BAB 3 METODE PENELITIAN
3.1
Desain Penelitian Penelitian yang dilaksanakan di Hotel Prapancha ini merupakan penelitian asosiatif atau hubungan kuantitatif dengan statistik. Karena bertujuan untuk mengetahui hubungan antara variabel kualitas pelayanan jasa, sikap konsumen dan loyalitas pelanggan. Selain itu dalam penelitian ini digunakan metode cross section untuk mengumpulkan data dalam kurun waktu tertentu, yaitu sejak bulan Juli hingga Desember 2010. Tabel 3.1 Metode Analisis Data Tujuan Penelitian
Metode Analisis Jenis Penelitian
Teknik Analisis
T-1
Asosiatif
Structural Equation Modelling
T-2
Asosiatif
Structural Equation Modelling
T-3
Asosiatif
Structural Equation Modelling
T-4
Asosiatif
Structural Equation Modelling
Sumber : Hasil Penelitian (2010)
Keterangan : T-1 : Untuk mengetahui pengaruh antara kualitas pelayanan jasa terhadap sikap konsumen T-2 : Untuk mengetahui pengaruh antara sikap konsumen terhadap loyalitas pelanggan
35
T-3 : Untuk mengetahui pengaruh antara kualitas pelayanan jasa terhadap loyalitas pelanggan T-4 : Untuk mengetahui pengaruh antara kualitas pelayanan jasa terhadap loyalitas pelanggan melalui sikap konsumen
3.2
Operasionalisasi Variabel Penelitan Tabel 3.2 Operasionalisasi Variabel Penelitan Variabel
Konsep
Dimensi/Sub
Variabel
Variabel
Indikator
Kualitas
Tindakan
Pelayanan
yang tidak
jasa
berwujud
fasilitasnya tampak
(X)
fisik yang
baik dan rapi
ditawarkan kepada pihak
1. Bukti langsung (tangible)
kondisi fisik hotel serta
2. Kehandalan
Kemampuan dan
(reliability)
kompetensi petugas dalam memberikan
lain serta
pelayanan jasa hotel
memberikan manfaat kepada pihak
Pelayanan petugas dan
3. Daya tanggap (responsiveness)
lain
Kecepatan dan ketanggapan petugas dalam memberikan pelayanan jasa hotel
4. Jaminan
Kesopanan dan sifat
(assurance)
yang dapat dipercaya dari petugas
5. Empati
Perhatian dan
(emphaty)
pemahaman petugas atas kebutuhan pelanggan dalam memberikan pelayanan jasa hotel
36
Skala
Skala
Pengukuran
Ukur
Skala Likert
Ordinal
Sikap
Pola
1. Komponen
Konsumen
perasaan,
Kognitif
(Y)
keyakinan
Meliputi kualitas
Skala Likert
Ordinal
Skala Likert
Ordinal
pelayanan jasa hotel yang diberikan
dan
perusahaan
kecenderung
Kesesuaian pelayanan
an perilaku
jasa yang diberikan
seseorang
terhadap ekspektasi
dalam bentuk
pengguna jasa
suka atau
2. Komponen
tidak suka
Afektif
Rasa senang dan kepuasan pengguna
yang
jasa terhadap jasa
konsisten
hotel yang diberikan
terhadap
Rasa percaya
suatu objek
pengguna jasa terhadap jasa hotel yang diberikan oleh perusahaan 3. Komponen Konatif
Pengguna jasa ingin menggunakan jasa hotel yang ditawarkan perusahaan
Loyalitas
Kesetiaan
Pelanggan
konsumen
(Z)
terhadap
Kesediaan pengguna
1. Pembelian kembali (repeat)
jasa untuk kembali menggunakan jasa
perusahaan
hotel yang ditawarkan
atau suatu
oleh perusahaan
produk
2. Menunjukkan
tertentu
daya tahan
jasa menceritakan hal-
dengan
terhadap pesaing
hal yang baik dan
disertai
(retention)
positif kepada pihak
Kesediaan pengguna
lain
tindakan untuk
37
membeli
3. Mempengaruhi
kembali
Kesediaan pengguna
pelanggan lain
jasa merekomendasi-
(raferral)
kan jasa yang ditawarkan perusahaan kepada pihak lain
Sumber : Hasil Penelitian (2010)
3.3
Jenis dan Sumber data Penelitian Untuk mendapatkan data yang valid dalam penelitian, yang pertama perlu diketahui adalah mengenai jenis-jenis data. Dalam penelitian ini data dapat dikelompokkan sebagai berikut: 1) Menurut Sifat •
Data Kuantitatif, yaitu data yang dinyatakan dalam bentuk angka pada pilihan jawaban kuesioner yang di sebarkan kepada responden.
2) Menurut Sumber •
Data internal, yaitu data volume penyewaan kamar yang bersumber dari Manajer Operasional Hotel Prapancha.
3) Menurut Cara Memperoleh •
Data primer, yaitu data yang dikumpulkan dan diolah sendiri oleh penulis langsung dari responden melalui kuesioner
4) Menurut Waktu Pengumpulannya •
Data cross section, yaitu data yang dikumpulkan dalam suatu periode tertentu. Dalam penelitian ini adalah selama enam bulan terakhir (Juli – Desember 2010), yang menggambarkan presentase dan pendapatan sewa kamar Hotel Prapancha
38
3.4
Teknik Pengumpulan Data Untuk mengumpulkan informasi dan data yang diperlukan dalam penelitian ini, maka peneliti menggunakan beberapa teknik pengumpulan data, yaitu :
1. Studi literature atau studi pustaka Studi literature atau studi pustaka dilakukan dengan cara membaca bukubuku referensi, literature, jurnal maupun artikel di majalah atau internet yang berhubungan dengan topik penelitian dengan tujuan untuk memperoleh pengetahuan teoritis dan pendapat para ahli yang berhubungan dengan penelitian ini sehingga dapat digunakan untuk membantu penulis dalam menganalisis data dan mendeskripsikan masalah yang diteliti.
2. Kuesioner Penulis melakukan teknik pengumpulan data yang berupa seperangkat pertanyaan atau pernyataan tertulis dengan pilihan jawaban yang sudah tersedia bagi responden untuk mendapatkan data primer, dimana penulis langsung menemui dan menyerahkan lembar kuesioner ini kepada responden yang memenuhi syarat. Dalam penelitian ini responden yang memenuhi syarat adalah pengguna jasa yang sebelumnya pernah menginap di Hotel Prapancha setidaknya satu kali.
3. Wawancara Wawancara dilakukan dengan mengajukan pertanyaan langsung kepada pihak Manajemen Operasional Hotel Prapancha untuk memperoleh informasi dan data tambahan bagi penelitian ini, yaitu pertanyaan mengenai profil perusahaan
(Company Profile) dan data presentase dan pendapatan sewa kamar di Hotel Prapancha.
39
3.5
Teknik Pengambilan Sampel Populasi adalah keseluruhan dari karakteristik atau unit hasil pengukuran yang menjadi objek penelitian atau populasi merupakan objek atau subjek yang berada pada suatu wilayah dan memenuhi syarat tertentu berkaitan dengan masalah penelitian. (Riduwan dan Kuncoro (2007, p37).
Probability sampling adalah teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel. Teknik pengambilan sampel yang digunakan dalam penelitian ini adalah Simple Random Sampling, yaitu pengambilan sampel anggota populasi dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi.
3.6
Teknik Pengolahan Sampel Karena populasi pelanggan di Hotel Prapancha besar, maka penulis menggunakan sampel responden yang sudah pernah menginap sebelumnya di Hotel Prapancha. Untuk menentukan berapa banyak sampel yang perlu diambil untuk melakukan penelitian, dapat menggunakan rumus dari Taro Yamane atau Slovin sebagai berikut (Riduwan dan Kuncoro, 2007, p49) : N n=
2567 =
N.d2 + 1
= 96.25 ≈ 97 orang 2567 x (0,1)2 + 1
Dimana : n = jumlah sampel
Æ 96.25 ≈ 97 orang
N = jumlah populasi
Æ 2567 orang
d = presisi
Æ 10% (dengan tingkat kepercayaan 95%)
40
Menurut hasil perhitungan dari rumus Taro Yamane atau Slovin jumlah sample minimum yang digunakan dalam penelitian ini adalah sebanyak 97 orang, namun jumlah kuesioner yang disebarkan kepada responden lebih besar dari jumlah tersebut. Berdasarkan pendapat Imam Ghozali dan Fuad (2005, p36), jumlah sampel yang disarankan untuk penelitian Structural Equation Modeling menggunakan metode estimasi Maximum Likelihood adalah antara 100 sampai 200 sampel. Oleh karena itu peneliti membagikan kuesioner sebanyak 200 buah dan terisi sebanyak seluruhnya oleh responden. Sehingga jumlah sampel yang digunakan dalam penelitian ini yaitu sebanyak 200 orang.
3.7
Teknik Pengukuran Variabel Bentuk pertanyaan yang digunakan dalam kuesioner dibuat secara terstruktur, artinya pertanyaan yang diajukan ke tiap responden sama persis dan diberikan pilihan jawaban. Pertanyaan yang digunakan berpedoman pada skala likert yang digunakan untuk mengukur sikap, pendapat, dan persepsi bagi responden (Kuncoro : 2007, p19). Bentuk penilaian jawaban kuesioner menggunakan pembobotan dengan 5 buah skala, bobot dan kategori pengukuran atas tanggapan responden diuraikan dalam table di bawah ini :
Tabel 3.3 Bobot dan Kategori Pengukuran Data Keterangan
Penilaian
Sangat Tidak Setuju
1
Tidak Setuju
2
Ragu-ragu
3
41
Setuju
4
Sangat Setuju
5
Sumber : Kuncoro ( 2007, p19 )
Sedangkan nilai dan kategori batas penelitian dapat dilihat dengan memperhitungkan :
• Nilai terendah : 1, yaitu jika jawaban responden adalah “sangat tidak setuju” • Nilai tertinggi : 5, yaitu jika jawaban responden adalah “sangat setuju”
3.8
Metode Analisis Data Metode analisis yang digunakan adalah Model Persamaan Struktural (Structural Equation Modeling) yang mengacu pada hubungan antara variabel manifest dengan variabel laten (Model Pengukuran) dan hubungan antarvariabel laten (Model Jalur) baik hubungan langsung maupun tidak langsung. Dalam
Structural Equation Modeling, seluruh tahap-tahap analisis menggunakan program LISREL 8.54.
3.8.1
PRELIS Alasan utama adanya PRELIS adalah untuk membantu peneliti melakukan screening data dengan menyediakan program yang mampu mengatasi berbagai permasalahan yang timbul dalam pengumpulan data. PRELIS memiliki berbagai fungsi berikut : •
Menyimpan data mentah yang sebelumnya disimpan pada berbagai macam program seperti SPSS, Ms. EXCEL, SAS, data text, dan lain sebagainya.
•
Menyajikan statistik deskriptif dan analisis grafis mengenai data.
42
•
Menghasilkan berbagai macam matriks (covariance, correlation, atau asymptotic
covariance matrix). •
Memperlakukan dua jenis data yang berbeda seperti continuous ataupun ordinal.
•
Dapat menghasilkan matriks pada data yang mengandung missing values (nilainilai observasi hilang).
•
Dapat melakukan manipulasi data dan manajemen data, seperti menghilangkan outliers, transformasi data, dan lain sebagainya.
3.8.2
Spesifikasi Model Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Secara garis besar, spesifikasi model dijalankan dengan menspesifikasi model pengukuran serta model struktural. Spesifikasi model pengukuran meliputi definisi variabelvariabel laten dan variabel manifest (observed), dan definisi hubungan antara variabel laten dengan variabel manifest. Spesifikasi model struktural dilakukan dengan mendefinisikan hubungan kausal di antara variabel-variabel laten (Sitinjak dan Sugiarto, 2006, p64).
3.8.3
Identifikasi Model Identifikasi
model
dimaksudkan
untuk
menjaga
agar
model
yang
dispesifikasikan bukan merupakan model yang under-identified atau unidentified. Model struktural dapat dikatakan baik apabila memiliki satu solusi yang unik untuk estimasi parameter. Jika solusi unik tidak dapat terpenuhi maka mungkin diperlukan modifikasi model untuk dapat diidentifikasi sebelum melakukan estimasi. Untuk menentukan apakah suatu model memiliki solusi yang unik, maka harus memenuhi keadaan berikut (Ghozali dan Fuad, 2005, p46) : t ≤ s/2
43
Dimana : t = jumlah parameter yang diestimasi s = jumlah varians dan kovarians antara variabel manifest yang merupakan (p+q)(p+q+1) p = jumlah variabel y (indikator variabel endogen) q = jumlah variabel x (indikator variabel eksogen) Jika t ≥ s/2 maka model tersebut adalah unidentified. Masalah unidentified dapat diatasi dengan mengkonstraint model. Jika t = s/2 maka model tersebut adalah just-identified, sehingga solusi yang unik, tunggal, dapat diestimasi untuk mengestimasi parameter. Namun pada model yang just-identified, seluruh informasi yang tersedia telah digunakan untuk mengestimasi parameter, sehingga tidak ada informasi yang tersedia untuk menguji model (derajat kepercayaan adalah 0). Jika t < s/2 maka model tersebut adalah over-identified. Berdeda dengan model yang
just-identified, model ini dapat menggunakan informasi yang tersisa untuk menguji fit atau tidaknya suatu model.
3.8.4
Estimasi Parameter Dalam program LISREL 8.54, data dibagi menjadi dua, yaitu Data
Continuous dan Data Ordinal. Jenis data yang digunakan dalam penelitian ini adalah data ordinal, karena data memiliki kategori berurutan dan menggunakan skala Likert (1-5). Akan tetapi data ordinal yang mengharuskan penggunaan metode estimasi
Weighted Least Square sulit untuk dilakukan karena memerlukan jumlah data yang sangat besar (lebih besar dari 1000). Chou et al (1991) dan Hu et al (1992) berpendapat bahwa lebih masuk akal jika memperlakukan data ordinal sebagai data
continuous
dan
mengkoreksi
uji
statistik.
Beberapa
peneliti
membolehkan
penggunaan skala interval sebagai data continuous sehingga dapat langsung
44
dianalisis dengan menggunakan metode Maximum Likelihood dan melakukan koreksi atas beberapa bias yang mungkin timbul (Chou et al. 1991; Hu et al. 1992). Penggunaan data ordinal sebagai data continuous dan diestimasi menggunakan metode Maximum Likelihood dengan menggunakan ukuran data yang kecil dan jumlah kategori yang lebih dari tiga akan menghasilkan kemungkinan bias yang kecil. Metode estimasi Maximum Likelihood (ML) adalah metode yang paling populer digunakan pada penelitian Structural Equation Modeling. Maximum
Likelihood akan menghasilkan estimasi parameter yang valid, efisien, dan reliabel apabila
data
yang
digunakan
adalah
multivariate
normality
dan
tidak
terpengaruh/kuat terhadap penyimpangan multivariate normality yang sedang (moderate). Tetapi estimasi akan bias apabila pelanggaran terhadap multivariate
normality sangat besar (Ghozali dan Fuad, 2005, p35-36). Oleh karena itu metode Maximum Likelihood perlu disertai dengan melakukan koreksi terhadap bias pada nilai
standar
error
dan
chi-square
atas
dilanggarnya
normalitas
dengan
menggunakan asymptotic covariance matrix. Penggunaan metode estimasi Maximum
Likelihood akan menghasilkan output yang menunjukkan nilai loading yang sama dengan apabila menggunakan metode estimasi Weighted Least Square. Ukuran sampel yang disarankan Hair et al. (1998) untuk penggunaan estimasi Maximum
Likelihood adalah sebesar 100-200. Kelemahan metode Maximum Likelihood adalah metode ini akan menjadi sangat sensitif dan menghasilkan indeks goodness of fit yang buruk apabila data yang digunakan adalah besar (antara 400-500).
3.8.4.1 Model Pengukuran (Measurement Model) Tujuan dari model pengukuran (measurement model) adalah untuk menggambarkan sebaik apa variabel-variabel manifest dapat digunakan sebagai instrumen pengukuran variabel laten. Dalam hal ini, konsep utama yang digunakan
45
adalah pengukuran, validitas, dan reliabilitas. Dalam metode analisisnya, yaitu
Confirmatory Factor Analysis (CFA), dianggap bahwa variabel laten sebagai variabel penyebab atau variabel yang mendasari variabel-variabel manifest (observed). Pada masing-masing persamaan yang dihasilkan mengandung tiga jenis informasi, yaitu (Ghozali dan Fuad, 2005, p285): •
Unstandardized Parameter Estimate Menunjukkan pengaruh estimate value suatu variabel laten terhadap variabel manifest.
•
Standard Error Menginformasikan seberapa tepat bilai suatu parameter tersebut diestimasi. Semakin kecil standard error, semakin baik estimasi yang dimiliki.
•
Nilai t Menentukan apakah suatu parameter secara signifikan berbeda dari nol dalam suatu poplasi. Nilai t antara -1,979 sampai 1,979 mengindikasikan bahwa parameter secara signifikan tidak berbeda dari nol (pada taraf signifikansi 5%).
3.8.4.2 Uji Validitas dan Reliabilitas Menurut Ghozali dan Fuad (2005, p.317), tujuan dalam mengevaluasi model pengukuran (measurement model) adalah untuk menentukan validitas dan reliabilitas variabel-variabel manifest dari suatu variabel laten. Uji validitas merupakan suatu uji yang bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel laten tersebut. Sedangkan uji reliabilitas adalah suatu pengujian untuk menentukan konsistensi pengukuran indikator-indikator dari variabel suatu variabel laten. Validitas suatu variabel manifest dapat dievaluasi dengan tingkat signifikansi pengaruh antara suatu variabel laten dengan variabel manifestnya. Model penelitian
46
dikatakan tidak valid ditunjukkan dengan tidak signifikannya hubungan antara variabel manifest (observed) dengan variabel laten. Apabila model pengukuran adalah fit, maka nilai estimasi unstandardized loading dapat digunakan sebagai koefisien validitas. Indikator yang paling kurang valid ditunjukkan dengan nilai
unstandardized loading variabel manifest yang paling rendah. Namun karena variabel-variabel manifest dari suatu variabel laten yang sama dapat diukur dengan skala yang sangat berbeda antara variabel manifest yang satu dan yang lainnya, maka perbandingan dengan menggunakan unstandardized loading adalah tidak sesuai. Oleh karena itu disarankan untuk mengevaluasi nilai standardized loading pada output Completely Standardized Solutions. Sedangkan reliabilitas suatu variabel manifest diinterpretasikan dengan nilai
squared multiple correlations (R2) dari masing-masing variabel manifest yang ditampilkan pada ouput Measurement Equations. R2
menjelaskan mengenai
seberapa besar proporsi varians variabel manifest yang dijelaskan oleh variabel laten, sedangkan sisanya dijelaskan oleh measurement error. Variabel manifest yang paling kurang reliable ditunjukkan dengan nilai R2 yang paling rendah pada persamaan pengukuran (measurement equations) antara indikator dengan variabel latennya. Disamping menguji reliabilitas variabel manifest individual, dapat pula dinilai reliabilitas gabungan (composite reliability) untuk tiap-tiap variabel laten. Composite
reliability sering juga disebut construct reliability. Dengan menggunakan informasi pada loading variabel manifest dan error variance yang diperoleh pada output SIMPLIS Completely Standardized Solutions, penghitungan composite reliability dapat menggunakan rumus berikut :
ρc
= (Σλ)2 / [(Σλ)2 + (Σθ)]
47
Dimana : ρc = composite reliability λ = loading variabel manifest θ = error variance variabel manifest Menurut Bagozzi dan Yi (1988) tingkat cut-off untuk dapat mengatakan bahwa composite reliability cukup bagus adalah 0,6. Metode lain yang dapat mengukur composite reliability adalah dengan menggunakan metode average
variance extracted yang mengukur secara langsung jumlah varians yang diperoleh melalui suatu variabel laten dibandingkan dengan jumlah varians yang diperoleh melalui measurement error. Diharapkan nilai ρc lebih daripada 0,5 karena apabila ρc kurang daripada 0,5 menunjukkan bahwa measurement error lebih banyak memiliki kontribusi kepada variabel manifest daripada variabel laten. Informasi yang digunakan sama dengan yang digunakan dalam perhitungan composite reliability. Rumus untuk menilai average variance extracted adalah sebagai berikut : ρc
= (Σλ2) / [(Σλ2)+ (Σθ)]
3.8.4.3 Penilaian Model Struktural Evaluasi model struktural berfokus pada hubungan-hubungan antara variabel laten eksogen (ξ) dan endogen (η) serta hubungan antarvariabel endogen (η). Tujuan dalam menilai model struktural adalah untuk memastikan apakah hubunganhubungan yang dihipotesiskan pada model konseptualisasi didukung oleh data empiris yang diperoleh melalui survey. Pada masing-masing persamaan akan menghasilkan unstandardized parameter estimate, standar error, dan nilai t. Terdapat tiga hal yang harus diperhatikan dalam hal ini, yaitu :
48
1. Tanda (arah) hubungan antara variabel-variabel laten yang mengindikasikan apakah hasil hubungan antara variabel-variabel tersebut memiliki pengaruh yang sesuai dengan yang dihipotesiskan. 2. Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna
mengenai
hubungan
antara
variabel-variabel
laten.
Nilai
t
digunakanBatas untuk menolak atau menerima suatu hubungan dengan tingkat signifikansi 5% adalah 1,979 (mutlak), dimana apabila nilai t terletak diantara 1,979 dan 1,979 maka hipotesis yang menyatakan adanya pengaruh harus ditolak, sedangkan apabila nilai t lebih besar daripada 1,979 atau lebih kecil daripada -1,979 maka hipotesis yang menyatakan adanya pengaruh harus diterima dengan taraf signifikansi 5%. 3. Koefisien determinasi (R2) mengindikasikan jumlah varians pada variabel laten endogen yang dapat dijelaskan secara simultan oleh variabel-variabel laten eksogen. Semakin tinggi nilai R2, maka semakin besar variabel-variabel eksogen tersebut
dapat
menjelaskan
variabel
endogen,
sehingga
semakin
baik
persamaan struktural. Informasi mengenai koefisien determinasi R2 diperoleh melalui matriks PSI pada format LISREL dan juga di sebelah kanan persamaan struktural. Untuk mengetahui variabel mana yang memiliki pengaruh terbesar, maka sangat disarankan untuk melihat pada standardized estimates daripada
unstandardized estimates.
3.8.4.4 Standardized Solutions Dan Completely Standardized Solutions
Standardized Solutions dan Completely Standardized Solutions yang dihasilkan LISREL dengan memasukkan perintah ‘Options: SS SC’ merupakan output nilai estimasi parameter-parameter yang sudah distandarisasi. Pada hubunganhubungan langsung, estimasi parameter yang terstandarisasi menunjukkan tingkat
49
perubahan variabel endogen akibat berubahnya standar deviasi variabel eksogen. Sedangkan
pada
hubungan
tidak
langsung
(covariance),
parameter
yang
terstandarisasi mengestimasi korelasi antara variabel-variabel yang bersangkutan. Manfaat dari metode yang distandarisasi ini adalah memudahkan interpretasi hubungan-hubungan bivariate antara variabel-variabel laten. Karena hubunganhubungan antara variabel tersebut dirubah dalam bentuk korelasi, sehingga hubungan antara dua variabel tersebut menjadi jelas. Korelasi yang memiliki nilai mendekati 1 menunjukkan hubungan yang kuat, sedangkan nilai yang mendekati nol memiliki hubungan yan semakin lemah. Sebenarnya Standardized Solutions dan Completely Standardized Solutions adalah sama, kecuali pada bagian LAMBDA-Y dan LAMBDA-X. Perbedaannya, pada bagian Standardized Solutions hanya terdapat standarisasi nilai estimasi variabel laten. Sedangkan Completely Standardized Solutions menampilkan baik standarisasi variabel laten maupun variabel manifest. Perintah Standardized Solutions dan
Completely Standardized Solutions akan menghasilkan matriks-matriks berikut : • Matriks LAMBDA-Y menghubungkan variabel laten endogen dengan variabelvariabel manifestnya. • Matriks LAMBDA-X menginformasikan mengenai estimasi parameter yang menghubungkan variabel laten eksogen dengan variabel-variabel manifestnya. • Matriks BETA menunjukkan hubungan antara sesama variabel laten endogen. • Matriks GAMMA menunjukkan pengaruh antara variabel laten eksogen terhadap variabel laten endogen. • Correlation Matrix of ETA and KSI, yaitu matriks korelasi antara variabel-variabel laten yang dianalisis. • Matriks PSI menunjukkan error model struktural dimana error tersebut telah distandarisasi.
50
• Regression Matrix ETA on KSI (Standardized) menunjukkan pengaruh variabel laten eksogen terhadap variabel laten endogen. • Matriks THETA-EPS (hanya terdapat dalam Completely Standardized Solutions) • Matriks THETA-DELTA (hanya terdapat dalam Completely Standardized Solutions)
3.8.4.5 Effect Decomposition
Effect decomposition merupakan salah satu output dalam LISREL yang menampilkan estimasi pengaruh langsung, tidak langsung, dan pengaruh total antara satu variabel dengan variabel lainnya. Komposisi pengaruh variabel eksogen terhadap variabel endogen tersebut terdiri dari total pengaruh langsung dan pengaruh tidak langsung. Pengaruh tidak langsung diperoleh dari perkalian antara estimasi unstandardized antara variabel-variabel perantara (intervening). Sedangkan pengaruh total (total effects) diperoleh melalui penjumlahan pengaruh tidak langsung dan pengaruh langsung antara suatu variabel terhadap variabel lainnya. Perintah effect decomposition diperoleh dengan menuliskan perintah Options : EF. Total effect dan indirect effect terdiri dari beberapa matriks yang terbagi dalam empat bagian berikut : • Total Effects of KSI on ETA dan Indirect Effects of KSI on ETA, menginformasikan mengenai bagaimana pengaruh antara variabel laten eksogen (ξ/KSI) terhadap variabel laten endogen (η/ETA), baik pengaruh tidak langsung maupun pengaruh total. • Total Effects of ETA on ETA, menggambarkan total pengaruh variabel laten endogen terhadap variabel laten endogen lainnya. • Total Effects of ETA on Y dan Indirect Effects of ETA on Y, menjelaskan pengaruh variabel laten endogen terhadap variabel-variabel manifestnya (Y).
51
• Total Effects of KSI on Y, menginformasikan pengaruh variabel laten eksogen terhadap variabel-variabel manifest dari variabel laten endogen.
3.8.4.6 Residual Analysis Analisis Residual merupakan salah satu output LISREL yang dihasilkan dengan menambahkan perintah ‘Options: RS’. Residual Analysis menampilkan Fitted
Residual Matrix yang merupakan hasil perbandingan antara Fitted Covariance Matrix dengan Sample Covariance Matrix.
Fitted Residual = Covariance Matrix – Fitted Covariance Matrix Apabila Fitted Residual bernilai positif, maka disebut Underfitting. Yang berarti model penelitian yang diajukan merendahkan nilai kovarians matriks aktual (berdasarkan data). Demikian pula dengan Fitted Residual yang bernilai negatif disebut Overfitting, karena kovarians matriks sesungguhnya lebih tinggi daripada
sample covariance matrix. Standardized Residuals menunjukkan nilai residual yang tidak dipengaruhi oleh bedanya pengukuran variabel manifest lainnya. Standardized Residuals dapat diinterpretasikan dengan penyimpangan normal standarnya (z-score) dimana nilai absolut yang lebih besar daripada 2,58 dianggap memiliki penyimpangan yang besar. Jumlah nilai Standardized Residuals terbesar dapat menunjukkan apakah model penelitian me-underestimate atau me-overestimate kovarians antara variabel manifest pada data empiris. Apabila jumlah Largest Negative Standardized Residuals lebih banyak daripada Largest Positif Standardized Residuals, maka dapat dikatakan bahwa model me-overestimate kovarians antara variabel manifest pada data empiris, begitu pula sebaliknya.
52
-10|4 - 8|2 - 6|96 - 4|96654218642 - 2|98663186652210 - 0|998765533111109988750000000000000000 0|11345789900023345567999 2|0335699056 4|378816 6|1779145 8|12384 10|016 12| 14| 16|5
Stem-Leaf Residual Plot merupakan output yang menunjukkan nilai-nilai residual individual. Dikatakan stem-leaf residual plots karena nilai-nilai pada sebelah kiri garis vertikal (|) disebut stem, sedangkan yang terdapat pada sebelah kanan garis vertikal disebut leaf, yang merupakan digit kedua nilai residual. (Imam Ghozali dan Fuad, 2005, p330) Jika model adalah fit, maka stem-leaf plots akan memiliki residual yang akan mengelompok secara simetris sekitar nilai nol, dimana nilai residual paling banyak terdapat pada tengah distribusi dan akan semakin sedikit pada bagian bawah dan atas. Kelebihan residual pada salah satu bagian stem-leaf
plots tersebut (bagian bawah atau atas) berarti bahwa kovarians secara sistematis dinilai rendah (underestimated) ataupun dinilai tinggi (overestimated) oleh suatu model. Untuk mengatasi adanya underestimated tersebut, model seharusnya dimodifikasi dengan menambahkan jumlah path (dengan membebaskan parameter). Sebaliknya, residual negatif berarti bahwa model menilai lebih (overestimated) kovarians matriks pada data empiris yang dimiliki. Sehingga modifikasi pada keadaan tersebut seharusnya dilakukan dengan menghilangkan path yang berhubungan dengan kovarians tersebut.
53
Gambar 3.1 disebut normal probability (Q-plots), yang menunjukkan asumsi terpenuhi tidaknya asumsi normalitas dan juga kemungkinan model fit. Suatu model dapat dikatakan memiliki kemungkinan fit terbaik apabila garis residual sejajar dengan garis diagonal. Sedangkan model memiliki kemungkinan acceptable fit apabila garis residual memiliki kecuraman lebih besar daripada 45 derajat. Sedangkan model yang paling buruk adalah model yang residualnya terletak pada garis horizontal. Jika pola residual tersebut tidak linear, maka terdapat indikasi bahwa data menyimpang dari asumsi normalitas, linearitas, atau bahkan adanya specification
errors, yaitu model yang tidak sempurna yang timbul akibat dimasukkan variabel atau indikator yang tidak relevan dan/atau dihilangkannya variabel atau indikator yang relevan.
54
Sumber : Ghozali dan Fuad (2005, p336)
Gambar 3.1 Bentuk Normal Probability (Q-plots)
55
3.8.5
Penilaian Model Fit Dalam Structural Equation Modeling, penilaian model fit tidak sejelas pendekatan statistik berdasarkan pengukuran variabel tanpa error. Karena belum ada tes signifikansi statistik tunggal dalam mengidentifikasi model yang benar dalam mewakili data sampel. Oleh karena itu diperlukan beberapa kriteria untuk penilaian model fit. Secara keseluruhan Goodness of Fit dari suatu model dapat dinilai berdasarkan beberapa ukuran fit berikut (Imam Ghozali dan Fuad, 2005, p29-34) : 1. Chi-Square dan Probabilitas Nilai Chi-Square menunjukkan adanya penyimpangan antara sample covariance
matrix dan model (fitted) covariance matrix. Namun nilai Chi-Square hanya akan valid apabila asumsi normalitas data terpenuhi dan ukuran sampel adalah besar. Nilai Chi-Square sebesar 0 menunjukkan bahwa model memiliki fit yang sempurna (perfect fit). P adalah probabilitas untuk memperoleh penyimpangan (deviasi) besar sebagaimana ditunjukkan oleh nilai Chi-Square. Nilai probabilitas ChiSquare yang tidak signifikan (lebih daripada 0,05) adalah yang diharapkan, karena menunjukkan bahwa data empiris yang diperoleh sesuai dengan model yang telah dibangun berdasarkan Structural Equation Modeling. LISREL dapat menghasilkan empat jenis Chi-Square beserta probabilitasnya yang berbeda, yaitu Minimum Fit Function Chi-Square (C1), Normal Theory
Weighted Least Square (C2), Satorra-Bentler Scaled Chi-Square (C3), dan Chi Square Corrected for Non-normality (C4). Estimasi model berdasarkan asumsi normalitas yang terpenuhi akan menghasilkan dua jenis Chi-Square, yaitu C1 dan C2.
56
2. Goodness of Fit Indices
Goodness of Fit Indices (GFI) merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI harus berkisar antara 0 dan 1. Model yang memiliki nilai GFI negatif adalah model yang paling buruk dari seluruh model yang ada. Nilai GFI yang lebih besar daripada 0,9 menunjukkan fit suatu model yang baik. 3. Adjusted Goodness of Fit Index
Adjusted Goodness of Fit Index (AGFI) adalah sama seperti GFI, tetapi telah menyesuaikan pengaruh degrees of freedom pada suatu model. Model yang fit adalah model yang memiliki nilai AGFI 0,9. Ukuran yang hampir sama dengan GFI dan AGFI adalah Parsimony Goodness of Fit Index (PGFI) yang menyesuaikan adanya dampak dari degrees of freedom dan kompleksitas model. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0,6. 4. Root Mean Square Error of Approximation (RMSEA) RMSEA yang diperkenalkan oleh Steiger dan Lind pada tahun 1980 ini merupakan indikator model fit yang paling informatif. RMSEA mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians populasinya. Suatu model dikatakan fit apabila nilai RMSEA kurang daripada 0,05, dan nilai RMSEA yang berkisar antara 0,08-0,1 mengindikasikan model memiliki fit yang cukup (mediocre), sedangkan RMSEA yang lebih besar daripada 0,1 mengindikasikan model fit yang sangat jelek. Steiger (1990) dan MacCallum (1996) menganjurkan penggunaan confidence intervals untuk menilai ketetapan estimasi RMSEA. LISREL 8.54 menyajikan 90% interval atas nilai RMSEA yang diharapkan, sehingga RMSEA memiliki ketepatan yang baik. Selain itu nilai P-value for test of
close fit (RMSEA < 0,05) haruslah lebih besar daripada 0,5.
57
5. Expected Cross Validation Index
Expected Cross Validation Index (ECVI) mengukur penyimpangan antara fitted (model) covariance matrix pada sampel yang dianalisis dan kovarians matriks yang akan diperoleh pada sampel lain tetapi yang memiliki ukuran sampel yang sama besar. Model yang memiliki ECVI terendah berarti model tersebut sangat potensial untuk direplikasi. Nilai ECVI model yang lebih rendah daripada ECVI yang diperoleh pada saturated model dan independence model mengindikasikan bahwa model adalah fit. 6. Akaike’s Information Criterion (AIC) dan CAIC AIC dan CAIC digunakan untuk menilai mengenai masalah parsimony dalam penilaian model fit. Meskipun nilai AIC dan CAIC tidak sensitif terhadap kompleksitas model, namun AIC lebih sensitif dan dipengaruhi oleh banyaknya jumlah sampel yang digunakan. AIC dan CAIC membandingkan dua atau lebih model, dimana nilai AIC dan CAIC yang lebih kecil dari AIC dan CAIC model
saturated maupun independence berarti memiliki model fit yang lebih baik. 7. Fit Index
Normed Fit Index (NFI) yang ditemukan oleh Bentler dan Bonens (1980), merupakan salah satu alternatif untuk menentukan model fit. Namun karena NFI memiliki tendensi untuk merendahkan fit pada sampel yang kecil, Bentler merevisi indeks ini dengan nama Comparative Fit Index (CFI). Nilai NFI dan CFI berkisar antara 0 dan 1. Suatu model dikatakan fit apabila nilai NFI dan CFI lebih besar daripada 0,9. Sedangkan Non-Normed Fit Index (NNFI) digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. Tetapi karena NFI adalah “non-normed”, nilainya dapat lebih besar daripada 1, sehingga susah untuk diinterpretasikan. Meskipun ketiga indeks tersebut dihasilkan pada output LISREL, tetapi Bentler menganjurkan penggunaan CFI sebagai ukuran fit.
58
Incremental Fit Index (IFI), yang diperkenalkan oleh Bollen (1990) digunakan untuk mengatasi masalah parsimony dan ukuran sampel, dimana hal tersebut berhubungan dengan NFI. Menurut Byrne, batas Cut-off IFI adalah 0,9. Sedangkan Relative Fit Index (RFI) digunakan untuk mengukur fit dimana nilainya adalah 0 sampai 1. Nilai yang lebih besar menunjukkan adanya superior fit.
3.8.6
Modifikasi Model Modifikasi model biasanya dilakukan pada dua keadaan berikut (Ghozali dan Fuad, 2005, p327-328) : 1. Meningkatkan model fit pada model penelitian yang telah memiliki fit yang bagus. Masalahnya adalah modifikasi pada model yang telah menunjukkan fit yang baik belum tentu akan memberikan hasil penelitian yang sama apabila digunakan pada sampel yang berbeda. Sehingga opsi ini seharusnya dihindari. 2. Modifikasi model yang dilakukan untuk meningkatkan model fit yang sebelumnya sangat buruk. Modifikasi model sendiri hanya berlaku untuk internal specification errors, yaitu dihilangkannya (atau dimasukkannya) parameter-parameter yang penting (tidak relevan) pada variabel-variabel dalam suatu model.
Output Modification Indices yang terdiri dari Modification Indices, Expected Change, dan Completely Standardized Expected Change for THETA-DELTA-EPS adalah output mengenai modifikasi dan nilai estimasi yang akan diperoleh apabila menambah parameter yang berhubungan dengan error indikator-indikator dari variabel
laten
endogen.
Untuk
menampilkan
Modification
Indices,
cukup
menambahkan perintah ‘Options: MI’
Output THETA-DELTA-EPS adalah output mengenai hubungan antara error indikator variabel laten eksogen (DELTA) dengan error indikator variabel endogen (EPS). Output ini menjelaskan penurunan chi-square yang diharapkan dengan
59
mengkovarianskan error indikator endogen terhadap error indikator eksogen dan estimasi parameter yang diharapkan atas penambahan parameter tersebut. Output THETA-DELTA memberikan informasi yang hampir sama dengan THETA-DELTA-EPS, hanya saja yang dikovarianskan adalah hubungan antara error variance indikatorindikator variabel laten eksogen.
3.9
Rancangan Uji Hipotesis Hipotesis merupakan suatu proposisi atau anggapan yang mungkin benar, dan sering digunakan sebagai dasar pembuatan keputusan atau pemecahan persoalan ataupun untuk dasar penelitian lebih lanjut. (J. Supranto 2001, p124) Berikut ini adalah prosedur uji hipotesis : A. Hipotesis 1. Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Sikap Konsumen H0 : Kualitas Pelayanan Jasa tidak berpengaruh secara signifikan terhadap Sikap Konsumen H1 : Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Sikap Konsumen 2. Sikap Konsumen berpengaruh secara signifikan terhadap Loyalitas Pelanggan H0 : Sikap Konsumen tidak berpengaruh secara signifikan terhadap Loyalitas Pelanggan H2 : Sikap Konsumen berpengaruh secara signifikan terhadap Loyalitas Pelanggan
60
3. Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Loyalitas Pelanggan H0 : Kualitas Pelayanan Jasa tidak berpengaruh secara signifikan terhadap Loyalitas Pelanggan H2 : Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Loyalitas Pelanggan 4. Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Loyalitas Pelanggan melalui Sikap Konsumen H0 : Kualitas Pelayanan Jasa tidak berpengaruh secara signifikan terhadap Loyalitas Pelanggan melalui Sikap Konsumen H3 : Kualitas Pelayanan Jasa berpengaruh secara signifikan terhadap Loyalitas Pelanggan melalui Sikap Konsumen
B. Menentukan Statistik Tabel Nilai statistik dipengaruhi oleh : 1. Tingkat kepercayaan Untuk keseragaman, biasanya digunakan tingkat kepercayaan 95%. Sehingga tingkat kesalahan yang digunakan sebesar 5% (alpha = 0,05). 2. Pengambilan Keputusan Pengambilan keputusan atas hipotesis yang dibuat berdasarkan : • Membandingkan tingkat signifikasi (sig) dengan tingkat kesalahan (α) Sig > α, maka H0 diterima Sig < α, maka H0 ditolak • Membandingkan thitung dengan ttabel thitung > ttabel, maka H0 diterima thitung < ttabel, maka H0 ditolak
61
Pengujian hipotesis dilakukan dengan menilai hasil analisis menggunakan program LISREL, yaitu pada output Structural Equations. Batas untuk menerima atau menolak hubungan dengan tingkat signifikansi 5% adalah 1,979 (mutlak). Apabila nilai t yang terdapat pada setiap nilai estimasi parameter dalam output Structural
Equations terletak antara -1,979 dan 1,979 maka hipotesis yang menyatakan adanya pengaruh harus ditolak, sedangkan apabila nilai t lebih besar daripada 1,979 atau lebih kecil dari 1,979 maka hipotesis yang menyatakan adanya pengaruh harus diterima. Oleh karena itu rancangan uji hipotesis dapat dinyatakan sebagai berikut : • Terima H0 : Jika hubungan yang dinyatakan tidak signifikan, dimana nilai t antara -1,979 dan 1,979 • Terima H1 : Jika pengaruh Kualitas Pelayanan Jasa terhadap Sikap Konsumen menunjukkan hubungan yang signifikan dan positif, dimana nilai t lebih besar dari 1,979 • Terima H2 : Jika pengaruh Sikap Konsumen terhadap Loyalitas Pelanggan menunjukkan hubungan yang signifikan dan positif, dimana nilai t lebih besar dari 1,979 • Terima H3 : Jika pengaruh Kualitas Pelayanan Jasa terhadap Loyalitas Pelanggan menunjukkan hubungan yang signifikan dan positif, dimana nilai t lebih besar dari 1,979 • Terima H4 : Jika pengaruh Kualitas Pelayanan Jasa terhadap Sikap Konsumen melalui Sikap Konsumen menunjukkan hubungan yang signifikan dan positif, dimana nilai t lebih besar dari 1,979
62
3.10
Rancangan Implikasi Hasil Penelitian Hasil penelitian Structural Equation Modelling (SEM) menghasilkan output yang sangat berguna untuk mengetahui hubungan antara kualitas pelayanan jasa, sikap konsumen, dan loyalitas pelanggan di Hotel Prapancha. Dengan begitu perusahaan dapat mengetahui apakah kualitas pelayanan jasa mereka memberikan pengaruh yang positif terhadap sikap konsumen dan loyalitas pelanggan mereka. Hasil penelitian juga akan memberikan informasi mengenai indikator manakah yang memiliki kontribusi terbesar dalam merepresentasikan kualitas pelayanan Jasa, sikap konsumen, dan loyalitas pelanggan mereka. Dengan begitu Hotel Prapancha dapat lebih berfokus kepada indikator tersebut dalam melakukan pengambilan keputusan strategik untuk meningkatkan kualitas pelayanan Jasa, sikap konsumen dan loyalitas pelanggan mereka.
63