF tersebut dijelaskan pada tabel berikut (Wijanto, 2008, p. 49): Tabel 2.1 Goodness of Fit (GOF) Ukuran GOF Target Tingkat Kecocokan Chi-Square Semakin kecil semakin baik p-value p > 0.05 Root Mean Square Error of RMSEA ≤ 0.08 adalah good fit, RMSEA ≥ 0.1 Approximation (RMSEA) adalah poor fit, RMSEA ≤ 0.05 adalah close fit. p (close fit) p ≥ 0.5 NonNormed Fit Index (NNFI) NNFI ≥ 0.90 adalah good fit, 0.80 ≤ NNFI < 0.90 adalah marginal fit, NNFI < 0.8 adalah poor fit Comparative Fit Index (CFI) CFI ≥ 0.90 adalah good fit, 0.80 ≤ CFI < 0.90 adalah marginal fit, CFI < 0.8 adalah poor fit Incremental Fit Index (IFI) IFI ≥ 0.90 adalah good fit, 0.80 ≤ IFI < 0.90 adalah marginal fit, IFI < 0.8 adalah poor fit Root Mean Square Residual Standardized RMR ≤ 0.05 adalah good fit
7 (RMR) Normed Chi-Square
Critical N (CN)
Rasio antara Chi-Square dibagi degree of freedom Nilai yang disarankan: batas bawah: 1.00, batas atas: 2.00 atau 3.00 dan yang lebih longgar 5.00 CN ≥ 200 adalah good fit, yang menunjukkan bahwa sampel cukup untuk mengestimasi model.
Sumber: Wijanto, 2008, p. 49
2.2.3 Uji Kecocokan Model Struktural Uji kecocokan model struktural adalah analisis terhadap model struktural penelitian dimana uji kecocokan ini akan menguji hubungan kausal antara variabel laten (Wijanto, 2008, p. 66). Suatu nilai koefisien atau estimasi dari hubungan antara 2 variabel laten bersifat signifikan apabila t-value ≥ 1.96. Pada program Lisrel 8.72, t-value yang ≥ 1.96 akan ditampilkan dengan warna hitam, sebaliknya jika t-value < 1.96 akan ditampilkan dengan warna merah. Tanda positif dan negatif dari nilai estimasi dan t-value menunjukkan hubungan positif atau negatif dari kedua variabel laten terkait (Wijanto, 2008, p. 149). 2.3
Fuzzy ServQual (Service Quality) Menurut Parasuraman et al (1988) yang dikemukakan kembali oleh Angelova (2011), service quality merupakan penillaian secara umum atau tindakan yang berhubungan dengan kelebihan dan kekurangan dari pelayanan dimana service quality yang diterima pengguna akan berpengaruh pada kepuasan dari pengguna. Menurut Bitner dan Zeithaml (2003) yang dikutip oleh Prabhakar dan Ram (2013), kepuasan pengguna adalah kesesuaian hasil penilaian dari jasa yang telah diterima (persepsi) dengan harapan sebelum jasa tersebut diterima (harapan). Apabila persepsi melebihi dari harapan, dapat dikatakan bahwa kualitas penyedia jasa sudah memenuhi harapan pengguna sedangkan apabila persepsi kurang dari harapan maka kualitas penyedia jasa dapat dianggap buruk (Imawati, 2008) Tingkat kepuasan pengguna didasarkan pada ukuran harapan pengguna. Menurut Parasuraman et al (1985) yang dikutip oleh Urban (2010), harapan dari pengguna muncul karena adanya faktor kebutuhan pengguna, pengalaman menerima jasa dengan tipe yang sama, komunikasi antar pengguna dari mulut ke mulut. Maka dari itu perlu diketahui persepsi dan harapan pengguna terhadap kargo ekspor SHIA dengan membagikan kuesioner kepada karyawan bagian ekspor dari perusahaan ekspedisi di Soewarna Businees Park, Komplek SHIA yang menggunakan jasa kargo SHIA. Untuk mengukur nilai kesenjangan persepsi dan harapan, hasil dari kuesioner perlu diolah dengan metode Fuzzy ServQual. Fuzzy ServQual berguna untuk memberikan nilai yang lebih tepat kepada peneliti karena adanya subjektivitas responden dalam pengisian kuesioner (Erdogan, Bilisik, Kaya and Barach, 2013). Contohnya seorang responden memilih pilihan setuju, apakah pilihan tersebut cenderung ke arah cukup atau ke sangat setuju. Hal ini menyebabkan perbedaan tingkat penilaian. Oleh sebab itu, untuk mengatasi subjektivitas responden tersebut maka digunakan metode Fuzzy ServQual. Proses perhitungan pada Fuzzy ServQual terdiri dari fuzzyfikasi dan defuzzyfikasi. Fuzzyfikasi yaitu penentuan Triangular Fuzzy Number (TFN) dan defuzzyfikasi merupakan penentuan nilai crisp fuzzy.
8
Sumber: Adaptasi dari Suharyanta dan A'yunin, 2012
Gambar 2.1 Penentuan Nilai Fuzzy Triangular Fuzzy Number (TFN) merupakan range nilai dari bobot jawaban responden. TFN terdiri dari tiga nilai batas yaitu nilai batas bawah (a), nilai tengah (b) dan nilai batas atas (c). Setiap pilihan di berikan range nilai yang akan dihitung menggunakan rumus untuk menentukan TFN. Berikut merupakan rumus untuk menentukan Triangular Fuzzy Number (TFN) (Suharyanta dan A'yunin, 2012): b × n + b × n . + .... + bak × nk (2.3) Nilai batas bawah (a) = a1 1 a 2 2 n1 + n2 + .... + nk b × n + b × n . + .... + bbk × nk (2.4) Nilai tengah (b) = b1 1 b 2 2 n1 + n2 + .... + nk b × n + b × n . + .... + bck × nk (2.5) Nilai batas atas (c) = c1 1 c 2 2 n1 + n2 + .... + nk 0 Keterangan: bak = nilai bobot bawah dari pilihan k bbk = nilai bobot tengah dari pilihan k bck = nilai bobot atas dari pilihan k nk = jumlah responden dari pilihan k Setelah melakukan fuzzyfikasi yaitu dengan menentukan nilai TFN, selanjutnya dilakukan defuzzyfikasi dengan melakukan perhitungan nilai crisp fuzzy yaitu dengan menghitung nilai rata-rata dari nilai batas bawah (a), nilai tengah (b), nilai batas atas (c). a+b+c (2.6) Crisp Fuzzy = 3 0 Nilai crisp fuzzy inilah yang akan digunakan pada perhitungan selanjutnya yaitu menghitung kesenjangan persepsi dan harapan pengguna. Perhitungan kesenjangan persepsi dan harapan pengguna dapat dilakukan dengan menggunakan rumus sebagai berikut (Govender, Veerasamy and Noel, 2012): (2.7) Dimana skor persepsi dan skor harapan merupakan nilai crisp fuzzy persepsi dan nilai crisp fuzzy harapan. Selanjutnya, apabila skor service quality bernilai negatif maka hal tersebut menunjukkan adanya kesenjangan antara persepsi dan harapan pengguna. Skor persepsi dan skor harapan perlu dipetakan ke dalam diagram kartesius agar dapat diketahui indikator-indikator yang perlu diperbaiki terlebih dahulu. Pada diagram kartesius ini, nilai persepsi berada pada axis dan nilai harapan berada pada
9 ordinate (Kasim and Fathurahman, 2011). Sehingga akan terdapat titik-titik koordinat dari skor persepsi dan harapan. Selanjutnya, rata-rata dari persepsi dan rata-rata dari harapan akan membagi diagram kartesius menjadi empat kuadran yang dapat dilihat pada gambar 2.2.
I
II
III
IV
Sumber: Adaptasi dari Kasim and Fathurahman (2011)
Gambar 2.2 Konsep Diagram Cartesius Skor Persepsi dan Skor Harapan Kuadran I : Persepsi Rendah, Harapan Tinggi Kuadran II : Persepsi Tinggi, Harapan Tinggi Kuadran III : Persepsi Rendah, Harapan Rendah Kuadran IV : Persepsi Tinggi, Harapan Rendah Berdasarkan diagram kartesius pada gambar 2.2, diketahui bahwa indikatorindikator yang berada pada kuadran I merupakan indikator yang perlu diperbaiki terlebih dahulu daripada indikator yang berada dikuadran lain, karena indikator tersebut memiliki harapan yang tinggi tetapi memiliki penilaian yang rendah dari pengguna. Selanjutnya, untuk menentukan urutan indikator yang perlu diperbaiki terlebih dahulu, dapat dilakukan dengan menghitung Compatibility Level (Kasim and Fathurahman, 2011). Compatibility Level adalah perbandingan antara skor persepsi dan skor harapan (Kasim and Fathurahman, 2011). Berikut merupakan rumus untuk menghitung Compatibility Level (Adaptasi dari Kasim and Fathurahman, 2011): P (2.8) CL = × 100% H dimana, CL = Compatibility Level P = Skor Persepsi (Crisp Fuzzy Persepsi) H = Skor Harapan (Crisp Fuzzy Harapan) Indikator yang memiliki nilai CL yang paling kecil perlu diperbaiki terlebih dahulu, lalu indikator dengan nilai CL terkecil kedua merupakan indikator yang perlu diperbaiki selanjutnya, dan seterusnya. Jadi urutan perbaikan ditentukan dari nilai CL yang terkecil ke yang terbesar.
