32
BAB 3 METODE PENELITIAN 3.1 Desain Penelitian Penelitian ini merupakan studi yang meneliti tentang Bauran Pemasaran dan Lingkungan Sosio-Budaya pelanggan yang
mempengaruhi
Keputusan Pelanggan dalam
menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam Jakarta Selatan , dan dampaknya terhadap pelanggan pasca keputusan. Berdasarkan permasalahan yang telah disebutkan di atas maka jenis dari penelitian ini bersifat desriptif kualitatif. Metode penelitian yang digunakan dalam penelitian ini adalah deskriptif survei yang digunakan untuk pencarian fakta dengan interpretasi yang tepat dan tujuannya adalah untuk mencari gambaran yang sistematis, fakta yang akurat. Desain penelitian pada dasarnya untuk menentukan metode apa yang akan dipergunakan dalam penelitian, antara lain Jenis Penelitian, Unit Analisis, dan Time Horizon. Untuk jenis penelitian yang digunakan adalah studi kasus, yaitu penelitian dengan karakteristik masalah yang berkaitan dengan latar belakang dan kondisi saat ini dari subyek yang diteliti, serta interaksinya dengan lingkungan. Tujuan studi kasus ini adalah melakukan penyelidikan secara mendalam mengenai subyek tertentu untuk memberikan gambaran yang lengkap mengenai subyek tertentu.
33
Tabel 3.1. Desain Penelitian Tujuan Penelitian
Desain Penelitian Jenis Penelitian
T-1
Deskriptif Kualitatif
T-2
Deskriptif Kualitatif
T-3
Deskriptif Kualitatif
T-4
Deskriptif Kualitatif
T-5
Deskriptif Kualitatif
Unit Analisis Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio Dalam Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio Dalam Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio Dalam Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio Dalam Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio Dalam
Time Horizon Single Cross Sectional Design
Single Cross Sectional Design
Single Cross – Sectional Design
Single Cross – Sectional Design
Single Cross – Sectional Design
Keterangan: T-1 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pengambilan keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam. T-2 : Untuk dapat mengetahui pengaruh lingkungan sosio-budaya terhadap pengambilan keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam. T-3 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pasca pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam. T-4 : Untuk dapat mengetahui pengaruh lingkungan Sosio-Budaya pelanggan terhadap pasca pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam. T-5 : Untuk dapat mengetahui pengaruh pengambilan keputusan dan dampaknys pasca pengambilan keputusan atas jasa bengkel Auto 2000 Cabang Radio Dalam.
34
3.2 Operasionalisasi Variabel Penelitian Tabel 3.2. Operasionalisasi Variabel Penelitian Variabel
Instrumen Pengukuran Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner Kuesioner
Skala Pengukuran Likert Likert Likert Likert Likert Likert Likert Likert Likert Likert
Skala Ukur Ordinal Ordinal Ordinal Ordinal Ordinal Ordinal Ordinal Ordinal Ordinal Ordinal
Kuesioner
Likert
Ordinal
Kuesioner
Likert
Ordinal
Kuesioner
Likert
Ordinal
Kuesioner
Likert
Ordinal
Kuesioner
Likert
Ordinal
Kuesioner
Likert
Ordinal
Pengaruh lingkungan sekitar
Kuesioner
Likert
Ordinal
Kelas Sosial
Pemakaian layanan bengkel berdasarkan kelas sosial
Kuesioner
Likert
Ordinal
Sub Budaya dan Budaya
Pengaruh pemakaian layanan berdasarkan kepercayaan
Kuesioner
Likert
Ordinal
Pengenalan Kebutuhan Penelitian Sebelum Pembelian Evaluasi Alternatif
Pengetahuan yang tersimpan dalam ingatan
Kuesioner
Likert
Ordinal
Informasi pelayanan bengkel
Kuesioner
Likert
Ordinal
Alternatif bengkel lain
Kuesioner
Likert
Ordinal
Pengalaman
Pengalaman atas jasa service
Kuesioner
Likert
Ordinal
Motivasi
Pemenuhan kebutuhan atas kendaraan
Kuesioner
Likert
Ordinal
Persepsi
Gambaran keseluruhan mengenai Bengkel Auto 2000
Kuesioner
Likert
Ordinal
Pembelajaran
Pembelajaran melalui pengamatan/peragaan
Kuesioner
Likert
Ordinal
Kepribadian
Pengarahan terhadap aktualisasi diri atas layanan bengkel
Kuesioner
Likert
Ordinal
Tindakan atas layanan bengkel Auto 2000
Kuesioner
Likert
Ordinal
Kepuasan pelayanan secara keseluruhan
Kuesioner
Likert
Ordinal
Penggunaan jasa bengkel secara berulang
Kuesioner
Likert
Ordinal
Dimensi
People/SDM Product/Produk Place/Tempat Bauran Pemasaran Jasa
Price/Harga Promotion/Promosi Physical Evidence /Sarana Fisik
Processes/ Proses
Keluarga
Lingkungan sosio-budaya
Pengambilan Keputusan
Pasca Keputusan
Sumber Informal Sumber Non Formal
Sikap Kepuasan Pelanggan Loyalitas Pelanggan
Atribut Sopan santun dan keramahan petugas Penampilan petugas bengkel Profesional dan kompeten di bidangnya Fasilitas pelayanan yang sesuai kebutuhan Mutu dan ketahanan produk Kemudahan mengunjungi bengkel Kesesuaian harga suku cadang Kesesuaian harga jasa layanan service Relevansi promosi dan penyajian jasa Peralatan dan teknologi canggih Fasilitas ruang tunggu yang nyaman dan bersih Kemudahan dalam membuat janji untuk perawatan/perbaikan kendaraan Kebersihan kendaraan pelanggan setelah perawatan/perbaikan Kecepatan pelayanan bengkel Auto2000 Peran Keluarga yang berkaitan dengan konsumsi Pengaruh Iklan dan media massa
3.3 Jenis dan Sumber Data Penelitian Dalam penelitian ini jenis data yang dikumpulkan adalah data primer dan data sekunder yang bersifat kualitatif dan kuantitatif. Data primer adalah data yang diperoleh langsung dari konsumen berupa jawaban dari pertanyaan dalam kuisioner. Data sekunder adalah data yang diperoleh melalui data yang telah diteliti dan dikumpulkan oleh pihak lain yang berkaitan dengan permasalahan penelitian. Tabel 3.3. Jenis dan Sumber Data Penelitian Informasi
Jenis Data
Sumber Data
Primer
Pelanggan Bengkel Auto 2000 Cabang Radio Dalam tanggal 15 Oktober – 20 Januari 2008
Sekunder
Kepala Auto 2000 Cabang Radio Dalam, TOTOK RUBIYANTO
Perilaku Konsumen
Sekunder
Buku Perilaku Konsumen, Edisi Ketujuh Karangan Leon G, Schiffman & Leslie Lazar Kanuk, 2004 Jakarta : Indeks Kelompok Gramedia
Penilaian Model FIT dalam SEM
Sekunder
Buku LISREL, karangan Tumpal JR Sitinjak dan Sugiarto, 2006, p68-69.
Sekunder
Buku Structural Equation Modeling, karangan Prof. Dr. H. Imam Ghozali, M.Com, Akt. Dan Fuad, SET, Msi, 2005, p332-333.
Pandangan pelanggan atas Bengkel (OK atau Gratis, Body Paint, Toyota Home Service dan Perawatan Berkala) Auto 2000 Cabang Radio Dalam Fasilitas Bengkel (OK atau Gratis, Body Paint, Toyota Home Service dan Perawatan Berkala) Auto 2000 Cabang Radio Dalam
Modifikasi Model dalam SEM
35
3.4 Teknik Pengumpulan Data Untuk mendapatkan data yang akan diolah, maka teknik pengumpulan data yang dilakukan dalam penelitian adalah sebagai berikut: a. Berdasarkan metode pengumpulan data, maka terdiri : 1. Data Primer, Peneliti menggunakan metode pengumpulan data melalui kuesioner, yaitu dengan membagikan kuesioner kepada para pelanggan bengkel Auto 2000 dengan mengajukan beberapa pertanyaan kepada responden secara tertulis yang berisi mengenai informasi Auto 2000. Kuesioner ini akan dibagikan kepada responden yang memenuhi karakteristik sampel. 2. Data Sekunder, didapat dari studi kepustakaan, internet, majalah, jurnal ekonomi dan booklet mengenai informasi Auto 2000. b. Berdasarkan jenis data, dapat diklasifikasikan menjadi : 1. Data internal, yaitu data yang diperoleh dari perusahaan mengenai profil dan sejarah perusahaan, struktur organisasi perusahaan serta, visi dan misi perusahaan. 2. Sifat data disebut sebagai cross sectional karena data yang dikumpulkan pada kurun waktu dan pada tepat tertentu yaitu di Auto 2000 Cabang Radio Dalam Jakarta dari bulan Oktober 2007 hingga Januari 2008.
3.5 Teknik Pengambilan Sampel Teknik sampling yang digunakan adalah dengan menggunakan metode Simple
Random Sampling. Simple Random Sampling adalah pengambilan sampel populasi dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu (Sugiyono, 2002, p74).
36
3.6 Penentuan Jumlah Sampel Jumlah keseluruhan indikator dalam penelitian ini adalah 31 indikator. Maka jumlah sampel minimal yang ditentukan untuk jumlah indikator tersebut adalah 200 sampel (Joreskog dan Sorbom, 1988) dengan menetapkan 200 sampel Maka jumlah itulah yang diambil untuk penelitian ini.
3.7 Pengukuran Variabel Bentuk pertanyaan yang digunakan dalam kuesioner adalah Structured Non
Disguised yaitu bentuk pertanyaan merupakan kombinasi pilihan ganda yang berpedoman pada Skala Likert yang digunakan untuk mengukur sikap, pendapat, dan persepsi bagi seorang responden. Bentuk penilaian jawaban kuesionar menggunakan pembobotan dengan 5 buah skala. Bobot dan kategori pengukuran atas tanggapan responden sebagai berikut: (Sugiyono, 2002, p86) Tabel 3.4. Bobot Penilaian Dengan Skala Likert Keterangan
Penilaian
Sangat Tidak Setuju
1
Tidak Setuju
2
Netral
3
Setuju
4
Sangat Setuju
5
Sumber: Pengolahan Data
3.8 Metode Analisis Data 3.8.1 Konsep Umum Model Persamaan Struktural (Structural Equation Modeling)
Structual Equation Model (SEM) merupakan suatu teknik statistik yang mampu menganalisis variabel latent, variabel indikator dan kesalahan pengukuran secara langsung.
37
Dengan SEM kita mampu menganalisis hubungan antara variabel latent dengan variabel indikatornya, hubungan antara variabel latent yang satu dengan variabel latent yang lain, juga mengetahui besarnya kesalahan pengukuran. Disamping hubungan kasual searah, SEM juga memungkinkan kita menganalisis hubungan dua arah yang sering kali muncul dalam ilmu sosial dan perilaku. SEM termasuk keluarga multivariate statistics dependensi yang memungkinkan dilakukannya analisis satu atau lebih variabel independen dengan satu lebih variabel independen yang dilibatkan boleh berbentuk variabel kontinu ataupun diskrit, dalam bentuk variabel latent atau teramati. Dalam prakteknya, SEM merupakan gabungan dari dua metode statistika yang terpisah yang melibatkan analisis faktor (factor analysis) yang dikembangkan di psikologi dan psikometri dan model persamaan simultan (simultaneous equation
modelling) yang dikembangkan di ekonometrika. Achmad Bachrudin, Harapan L. Tobing (Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, p3, 2003). Dalam penelitian ilmu sosial atau ilmu perilaku
(Social dan Behavioral Sciences) sering kali peneliti melakukan kegiatan penelitian untuk mengukur setiap karateristik subjek atau satuan pengamatan melibatkan lebih satu variable
(variate). Dalam konteks pengukuran seperti ini, analisis yang digunakan adalah satistik multivariat atau variat banyak. Umumnya teknik analisis statistik hanya mengolah variabel-variabel indikatornya saja tanpa melibatkan variabel latennya, dan juga jarang dalam pengolahannya sekaligus melibatkan kekeliruan pengukuran variabel. Umumnya kekeliruan pengukuran hanya diperhatikan pada saat uji coba dengan menghitung realibilitas dan validitasnya. Dalam pengolahan selanjutnya, masalah kekeliruan pengukuran sering dilupakan saja atau diasumsikan bahwa kekeliruan pengukuran ”tidak ada”, padahal selama alat ukur tersebut tidak memiliki tingkat realibilitas dan validitas yang ”sempurna” maka besarnya kekeliruan
38
pengukuran akan berpengaruh kepada hasil analisisnya. Kita semua tahu bahwa dalam ilmu sosial dan perilaku tidak memiliki suatu alat ukur yang benar-benar baku, tidak seperti teknik dan sains yang memiliki alat ukur yang baku dimana-mana dan sepengetahuan penulis tidak ada lembaga semacam metrologi yang bertugas mengkalibrasi alat ukur ilmu-ilmu sosial. Dengan demikian kita perlu suatu analisis statistik yang sekaligus melibatkan kekeliruan pengukuran. Seperti sudah dijelaskan bahwa dalam ilmu sosial untuk mengukur suatu konstruk umumnya secara tidak langsung, yaitu melalui indikator-indikatornya. Selama ini variabelvariabel indikator inilah yang diproses untuk menjelaskan bagaimana hubungan antara konstruk yang satu dengan konstruk lainnya, tetapi hubungan tersebut tetap samar-samar, artinya hubungan antara indikator-indikator dan konsep tersebut tidak secara eksplisit dinyatakan dalam suatu persamaan. Dengan demikian perlu suatu analisis statistik yang secara simultan melibatkan variabel indikator dan variabel laten. Suatu teknik statistik yang menganalisis variabel indikator, variabel laten, dan kekeliruan pengukurannya adalah pemodelan persamaan struktural (structural equation
model, SEM). Dengan SEM kita dapat menganalisis bagaimana hubungan antara variabel indikator
dengan
variabel
latennya
yang
dikenal
sebagai
persamaan
pengukuran
(measurement equation), hubungan antara variabel laten yang lain dikenal sebagai persamaan struktural (structural equation) yang secara bersama-sama melibatkan kekeliruan pengukuran. Selain itu, model persamaan struktural dapat menganalisis hubungan dua arah
(reciprocal) yang sering terjadi pada ilmu sosial. Dalam SEM dikenal juga dengan variabel laten eksogen (independent latent variable) dan variabel laten endogen (dependent latent
variable). Sekarang ini, penggunaan SEM dalam penelitian sosial semakin banyak. Ada tiga alasan mengapa SEM banyak digunakan dalam penelitian (Kelloway, 1998), yaitu:
39
1. Penelitian sosial umumnya menggunakan pengukuran-pengukuran untuk menjabarkan konstruk (construct). Hampir semua penelitian ilmu sosial tertarik dalam pengukuran dan teknik pengukuran. Salah satu bentuk dari SEM berurusan secara langsung dapat menjawab pertanyaan sejauh mana pengukuran yang dilakukan dapat merefleksikan konstruk yang diukur. Singkatnya, pengolahan data dengan SEM sekaligus dapat mengevaluasi kualitas pengukuran, aitu keandalan dan validitas suatu alat ukur. 2. Para peneliti sosial sangat tertarik terhadap prediksi. Dalam melakukan prediksi tidak hanya melibatkan model dua variabel, tapi dapat melibatkan model yang lebih ”rumit” berupa struktur hubungan antara beberapa variabel penelitian. 3. SEM dapat melayani sekaligus suatu analisis kualitas pengukuran dan prediksi. Khususnya, dalam ”model-model variabel latent”, model ini merupakan suatu model yang fleksibel dan sangat ampuh secara simultan memeriksa kualitas pengukuran dan hubungan prediktif antar konstruk.
3.8.2 Tools SEM (LISREL – Linear Structural Relationship) Istilah model persamaan struktural dikenal juga dengan nama LISREL (LIniear
Structural RELationships) adalah paket program statistik untuk SEM, yang pertama kali siperkenalkan oleh Karl Joreskog pada tahun 1970 dalam suatu pertemuan ilmiah. Istilah lain untuk SEM sering kali disebut juga anaisisfaktor konfirmatori (confimatory factor analysis), model struktur kovarians (covariance structure models) dan model variabel laten (laten
variable modelling). Pengolahan data dalam SEM dilakukan menggunakan prosedur iteratif yang sangat memakan waktu dan ketelitian jika dilakukan secara manual. Perkembangan teknologi komputer sangat membantu pengolahan data dengan SEM dan menjadikan SEM semakin banyak digunakan oleh para peneliti maupun pebisnis. Dewasa ini telah dikembangkan
40
beberapa program komputer yang dapat digunakan untuk menganalisis SEM, antara lain EQS, AMOS, LISREL, SAS PROC CALIS, STATISTICA-SEPATH, dan lain-lain. LISREL, merupakan salah satu program komputer yang dapat mempermudah analisis untuk menyelesaikan masalah-masalah yang tidak dapat diselesaikan oleh alat analisis yang konvensional. LISREL diperkenalkan oleh Karl Joreskog pada tahun 1970 dan sejauh ini telah dikembangkan serta digunakan dalam berbagai disiplin ilmu pengetahuan sosial. Dalam versi yang lebih maju, penggunaan LISREL menjadi lebih interaktif, lebih mudah, banyak fitur statistik yang baru terkait dengan penanganan missing data, imputatuion data serta
multilevel data analysis. Terapannya pada persoalan ilmu sosial dan ilmu perilaku dapat kita temui secara luas yang sangat berguna sebagai acuan pengambilan keputusan dalam kondisi yang makin rumit. Secara umum analisis dalam LISREL dapat dipilah dalam dua bagian : pertama yang terkait dengan model pengukuran (measurement model) dan kedua yang terkait dengan model struktual (structural equation model). Dengan menggunakan LISREL, kita
dapat
menganalisis
struktur
covariance
yang
rumit.
Variabel
latent,
saling
ketergantungan antar variabel, dan sebab akibat yang timbal balik dapat ditangani dengan mudah dengan menggunakan model pengukuran dan persamaan yang terstruktur. Pada dasarnya pengolahan SEM dengan LISREL dapat dilakukan dengan empat cara, yaitu menggunakan PRELIS Project, SIMPLIS Project, LISREL Project maupun PATH DIAGRAM.
3.8.3 Prosedur SEM Penerapan SEM didasarkan atas kovarian dari nilai-nilai yang ada di dalam sampel, sedangkan kovarian kurang stabil jika diestimasi dari sampel yang berukuran kecil. Karena itu penerapan SEM membutuhkan sampel yang yang berukuran besar. Jika dalam analisis
41
statistika lainnya, residual yang ingin diminimumkan diperoleh dari perbedaan model dengan nilai amatan, maka dalam SEM, residual
merupakan perbedaan antara kovarian yang
diprediksi dengan kovarian yang diamati. Dalam SEM fungsi yang diminimumkan adalah perbedaan antara kovarian sampel dengan kovarian yang diprediksi oleh model. Untuk itu hipotesis nol ditetapkan Σ = Σ (θ), dengan adalah matrik kovarian populasi dari variabelvariabel teramati dan adalah matrik kovarian dari model yang didefisiasikan (dihipotesiskan). Jika pada statistik biasanya yang dipentingkan adalah signifikansi atau yang dicari adalah penolakan terhadap H0 (seperti pada regresi berganda), pada SEM yang diusahakan adalah agar H0 tidak ditolak atau H0 diterima. Penerimaan hipotesis nol berarti matrik kovarian populasi dari variabel-variabel teramati tidak berbeda signifikan dari matrik kovarian model yang dispesifikasikan (dihipotesiskan) sehingga errornya kecil. Penerapan SEM mengikuti prosedur umum berikut : A. Spesifikasi Model (Model Specifikation) B. Identifikasi (Identification) C. Estimasi (Estimation) D. Uji Kecocokan (Testing Fit) E. Respesifikasi (Re-specification)
3.8.3.1 Spesifikasi Model Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Sangat disarankan agar penetapan model tidak dilakukan secara asal tetapi didasarkan pada rujukan yang relevan. Model yang dibentuk akan kuat bila sudah ada teori yang mendasarinya. Meski demikian untuk paradigma baru, teori bagi topik yang terkait mungkin belum ada sehingga temuan-temuan terbaru yang relevan bisa dijadikan sebagai dasar rujukan yang bermakna. Spesifikasi model secara garis besar dijalankan dengan menspesifikasi model pengukuran
42
serta menspesifikasi model struktural. Spesifikasi model pengukuran meliputi aktivitas mendefinisikan hubungan antara variabel laten dengan variabel-variabel teramati. Spesifikasi model struktual dilakukan dengan mendefinisikan hubungan kausal diantara variabel-variabel
latent. Tahapan selanjutnya (optional) adalah menetapkan gambaran path diagram model hybrid yang merupkan kombinasi model pengukuran dan struktural.
3.8.3.2 Identifikasi Tahapan identifikasi dimaksudkan untuk menjaga agar model yang dispesifikasikan bukan merupakan model yang under-identifield atau unidetifield. Sebagaimana diketahui, terdapat tiga kemungkinan dalam persamaan simultan, yaitu under-identified, just-identified atau over-identified.
Under-identified model adalah model dimana jumlah paramater yang diestimasi lebih besar dari jumlah data yang diketahui. Pada kondisi under-identified model yang
dispesifikasikan tidak memiliki penyelesaian yang unik. Sebagai gambaran sederhana dari underidentified adalah persamaan 2X + 3Y = 6. Dalam 1 persamaan ini didapati dua bilangan yang nilainya tergantung satu sama lain. Banyak sekali kemungkinan yang dapat muncul untuk menyelesaikan persamaan tersebut. Misalkan jika nilai X = 1 maka nilai Y adalah 4/3. jika nilai X = 0 maka nilai Y adalah 2, dan seterusnya. Dengan demikian tidak didapati penyelesaian yang unik dalam persamaan.tersebut.
Just-identified model adalah model dimana jumlah parameter yang diestimasi sama dengan data yang diketahui. Pada kondisi just-identified, model yang dispesifikasikan hanya memiliki satu penyelesaian. Sebagai contoh jika kita memiliki dua persamaan berikut : 2X + 2Y = 12 2X + Y = 10
43
Pada kondisi adanya 2 persamaan dengan 2 bilangan tidak diketahui ini, hanya ada 1 penyelesaian yaitu X = 4 dan Y = 2.
Over-identified model adalah model dimana jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Pada kondisi over-identified, penyelesaian model diperoleh melalui proses estimasi iteratif. Penyelesaian model diperoleh melalui proses estimasi iteratif. Penyelesaian yang diperoleh biasanya merupakan nilai-nilai yang konvergen ke nilai-nilai yang stabil. Sebagai contoh jika kita memiliki 3 persamaan dengan 2 bilangan tidak diketahui. 2X + 2Y = 12 6X + 3Y = 30 6X + 2Y = 24 Maka penyelesaian yang diperoleh melalui estimasi iteratif dan yang cukup mendekati adalah X = 3.0 dan Y = 3.3 Untuk memperoleh model SEM yang over-identified perlu diperhatikan hal-hal sebagai berikut : 1. Jumlah varian-kovarian non-redundan variabel teramati (jumlah data) >= jumlah parameter model diestimasi. 2. Setiap variabel latent dalam model yang harus diberi sebuah unit pengukuran. Untuk itu dapat digunakan salah satu dari dua cara di bawah ini : -
Mendapatkan salah satu koefisien struktual (faktor loading), lambda dengan nilai 1.0
-
Variabel latent distandarisasikan ke unit variance, yaitu dengan menetapkan nilai 1 pada komponen diagonal dari matrik variances.
3. Untuk variabel latent yang hanya mempunyai sebuah variabel teramati, maka koefisien struktual (faktor loading) lambda di tetapkan = 1.0 dan ini berarti errorvariance (delta) terkait = 0.
44
3.8.3.3 Estimasi Parameter Tahapan ini ditujukan untuk memperoleh estimasi dari setiap parameter yang dispesifikasikan dalam model yang membentuk matrik Σ (θ) sedemikian rupa sehingga nilai parameter menjadi sedekat mungkin dengan nilai yang ada didalam matrik S (matrik kovarian sampel dari variabel teramati). Matrik kovarian sampel S digunakan untuk mewakili Σ (matrik kovarian populasi) karena matrik kovarian populasi tidak diketahui. Berdasarkan hipotesis nol, diusahakan agar selisih S dengan mendekati atau sama dengan nol. Hal ini dapat dilaksanakan dengan meminimumkan suatu fungsi F (S, Σ (θ) ) melalui iterasi. Estimasi terhadap model dapat dilakukan menggunakan salah satu dari metode estimasi yang tersedia, sebagai berikut. • Instrumental Variable (IV) • Two Stage Least Square (TSLS) • Unweighted Least Squares (ULS) • Generalized Least Squares (GLS) • Maximum Likelihood (ML) • Generally Weighted Least Squares (WLS) • Diagonally Weighted Least Squares (DWLS) Diantara berbagai metode yang tersedia, metode estimasi yang paling banyak digunakan adalah Maximum Likelihood dan Weighted Least Squares. Minimisasi fungsi tersebut dapat dilakukan melalui iterasi (dimulai dengan nilai awal) sampai diperoleh nilai yang kecil atau minimal. Metode Estimasi Pada LISREL terdapat tujuh metode yang dapat digunakan untuk mengestimasikan parameter dari suatu model, yaitu: Instrumental variables (IV), Two Stage Least Square
45
(TSLS), Unweighted Least Squares (ULS), Generalized Least Squares (GLS), Generally Weighted Least Square (GWLS), Diagonally Weighted Least Square (DWLS), dan Maximum Likelihood (ML). Ketujuh metode estimasi tersebut merupakan bagian dari dua kelompok besar tehnik estimasi yaitu :
a. Limited Information Techniques Contoh dari tehnik dengan menggunakan informasi yang terbatas ini (limited information
techniques) ini adalah metode estimasi instrumental variabels (IV) dan Two Stage Least Square (TSLS). IV dan TSLS adalah metode estimasi yang cepat, dan tidak menggunakan iteratif. IV dan TSLS mengestimasi persamaan secara independen dan terpisah dimana kedua metode tersebut tidak menggunakan informasi dari persamaan lain pada suatu model, IV dan TSLS umumnya digunakan untuk menghasilkan starting values untuk dapat digunakan dengan menggunakan metode estimasi yang lain pada suatu model. Metode IV biasanya digunakan untuk menghasilkan starting values untuk digunakan pada metode estimasi ULS. Sedangkan TSLS digunakan untuk menghasilkan strating values untuk digunakan pada metode estimasi GLS, ML, WLS, dan DWLS.
b. Full Information Techniques Full information techniques adalah suatu tehnik untuk mengestimasi seluruh sistem persamaan secara simultan dimana informasi yang digunakan untuk mengestimasi suatu parameter diperoleh dari seluruh sistem persamaan pada suatu model. Salah satu kelemahan dari estimasi jenis ini adalah, jika suatu model memiliki specification error yang timbul akibat dimasukkan hubungan yang tidak relevan akan berpengaruh terhadap seluruh model. Beberapa estimasi yang termasuk dalam Full Information Techniques, berbagai asumsi-asumsi yang harus dipenuhi dan jumlah ukuran sampel yang dianjurkan dibahas berikut ini:
46
a. Maximum Likelihood (ML) Metode estimasi yang paling populer digunakan pada penelitian SEM, dan secara default digunakan oleh LISREL adalah Maximum Likelihood. Maximum Likelihood akan menghasilkan estimasi parameter yang valid, efisien dan reliable apabila data yang digunakan adalah mulivariate normality (normalitas multivariate) dan akan robust (tidak terpengaruh/ kuat) terhadap penyimpangan multivariate normality yang sedang (moderate). Tetapi estimasi pada ML akan bias apabila pelanggaran terhadap multivariate normality sangat besar.
Maximum Likelihood memiliki hasil yang cukup valid dengan besaran sampel minimal, tetapi menurut Hair et.al (1998) ukuran sampel sebesar itu tidak dianjurkan. Ukuran sampel yang disarankan untuk penggunaan estimasi Maximum Likelihood adalah sebesar 100 – 200. kelemahan dari metode ML ini adalah ML akan menjadi ”sangat sensitif” dan menghasilkan indeks goodness of fit yang buruk apabila data yang digunakan adalah besar (antara 400 – 500).
b. Generalized Least Square Generalized Least Square akan menghasilkan estimasi hasil yang hampir sama dengan estimasi Maximum Likelihood apabila asumsi multivariate normality dipenuhi dan ukuran sampel adalah sama. LS, dilain pihak, akan sedikit lebih robust terhadap dilanggarnya asumsi multivariate normality. GLS akan menghasilkan estimasi yang kurang baik dengan ukuran sampel kecil atau kurang dari 200.
c. Weighted Least Square Metode Weighted Least Square, atau juga disebut (Asymptotically Distribution Free/ ADF) merupakan suatu metode yang tidak terpengaruh oleh dilanggarnya multivariate normality. Kelemahan metode ini adalah jumlah variabel dalam model harus sedikit (kurang dari
20
variabel).
Disamping
itu,
WLS
memerlukan
ukuran
sampel
yang
nyaris
47
”unreasonable” untuk penelitian, yaitu minimal 1000 (Diamantopaulus dan Siguaw, 2000). Bahkan beberapa penelitian simulasi menganjurkan penggunaan ukuran sampel sebear 5000 agar metode WLS ini dapat menghasilkan estimasi yang baik. Sehingga dengan berbagai keterbatasan yang ada, metode ini tidak begitu diminati. Meskipun asumsi normalitas dilanggar, belum ada suatu kesepakatan bahwa metode WLS lebih baik digunakan daripada
Maximum Likelihood atau Generalized Least Square.
3.8.3.4 Uji Kecocokan Tahapan ini ditujukan untuk mngevaluasi derajat kecocokan atau Godness Of Fit (GOF) antara data dan model. Menurut Hair et.al. (1995) evaluasi terhadap GOF model dilakukan melalui beberapa tingkatan, yaitu: (LISREL, p67) •
Kecocokan keseluruhan model (overall model fit)
•
Kecocokan model pengukuran (measurement model fit)
•
Kecocokan model struktual (structural model fit).
3.8.3.5 Penilaian Model 3.8.3.5.1 Kecocokan Keseluruhan Model Penilaian derajat kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan secara langsung sebagaimana pada teknik multivariat yang lain. SEM tidak mempunyai uji statistik terbaik yang dapat menjelaskan kekuatan prediksi model. Untuk itu telah dikembangkan beberapa ukuran derajat kecocokan yang dapat digunakan secara saling mendukung. Hair et al. (1998 : 660, Wijanto, 2003: 17-20) mengelopokkan ukuran-ukuran GOF yang ada kedalam 3 bagian yaitu : •
Absolute fit measures (ukuran kecocokan absolut)
48
-
Menentukan derajat prediksi model keseluruhan (model struktural dan pengukuran) terhadap matrik korelasi dan kovarian.
•
Incremental Fit Measures (ukuran kecocokan inkremental) -
Membandingkan model yang diusulkan dengan model dasar yang sering disebut sebagai null model atau independence model.
•
Parsiminous Fit Measures (ukuran kecocokan parsimoni) -
Mengaitkan model dengan jumlah koefisien yang diestimasi yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan prinsip parsimoni atau kehematan berarti memperoleh degree of fit setingg-setingginya untuk setiap
degree of freedom.
Tabel 3.5: Absolute fit measures UKURAN KECOCOKAN ABSOLUT UKURAN DERAJAT
TINGKAT KECOCOKAN YANG BISA DITERIMA
KECOCOKAN Statistic Chisquare (X2)
Mengikuti
uji
statistik
yang
berkaitan
dengan
persyaratan signifikan. Semakin kecil semakin baik. Diinginkan nilai chi square yang kecil agar H0 : Σ = Σ (θ), tidak ditolak. Non-Centrality Parameter (NCP)
Dinyatakan dalam bentuk spesifikasi ulang dari Chisquare. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik.
Scaled NCP (SNCP)
NCP (non centrality parameter) yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka perbandingan antar model. Semakin kecil semakin baik.
Goodness of Fit Index (GFI)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI > 0.90 adalah good fit, sedang 0.80 < GFI < 0.90 adalah marginal fit
49
Root
Mean
Square
Residual
Residual rata-rata antara matrix (korelasi atau kovarian) teramati dan hasil estimasi, RMSR < 0.05 adalah good
(RMSR)
fit Root
Mean
Square
Error
of
Approximation (RMSEA)
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan dalam sampel. RSMEA < 0.05 adalah close-fit.
Expected Cross Validation Index
GOF yang diharapkan pada sampel yang lain dengan
(ECVI)
ukuran sama. Penilaian didasarkan atas perbandingan antar model. Semakin kecil semakin baik. Tabel 3.6: Incremental Fit Measures UKURAN KECOCOKAN INKREMENTAL
UKURAN DERAJAT
TINGKAT KECOCOKAN YANG BISA DITERIMA
KECOCOKAN Tucker-Lewis Index atau Non
Nilai berkisar antara 0-1, dengan niali lebih tinggi adalah
Normed Fit Index
lebih baik. TLI > 0.90 adalah marginal fit.
Normed Fit Index (NFI)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik NFI > adalah good-fit, sedang 0.80 < NFI < 0.90 adalah marginal fit
Adjusted Goodness of Fit Index
Nilai berkisar antara 0-1, dengan niali lebih tinggi adalah
(AGFI)
lebih baik AGFI > 0.90 adalah good fit, sedang 0.80 < AGFI < 0.90 adalah imarginal fit
Incremental Fit Index (IFI)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. IFI > 0.90 adalah good fit, sedang 0.80 < IFI < 0.90 adalah marginal fit.
Comparative Fit Index
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik CFI > 0.90 adalah good fit, sedang 0.80 < CFI < 0.90 adalah marginal fit
50
Tabel 3.7: Parsiminous Fit Measures UKURAN KECOCOKAN ABSOLUT UKURAN DERAJAT
TINGKAT KECOCOKAN YANG BISA DITERIMA
KECOCOKAN Parsimonious Goodness of Fit
Spesifikasi ulang dari GFI, dimana nilai lebih tinggi
(PGFI)
menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan diantara model-model.
Normed Chi-Square
Rasio antara Chi- square dibagi degree of freedom. Nilai yang disarankan : batas bawah = 1.0, batas atas = 2.0 atau 3.0 dan lebih longgar 5.0
Parsimonoious Normed Fit Index
Nilai tinggi menunjukkan kecocokan lebih baik, hanya
(PNFI)
digunakan untuk perbandingan antar model alternatif.
Akaike
Information
Criterion
(AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik, digunakan untuk perbandingan antar model.
Consistent
Akaike
Information
Nilai positif lebih kecil menunjukkan parsimoni lebih
Criterion (CAIC)
baik, digunakan untuk perbandingan antar model.
Critical N (CN)
Estimasi
ukuransampel
yang
mencakupi
untuk
menghasilkan suatu adequate model fit untuk Chisquare test. CN > 200 mengindikasikan bahwa sebuah model cukup mewakili sampel data.
3.8.3.5.2 Kecocokan Model Pengukuran Evaluasi ini dilakukan terhadap setiap construct secara terpisah melalui terhadap validitas construct dan evaluasi terhadap reabilitas construct. (LISREL, p710) A. VALIDITAS Validitas berhubungan dengan apakah suatu vaiabel mengukur apa yang seharusnya diukur. Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian terhadap isi atau arti sebenarnya yang diukur. Uji validitas adalah uji yang digunakan dalam suatu penelitian mengukur apa yang ingin diukur. Dengan uji ini dilakukan pemeriksaan
51
apakah item-item yang dieksplorasi mendukung item total atau tidak. Suatu instrumen penelitian dianggap valid jika informasi yang ada pada tiap item berkorelasi erat dengan informasi dari item-item tersebut sebagai suatu kesatuan. Validitas dapat dibedakan menjadi: content validity, criterion validity, construct
validity, dan convergent and discriminant validity. Bollen (1989) mengusulkan definisi alternatif dari validitas sebuah variabel teramati adalah muatan faktor (factor loadings) dari variabel tersebut terhadap variabel latennya. Rigdon dan Ferguson (1991), Doil, Xia, Torkzadeh (1994), menyatakan bahwa suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel lainnya, jika: •
Nilai t muatan
faktornya (factor loadings) lebih besar dari nilai kritis (> 1.96 atau
praktisnya >=2) •
Muatan faktor standarnya (standarized factor loading) lebih besar atau sama dengan 0.70.
•
Iqbaria, et.al. (1997) yang menggunakan guideliness dari Hair et.al. (1995) tentang
relative importance and significant of the factor loading of each items : loading > 0.50 adalah sangat signifikan.
B. REALIBILITAS Realibilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian untuk memperoleh informasi yang diinginkan dapat dipercaya (terandal) sebagai alat pengumpul data serta mampu mengungkap informasi yang sebenarnya di lapangan. Instrumen yang realibel adalah instrumen yang bilamana dicobakan secara berulang-ulang kepada kelompok yang sama akan menghasilkan data yang sama dengan asumsi tidak terdapat perubahan psikologis pada responden. Instrumen yang baik tidak bersikap tendensius mengarahkan responden untuk memilih jawaban tertentu sebagaimana
52
dikehendaki oleh peneliti. Intrumen yang realibel akan menghasilkan data yang sesuai dengan kenyataannya, dalam artian berapa kalipun penelitian diulang dengan instrumen tersebut akan tetap diperoleh ”kesimpulan” yang sama (walaupun perolehan angka nominalnya tidak harus sama). •
Secara prinsip realibilitas mencerminkan konsistensi suatu pengukuran. Realibilitas yang tinggi menunjukkan bahwa indikator-indikator (variabel-variabel teramati) mempunyai konsistensi tinggi dalam mengukur variabel latentnya.
•
Tehnik yang paling banyak digunakan untuk mengukur realibilitas adalah Croncbach’s Alpha. Meskipun demikian, Croncbach’s Alpha akan memberikan estimasi terlalu rendah jika digunakan untuk mengestimasikan realibilitas congeneric measure (Bollen, 1989). Menurut Hair et.al (1995) pengukuran realibilitas untuk SEM dapat dilakukan dengan menggunakan Composite/ Construct Realibility Measure (Ukuran Ekstrak Varian). Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator yang dijelaskan oleh
construct latent. Realibilitas construct dikatakan baik, jika nilai construct reability-nya > 0.70 dan nilai variance extracted-nya > 0.50.
ANALISIS FAKTOR Berikut dijelaskan mengenai analisis faktor diambil dari buku karangan Achmad Bachrudin, Harapan L. Tobing (Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 43) Analisis faktor dapat digunakan untuk mengetahui pola-pola yang tersembunyi atau hubungan dari sejumlah besar variabel dan menentukan apakah informasi tersebut dapat ”dipadatkan” ke dalam sejumlah kecil faktor atau komponen dengan syarat bahwa informasi tersebut hilang sekecil mungkin.
53
Analisis faktor sudah menjadi nama generik yang diberikan ke dalam kelompok teknik statistik multivariat yang tujuan utamanya adalah meredusir data. Penerapan analisis faktor sering digunakan sebagai awal untuk pengolahan analisis berikutnya, misalnya analisis regresi, analisis kelompok (cluster), analisis lainnya, dan sering juga digunakan untuk menghitung construct validity dalam mengevaluasi item-item kuesioner. Dalam analisis factor, peneliti secara subjektif memutuskan suatu variabel masuk ke dalam suatu faktor dengan menilai dari nilai loading-nya. Berikut ini akan dikemukakan dua saran dalam mengevaluasi atau mengintepretasikan nilai suatu loading, yaitu: (Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai
dengan menggunakan LISREL 8, 2003, hal. 47) 1) Saran pertama tidak didasarkan pada proporsi matematis, ini hanya petunjuk praktis
(rule of thumb) yang kerapkali dipakai dalam analisis faktor. Aturannya, nilai loading lebih dari +0.30 dinyatakan sebagai bermakna atau berarti (signifikan); nilai loading lebih dari +0.40 dinyatakan lebih bermakna; dan jika nilai loading lebih dari +0.50 dikatakan sangat bermakna. Petunjuk ini disarankan untuk ukuran sampel lebih dari 50. 2) Seperti sudah dikatakan bahwa loading menunjukkan ukuran korelasi antara variable dan faktornya. Oleh karena itu, signifikansi loading bisa digunakan signifikansi korelasi sederhana biasa. Dengan taraf arti 5% dan 1% masing-masing nilai loading paling sedikit +0.19 dan + 0.26 jika ukuran sampel paling sedikit 100. Jika ukuran sampel paling sedikit +0.14 dan +0.18; akhirnya, ukuran sampel paling sedikit 300, nilai loading nya +0.11 dan +0.15.
3.8.3.5.3 Kecocokan Model Struktrural Uji kecocokan ini dilakukan terhadap koefisien-koefisien persamaan struktural dengan menspesifikasikan tingkat significan tertentu. Dalam hal signifikansi adalah 0.05,
54
maka nilai t dari persamaan struktural harus > 1.96. selain itu juga perlu dilakukan evaluasi terhadap solusi standar dimana semua koefisien mempunyai varian yang sama dan nilai maximumnya adalah 1. Sebagai ukuran menyeluruh terhadap persamaan struktual, overall
coeficient of determination (R2) dievaluasi seperti pada regresi berganda.
3.8.3.5.4 Respesifikasi Berdasarkan buku LISREL, p72-p73. Tahapan ini ditujukan untuk melakukan spesifikasi ulang terhadap model untuk memperoleh derajat kecocokan yang lebih baik. Respesifikasi ini sangat tergantung kepada strategi pemodelan yang dipilih. Dalam SEM tersedia 3 strategi pemodelan yang dapat dipilih (Joreskog dan Sorbom 1993, Hair et. Al. 1995), yaitu: ¾
Strictly Confirmatory atau Confirmatory Modeling Strategy. Untuk ituterlebih dahulu dispesifikasikan suatu model tunggal, lalu dilakukan pengumpulan data empiris. Pengujian dilakukan untuk menghasilkan penerimaan atau penolakan terhadap model tersebut sebagaimana criteria dari hipotesis nol. Model dinyatakan bagus bila mampu mempresentasikan data empiris. Dalam strategi ini tidak ada respesifikasi model.
¾
Alternative (Competing) Models atau Competing Model Strategy. Tahapan yang dilakukan sama dengan pada Strictly Confirmatory, hanya saja beberapa model alternative dispesifikasikan dan dipilih salah satu model yang paling sesuai. Respesifikasi hanya diperlukan jika model-model alternative dikembangkan dari beberapa model yang ada.
¾
Model Generating atau Model Development Strategy. Tahapan yang dilakukan dimulai dari spesifikasi suatu model awal, dilanjutkan dengan pengumpulan data empiris. Selanjutnya dilakukan analisis dan pengujian apakah data cocok dengan model. Jika
55
tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji kembali dengan data yang sama. Respesifikasi model diperlukan jika modelnya tidak memiliki kemampuan yang diharapkan. Proses respesifikasi dapat dilakukan berulang-ulang sapai didapati tingkat kecocokan terbaik. Proses dapat dilakukan berdasarkan theory driven atau data
driven, meskipun respesifikasi berdasar theory driven lebih dianjurkan. Dari ketiga strategy yang dapat dipilih, model generating merupakan strategy yang paling banyak diterapkan.
3.8.3.6 Modifikasi Model Salah satu tujuan utama dari modifikasi model ini adalah untuk menghasilkan model fit yang lebih baik, atau dalam bahasa statistik, nilai selisih antara kovarians matriks yang diperoleh dari sampel dan kovarians matriks yang dinilai dari model yang lebih kecil. Namun, sebagaimana telah dinyatakan berkali-kali sebelumnya, apapun modifikasi yang dilakukan harus sesuai dan dapat dipertanggungjawabkan sesuai dengan teori. Modifikasi model biasanya dilakukan pada dua keadaan berikut : 1. Meningkatkan model fit pada model penelitian yang telah memiliki fit yang bagus. Meskipun banyak para peneliti yang tidak melakukan hal tersebut, namun masih banyak peluang untuk meningkatkan model fit. Masalahnya adalah modifikasi pada model yang telah menunjukan fit yang baik belum tentu akan memberikan hasil penelitian yang sama apabia digunakan pada sampel yang berbeda. Sehingga, opsi ini seharusnya dihindari. 2. Modifikasi model yang dilakukan untuk meningkatkan model fit yang sebelumnya sangat buruk, terdapat beberapa alasan kenapa suatu model memiliki fit yang buruk, diantaranya adalah dilanggarnya asumsi normalitas, non linearitas, adanya missing data (data yang tidak lengkap), atau adanya spesification error. Specification Error timbul karena dihapusnya variabel eksogen yang relevan atau dihapusnya hubungan-hubungan
56
yang penting antara variabel-variabel pada suatu model, atau adanya hubunganhubungan yang tidak relevan, dan indikator yang tidak valid dan memiliki kredibilitas yang kurang. Modifikasi mode sendiri hanya berlaku untuk internal specification errors, yaitu dihilangkannya (atau dimasukannya) parameter-parameter yang penting (tidak relevan) pada variabel-variabel dalam suatu model, sedangkan untuk external
specification errors, yaitu dihapusnya variabel, tidak akan dibahas oleh prosedurprosedur yang dibahas pada bab ini. (Diamantopoulus dan Siguaw, 2000).
a. Deteksi Spesifikasi Error Tujuan dari deteksi spesifikasi error ini adalah untuk menemukan model yang secara benar menggambarkan hubungan-hubungan antara variabel manifest (indikator) dan variabel laten dalam suatu populasi. Beberapa hal yang harus diperhatikan berdasarkan definisi di atas adalah : 1. Sifat dari analisis harus merupakan exploratory dan tidak merupakan confirmatory.
Exporatory yang dimaksud dalam hal ini adalah model baru yang telah diperoleh berdasarkan modifikasi model haruslah tentatif (sementara), dan dapat dipertanggung jawabkan atau diverifikasi dengan menguji ulang model tersebut pada sampel yang berbeda. Umumnya, modifikasi model pada penelitian-penelitian di Indonesia bersifat confirmatory dan cenderung “asal model fit” tanpa menghiraukan pertanyaan mendasar dari modifikasi model, yaitu “bedasarkan teori, bagaimana caranya agar model bisa lebih baik?”. Oleh karena itu, hal filosofi “asal model fit” tersebut sebaiknya dihindari. 2. Modifikasi model biasanya akan menghasilkan model baru yang berbeda dari model sebelumnya. Terdapat beberapa kasus, bahwa modifikasi model yang baru menyebabkan model fit tersebut tidak dapat diidentifikasi (degrees of freedom kurang dari 0).
57
Sekarang pertanyaan yang paling relevan dalam hal modifikasi model adalah, modifikasi apa saja yang mungkin dapat dilakukan? Seperti telah dinyatakan sebelumnya, bahwa spesifikasi formal pada model LISREL direfleksikan pada bentuk parameter yang tetap (fixed parameter) dan parameter bebas (Free Parameter). Sehingga setiap perubahan dalam hal tersebut (menjadikan parameter bebas yang sebelumnya merupakan parameter tetap
(fixed parameter) dan atau menjadikan parameter tetap yang mana sebelumnya merupakan parameter bebas (free parameter) akan merubah spesifikasi model asli. Uraian dibawah ini meringkas modifikasi-modifikasi yang mungkin dapat dilakukan pada model LISREL. a. Merubah loading (ë) yang menghubungkan indikator dengan variabel laten dari fixed menjadi free atau sebaliknya (sehingga akan merubah bentuk matriks LAMBDA-X dan/atau LAMBDA-Y). b. Tidak mengkorelasikan (atau melakukan korelasi) diantara measurement error (error dari indikator), sehingga akan merubah matrix THETA-DELTA, THETA-EPSILON atau THETADELTA EPSILON. Sedangkan modifikasi pada model struktual dapat dilakukan dengan : a. Merubah koefisien path yang menghubungkan variabel laten eksogen kepada variabel laten endogen (ã) ataupun antara variabel endogen (ã) dengan menjadikan parameter yang sebelumnya free dijadikan fixed, dan sebaliknya. b. Mengkorelasi atau mengkonstrain korelasi pada measurement error (æ), sehingga akan merubah matriks PSI. Demikian juga dengan modifikasi yang dilakukan dengan meningkatkan atau menurunkan konstrain. ”Mempermainkan” jumlah konstrain tersebut akan berpengaruh besar terhadap spesifikasi model dan fit. Dengan meningkatkan jumlah konstrain, yang umumnya berarti bahwa paremeter yang sebelumnya merupakan parameter bebas (parameter yang diestimasi) sekarang di fixed-kan (tidak diestimasi). Sehingga, parameter yang akan
58
diestimasi menjadi lebih sedikit dan akan meningkatkan jumlah derajat kebebasan (degrees
of freedom). Nilai chi-square juga akan selalu meningkat jika suatu parameter dihapus tetapi kenaikan nilai chi-square tersebut kecil, tetapi degrees of freedom meningkatkan, sehingga kemungkinan fit akan semakin kecil. Sebaliknya, dengan mengurangi jumlah konstrait dengan meningkatkan parameter (meskipun yang tidak relevan) akan selalu menghasilkan penurunan chi-square dan menghasilkan model fit yang lebih baik. b. Mendiagnosa Dengan berfokus pada modifikasi yang bertujuan untuk meningkatkan model fit, informasi dianosa yang relevan dapat diperoleh dengan menguji residual statistik (dapat dilihat pada output Completely Standarlized Solutions) dan modification indices yang merupakan bagian dari output program. Baik output format SIMPLIS atapun LISREL, modification indices sama-sama dapat ditampilkan. Begitu pula dengan steam-leaf plots, jika model adalah fit, maka steam-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 steam leaf plots tersebut (bagian bawah atau atas) berarti bahwa kovarians secara sistematis dinilai rendah (underestimated) ataupun dinilai tinggi (overestimated) oleh suatu model. Perhatikan bahwa residual positif mengindikasikan bahwa model merendahkan (underestimate) kovarians antara variable manifest pada data empiris. Sehingga untuk mengatasi adanya underestimate tersebut, model seharusnya dimodifikasi dengan menambah jumlah path (dengan membebaskan parameter). Sebaliknya, residual negatif berarti bahwa model menilai lebih (overestimates) konvarians matriks pada data empiris yang dimiliki.Sehingga, modifikasi pada keadaan tersebut seharusnya dilakukan dengan dihilangkan path (misalnya, dengan menghilangkan (fix) parameter) yang berhubungan dengan kovarians tersebut.
59
1. Modifikasi indeks seharusnya dilakukan bersama-sama dengan menggunakan nilai-nilai expected parameter change (perubahan parameter yang diharapkan /EPC), yang merupakan perubahan diharapkan pada estimasi parameter yang baru . Tabel berikut menunjukkan empat skenario berdasarkan yang diharapkan (New Estimate). Masingmasing skenario tersebut memiliki dampak yang sangat berbeda terhadap modifikasi model. Tabel 3.8 Skenario New Estimate
Modification Index
Besar Kecil
Perubahan Estimasi arameter yang diharapkan Besar Kecil Skenario 1 Skenario 1 Skenario 1 Skenario 1
Pada skenario pertama, modification indeks yang besar juga diikuti dengan perubahan parameter yang besar pula sehingga seharusnya melakukan Estimasi baru terhadap parameter tersebut. Pada skenario ke2, modifikasi indeks yang besar diikuti dengan nilai estimasi baru yang kecil. Dalam hal ini, meskipun kita akan menghasilkan penurunan chi-square yang signifikan, namun perubahan
yang kecil pada parameter mungkin akan
menghasilkan hal tersebut tidak terlalu signifikan. Sedangkan pada skenario ke 3 modification indeks yang kecil pada suatu parameter akan menghasilkan estimasi parameter baru yang besar. Apa yang seharusnya dilakukan dalam hal ini tidak begitu jelas, karena besarnya estimasi baru tersebut bisa jadi dikarenakan variabilitas sampling dan kurang sensitifnya uji chi-square pada parameter tersebut. Namun, disarankan modifikasi pada skenario ketiga ini tidak dilakukan. Skenario ke 4, modifikasi indeks suatu parameter yang kecil juga memiliki estimasi parameter baru yang kecil pula. Sehingga, hal ini tidak akan memberikan manfaat apapun dalam hal model fit.
60
3.8.3 Jenis-Jenis Model Persamaan Struktural Terdapat beberapa jenis umum model-model persamaan struktural (Raykov & Marcoulides, Analisa Data Untuk Penelitian Survay, p5, 2000): 1. Model-model analisis jalur (path analysis models). Dalam model-model analisis jalur biasanya analisis hanya melibatkan variabel-variabel indikator tanpa melakukan analisis terhadap konstruk atau konsep yang ingin diukur. Model seperti ini untuk pertama kali diperkenalkan oleh Sewell Wright (1921). Umumnya, teknik analisisnya digunakan analisis regresi multipel dimana salah satu asumsinya adalah tidak ada kekeliruan pengukuran (measurement error) dalam variabel bebas. Dalam analisis jalur tersebut tidak mempertimbangkan kekeliruan pengukuran. Misalnya, diagram jalurnya dapat dilihat pada Gambar 1.1. (Gambar 2.2). Jam Kerja Pendapatan
Lamanya nonton TV
Pendidikan
Gambar 3.1. Contoh Diagram Path Analysis. Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 6. 2. Model-model analisis farkor konfirmatif (confirmatory factor analysis models). Umumnya, dalam analisis ini bertujuan untuk mengevaluasi pola-pola antar hubungan antara beberapa konstruk. Setiap konstruk dibangun oleh indikator-indikator. Model analisis faktor konfirmatori biasanya tidak diasumsikan arah hubungan antara konstruk, tetapi hanya adanya hubungan korelatif antara konstruk. Contoh kasus model ini dinyatakan pada Gambar 1.2. (Gambar 2.3).
61
x1 x2
ASC
x3 x4 x5
SSC
x6 Gambar 3.2. Contoh Diagram Jalur Analisis Faktor Konfirmatori Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 7. 3. Model-model persamaan struktural (Structural equation models), dalam model-model seperti ini diasumsikan secara spesifik arah hubungan antara konstruk. Model-model ini dapat digunakan untuk menguji apakah teori-teori yang diusulkan (proposed theories) sesuai dengan model-model empirisnya. Gambar 1.3. (Gambar 2.4.) merupakan contoh diagram jalur bagi model ini.
62
X1
X2
X3
X4
Y3
IC
Y4
ESR E2
CPP
Y5 CNP
Y6 Y7
E1 Y1
Y2
E3
Gambar 3.3. Contoh Diagram Jalur Model Persamaan Struktural Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 7. Model ini disebut juga Model Hybrid (Full SEM model) di buku LISREL (Tumpal JR. Sitinjak, Sugiarto, 2006, p60). Model hybrid merupakan gabungan model struktural dan model pengukuran. Dalam model hybrid, selain digambarkan hubunganhubungan yang ada diantara variabel latent, juga digambarkan hubungan variabel latent dengan variabel-variabel teramati yang terkait. Berikut contoh model hybrid yang sederhana.
63
HRA1
PKPA1
HRA2
PKPA2
HRA3
hr
pkp
PKPA3
HRA4
PKPA4
HRA5
PKPA5 Gambar 3.4. Contoh Sederhana Diagram Model Hybrid Sumber: Tumpal JR Sitinjak, Sugiarto, Lisrel, 2006, hal. 61.
4. Model-model perubahan laten (latent change models). Yang dimaksud dengan modelmodel perubahan laten adalah memungkinkan untuk melakukan studi pola perubahan karena waktu. Model-model ini terutama berfokus untuk memantau pola perubahan, seperti pola pertumbuhan (growth), penurunan (decline). Model seperti ini termasuk longitudinal. Contoh diagram jalur untuk model ini dapat dilihat pada Gambar 1.4. (Gambar 2.5.).
64
F1
F2 1
0
1
T1
E1
1
T2
E2
Gambar 3.5. Contoh Diagram Jalur Model Perubahan Laten Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 8.
3.8.4 Keterkaitan Antar Variabel Konsep dasar yang melandasi keterkaitan antar variabel, yaitu konsep tentang ”obyek penelitian”, ”variabel” dan ”hubungan”.
3.8.4.1 Obyek Penelitian Obyek penelitian atau sering juga disebut sebagai unit pengamatan, adalah sesuatu yang akan menghasilkan karateristik-karateristik atau sifat-sifat yang akan menjadi perhatian peneliti (Achmad Bachrudin, Harapan L. Tobing, LISREL, p12, 2003). Dalam penelitian ini, yang menjadi obyek penelitian adalah pelanggan bengkel AUTO 2000 cabang Radio Dalam.
3.8.4.2 Variabel Karateristik adalah ciri yang dipunyai oleh unit pengamatan yang akan menjadi perhatian seseorang. Bila suatu karakteristik tidak berbeda diantara unit-unit pengamatan,
65
maka karakteristik tersebut dinamakan konstanta. Dengan demikian unit-unit yang berbeda akan menghasilkan nilai atau skor yang sama. Bila dilain sisi unit-unit tersebut akan memberikan nilai yang berlainan untuk suatu karakteristik tertentu, maka karakteristik tersebut dinamakan variable (Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, p13-14, 2003). Tipe-tipe variabel : a) Variabel Kuantiatif
: Data berupa angka.
- Variabel Rasio
: Berat benda (kg), tinggi (cm), kepadatan penduduk
- Variabel Interval
: Variable suhu.
b) Variabel Kualitatif - Variabel Ordinal
: Data berupa kategori. : Variabel sikap (sangat setuju, setuju, kurang setuju, dst.)
- Variabel Nominal : Variabel kepangkatan (gol IVa, IIId, IIIc, dst.) Dalam penelitian ini variabel yang digunakan adalah variabel kualitatif yang merupakan variabel data berupa kategori, dengan tipe pertama yaitu variabel ordinal. 3.8.4.3. Hubungan Dari suatu pengamatan sering muncul suatu keadaan atau fenomena yang cenderung maju atau bergerak beriringan dengan kejadian atau fenomena lainnya. Suatu teori dikatakan haruslah merupakan (sekumpulan) pernyataan yang mengaitkan atau menghubungkan variabel. Oleh karena itu, hubungan antar variabel perlu kita formulasian. Terdapat beberapa bentuk hubungan antar variabel (Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, p15-18, 2003). (a) Korelasi dan Kausasi. Dua bentuk hubungan ini sering disalahartikan, bahkan dicampuradukkan. Suatu bentuk hubungan yang sebenarnya korelasi disebut sebagai kausasi
66
(kausalitas) dan sebaliknya. Pada dasarnya, suatu fenomena bentuk hubungan disebut bentuk hubungan korelasi bila perubahan dari nilai-nilai atau skor suatu variabel beriringan searah atau bertolak belakang dengan perubahan nilai-nilai atau skor variabel lainnya. Intinya tidak semua hubungan korelasi adalah hubungan kasualitas atau sebab-akibat. Hubungan korelasi tidak mengangkat variabel sebab-akibat, dependent-independent, akan tetapi hanya melihat ada atau tidaknya hubungan searah atau tidak searah. (b) Spurious. Dalam hubungan kausalitas ataupun korelasi, terlibat dua variabel, berbeda halnya dengan hubungan spurious. Dalam hubungan spurious dilibatkan paling sedikit tiga variabel. Dalam hubungan spirious, terjadi hubungan korelasi atau kasualitas antar variabel disebabkan oleh kehadiran variabel lainnya. (c) Hubungan langsung dan tidak langsung. Diatas diuraikan tentang hubungan kausalitas asimetris, yang menyatakan pengaruh dari suatu variabel terhadap variabel lainnya. Hubungan seperti ini adalah hubungan langsung, artinya sebuah variabel secara langsung menjadi sebab terjadinya variabel lain. Ada suatu keadaan dimana sebuah variabel sebab akan mempengaruhi variabel lain melalui mediasi variabel ketiga, yang disebut variabel intervening (perantara/ penyela). Hubungan kasualitas seperti ini dinamakan hubungan kasualitas tak langsung. (d) Hubungan Bersyarat. Diatas sudah diuraikan tentang variabel sebab dan akibat. Selain kedua jenis variabel tersebut, terdapat pula jenis variabel lain yang disebut variabel bersyarat (conditional variable). Variabel bersyarat adalah variabel yang menentukan derajat hubungan sebab akibat. Suatu akibat dari sebuah variabel bisa hilang ketika variabel bersyarat dipertimbangkan. Hubungan antar variabel yang diangkat dalam penelitian ini adalah hubungan variabel KAUSASI atau hubungan KAUSALITAS.
67
Konsep Dasar Teori Kausalitas Pada buku LISREL, p.22, dinyatakan pernyataan bersifat kausalitas mempunyai 2 komponen, yaitu sebab (cause) dan Akibat (effect). Secara umum, suatu pernyataan dikatakan bersifat kausalitas (Kenny, 1979; & Greene, 1993) jika memenuhi ketiga persyaratan berikut ini: 1. Time Precedence. 2. Relationship. 3. Nonspuriousness. Maksud dari persyaratan yang pertama adalah jika variable x mempengaruhi y, maka waktu “kejadian” variabel x harus lebih dulu dari variabel y atau dapat dinyatakan x, mempengaruhi
yt+k, t adalah waktu dan k > 0. Dengan demikian suatu hubungan bersifat kausalitas adalah asimetris, ukuran-ukuran statistic seperti korelasi merupakan hubungan simetris sehingga tidak layak untuk menjelaskan hubungan kausalitas, sedangkan analisis regresi merupakan hubungan asimetris. Persyaratan yang kedua menyatakan bahwa hubungan bersifat kausalitas ditandai dengan adanya hubungan fungsionalitas antara sebab dan akibat. Misalnya, hubungan antar kuat arus listrik dengan luas penampang penghantar merupakan hubungan kausalitas. Sedangkan, persyaratan ketiga menyatakan bahwa hubungan bersifat kausalitas bukan merupakan hubungan spurious. Maksudnya adalah jika variabel ketiga mempengaruhi variabel eksogen dan endogen, maka hubungan kedua variabel tersebut sebenarnya tidak ada. 3.8.5 Sampel Model Persamaan Struktural Salah satu kelemahan penggunaan model persamaan struktural umumnya akan sesuai untuk ukuran sampel sangat besar. Kebutuhan teoritis metode penaksiran
68
kemungkinan maksimum dan uji kesesuaian (fit) model didasarkan kepada asumsi sampel besar. Secara umum, ukuran sampel untuk model persamaan struktural paling sedikit 200 pengamatan (Kelloway, 1998; Marsh et.al.). Bentler dan Chou (1987, dalam Kelloway, 1998) menyarankan bahwa rasio antara ukuran sampel dan parameter yang ditaksir adalah 5:1 dan 10:1. Joreskog dan Sorbom (1988, hal.32) menyatakan bahwa hubungan antara banyaknya variabel dan ukuran sampel minimal dalam model persamaan struktural adalah: Tabel 3.9: Ukuran Sampel Minimal dengan Banyaknya Variabel Banyaknya
Ukuran
Variabel
Sampel Minimal
3
200
5
200
10
200
15
360
20
630
25
975
30
1395
Sumber : Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 68
3.8.6 Alat Analisis Metode penelitian data yang digunakan untuk melakukan penelitian ini adalah Deskriptif Survey, dengan teknik pengolahan model Hybrid (Full SEM Model). Data yang diperoleh akan diolah dengan menggunakan Software LISREL (Linier Structural Relationship) versi 8.54 sebagai tool dari pengolahannya..
69
Tabel 4.0 Metode Analisis Metode Analisis
Tujuan Penelitian
Metode Penelitian
T-1
Deskriptif Survey
T-2
Deskriptif Survey
T-3
Deskriptif Survey
T-4
Deskriptif Survey
T-5
Deskriptif Survey
Alat Analisis Hybrid (Full Structural Equation Models) Hybrid (Full Structural Equation Models) Hybrid (Full Structural Equation Models) Hybrid (Full Structural Equation Models) Hybrid (Full Structural Equation Models)
Keterangan : T-1 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pengambilan keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam. T-2 : Untuk dapat mengetahui pengaruh lingkungan sosio-budaya terhadap pengambilan keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam. T-3 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pasca pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam. T-4 : Untuk dapat mengetahui pengaruh lingkungan Sosio-Budaya pelanggan terhadap pasca pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam. T-5 : Untuk dapat mengetahui pengaruh pengambilan keputusan pelanggan dan dampaknya pasca pengambilan keputusan atas jasa bengkel Auto 2000 Cabang Radio Dalam. 3.9 Rancangan Uji Hipotesis Dengan kerangka pemikiran ini selanjutnya dapat digunakan untuk menyusun hipotesis. Hipotesis merupakan jawaban sementara terhadap rumusan masalah. Karena
70
hipotesis jawaban sementara terhadap rumusan masalah penelitian yang diajukan, maka titik tolak untuk merumuskan hipotesis adalah rumusan masalah. Rumusan masalah 1 : Sejauh mana
bauran pemasaran mempengaruhi pengambilan
keputusan pelanggan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam. Rumusan masalah 2 : Sejauh mana lingkungan sosial pelanggan mempengaruhi pengambilan keputusan pelanggan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam. Rumusan masalah 3 : Sejauh mana bauran pemasaran mempengaruhi pelanggan pasca pengambilan keputusan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam. Rumusan masalah 4 : Sejauh mana lingkungan sosio-budaya mempengaruhi pelanggan pasca pengambilan keputusan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam. Rumusan masalah 5 : Seberapa besar pengambilan keputusan mempengaruhi pelanggan pasca keputusan terhadap jasa bengkel Auto 2000 Cabang Radio Dalam. Rumusan masalah diatas merupakan pengaplikasian dari metode SEM dengan tools statistiknya LISREL dan dapat diambil asumsi hipotesis untuk rumusan masalah tersebut yaitu: H0 : Tidak terdapat pengaruh yang signifikans dari PK terhadap PA H1 : Terdapat pengaruh yang signifikans dari PK terhadap PA Dengan keterangan : H0 : Hipotesis kerja H1 : Hipotesis alternatif Dengan taraf kepercayaan 95% dan taraf kesalahan 5% berdasarkan metode SEM yang akan diterapkan dalam tools statistik LISREL.
71
3.10 Rancangan Implikasi Hasil Penelitian Diharapkan implikasi yang dapat diberikan penelitian untuk perusahaan adalah bagaimana metode Structural Equation Modeling (Metode Persamaan Struktural) dengan
tool-nya LISREL dapat menganalisa kepuasan pelanggan yang diasumsikan memiliki hubungan kasualitas atau pengaruh secara positif terhadap loyalitas pelanggan di Auto 2000 Cabang Radio Dalam. Asumsi implikasi lainnya adalah bauran pemasaran jasa dan lingkungan Sosio-Budaya berpengaruh terhadap perusahaan dimana akan terlihat mana bagian yang paling berpengaruh dan harus menjadi pertimbangan dalam pencapaian tujuan perusahaan. Adapun asumsi atas hasil implikasi dimana akan terlihat ciri terkuat dari sikap loyalnya seorang pelanggan. Hasil implikasi dari bauran pemasaran jasa tadi dapat memberikan hasil yang memuaskan bagi kedua belah pihak, dimana pihak perusahaan dapat memenuhi kepuasan dari pelanggan dengan mengacu pada metode yang kuat dan secara otomatis akan menumbuhkan loyalitas pelanggan sehingga sebagai sebuah perusahaan jasa apabila kepuasan konsumen tinggi maka secara langsung tingkat penjualan akan memiliki kemungkinan untuk mengalami peningkatan.
72
