BAB III TINJAUAN PUSTAKA Peran dan Kedudukan Teknologi dalam Bisnis Jasa

BAB III TINJAUAN PUSTAKA

3.1. Peran dan Kedudukan Teknologi dalam Bisnis Jasa Teknologi telah membawa dampak yang besar bagi perkembangan dunia bisnis. Peranan teknologi dalam interaksi pelanggan-perusahaan dan sejumlah produk dan jasa yang berbasis teknologi telah tumbuh dengan sangat cepat. Banyak perusahaan kini memanfaatkan teknologi dan kemajuannya untuk memproduksi, mengembangkan, menjual, menyerahkan produk atau jasa, dan juga melayani pelanggan. Sehingga, pelanggan berhadapan dengan produk dan jasa yang menjadi lebih rumit secara teknologikal. Sifat interaksi pelangganperusahaan mengalami transformasi fundamental dengan implikasi yang dapat jauh diraih baik untuk pelanggan maupun perusahaan. Konsekuensi

umum

dari

peran

pertumbuhan

teknologi

adalah

pertumbuhan yang sepadan dengan self service technology. Teknologi Swa Layan atau Self Service Technologies (SST) adalah teknologi yang memungkinkan pelanggan untuk memproduksi sendiri, terpisah dari layanan karyawan secara langsung1. Contoh dari SST adalah Automated Teller Machine (ATM), Automated Hotel Checkout, Mobile Banking dan layanan melalui internet. Penggunaan self service technology yang disebut sebagai self-help, yang mengacu pada teknologi yang memungkinkan pelanggan untuk mempelajari, menerima informasi, melatih mereka sendiri dan memberikan pelayanan mereka sendiri.

Universitas Sumatera Utara

Alasan implementasi suatu self service technology adalah keinginan perusahaan untuk memberikan pelayanan tambahan yang memberikan nilai lebih dari core business yang dijalankan perusahaan. Keunggulan self service technology dapat ditinjau dari dua sisi yaitu perusahaan penyedia jasa dan pelanggan. Dari perusahaan penyedia jasa teknologi bisa menjadi kesempatan untuk mempercepat penyampaian jasa, ketepatan, customization, mengurangi biaya dan meningkatkan produktivitas. Bagi pelanggan self service technology juga memberikan beberapa keuntungan seperti penghematan waktu dan biaya, kontrol yang lebih tinggi pada pelayanan, memperpendek waktu tunggu, kemudahan lokasi, kesenangan dalam proses produksi dan kemudahan dalam penggunaaan2. Ironisnya, meskipun teknologi baru sedang menembus populasi dengan kecepatan yang semakin naik, terdapat bukti-bukti tanda-tanda naiknya frustasi dan kekecewaan konsumen. Teknologi dapat memfasilitasi perasaan kecerdasan atau keampuhan, tetapi teknologi juga dapat mengarahkan pada perasaan keterabaian atau kecerobohan.

3.2. Perbedaan Konsumen Perbedaan konsumen yang relevan terhadap pemasaran meliputi faktor demografi, profil psikografi, dan sifat personalitas3. Banyak peneliti yang telah menyelidiki faktor demografi dalam hubungannya dengan self service technology dan umumnya menemukan bahwa laki-laki muda, berpendidikan dan kaya lebih menyukai untuk menggunakan beberapa pilihan pelayanan4. Walaupun banyak orang tidak yakin terhadap segmentasi demografis ini, tetapi segmentasi ini tetap


dibutuhkan karena informasi demografi adalah informasi yang paling mudah dijangkau dan murah untuk mengidentifikasikan target pasar. Selain itu, kita dapat menggunakan demografi untuk mengevaluasi program-program pemasaran. Bagaimanapun, dalam era perubahan sosial dan ekonomi, perempuan, konsumen yang lebih tua, kurang berpendidikan dan kurang mampu, semua mempunyai akses dan beberapa tingkat familiaritas dalam menggunakan teknologi yang sederhana. Untuk itu, faktor demografi tidak begitu menarik dalam memahami mengapa konsumen menggunakan self service technology. Beberapa studi telah mempelajari profil psikografi yang berhubungan dengan penggunaan self service technology. McMellon, Schiffman dan Sherman membagi konsumen yang lebih tua menjadi pecinta teknologi dan pengguna teknologi untuk memahami perilaku online. Barezak, Ellen dan Pilling membagi konsumen bank menjadi security conscious, maximizers, instant gratifiers dan hasle avoiders untuk memahami preferensi mereka terhadap ATM, penyimpanan dan pengambilan otomatis, dan telephone banking. Walaupun studi psikografi menawarkan

pemahaman

yang

mensegmentasikan konsumen yang

mendalam mungkin

kepada

pemasar

untuk

berbeda, tetapi segmentasi

psikografi tersebut tidak cukup jauh dalam memahami motivasi konsumen atau bagaimana karakter tersebut mempengaruhi sikap dan perilaku yang berhubungan dengan self service technology. Karakteristik

personalitas

memainkan

peranan

penting

dalam

pembentukan sikap. Sebagai contoh, individu yang mempunyai kebutuhan untuk dikenal (high need of cognition), orang yang kecanduan informasi dan menikmati


pemikiran, sepertinya akan membentuk sikap yang positif dalam merespon iklan atau direct mail yang kaya akan informasi yang berhubungan dengan produk. Sebaliknya, konsumen yang relatif rendah dalam kebutuhan untuk dikenal sepertinya lebih membentuk sikap positif dalam merespon iklan yang bercirikan model yang menarik atau selebriti yang terkenal. Dalam pola yang sama, sikap terhadap produk dan situasi konsumsi baru sangat kuat dipengaruhi oleh karakteristik personalitas spesifik dari konsumen. Dalam studi menyangkut personalitas, telah banyak penelitian yang melihat pentingnya faktor personalitas terhadap pembentukan sebuah sikap. Personalitas didefinisikan sebagai karakteristik psikologikal dari dalam (inner psychological) yang menentukan dan merefleksikan bagaimana seseorang merespon lingkungannya5. Hal yang ditekankan dari definisi di atas adalah inner characteristics - yaitu kualitas, atribut, sifat, faktor yang membedakan satu individu dengan individu yang lainnya. Inner characteristics ini mencerminkan perbedaan individu yang konsisten dan tahan lama namun dapat dirubah. Dalam hal minat terhadap penggunaan self service technology, Dabholkar dan Bagozzi memfokuskan pada perbedaan sifat atau karakteristik konsumen, karena sifat konsumen merupakan jantung dari pembentukan sikap konsumen dan minat berperilaku. Mereka memfokuskan pada empat sifat konsumen yang mempunyai relevansi langsung terhadap self service technology yaitu kepercayaan diri (self efficacy), keinginan mencari sesuatu yang baru (inherent novelty seeking), kebutuhan berinteraksi (need for interaction) dan kesadaran pribadi (self consciousness).


Self efficacy. Kepercayaan diri didefinisikan sebagai penilaian individu terhadap kemampuan diri mereka sendiri untuk melakukan suatu perilaku. Beberapa konsumen mungkin lebih familiar dalam menggunakan produk berbasiskan teknologi daripada yang lain dan mungkin mempunyai kepercayaan diri yang tinggi. Menurut Bandura “Pengalaman berdasarkan pada penyelesaian kinerja atau performa menghasilkan harapan kepercayaan yang lebih tinggi, lebih umum dan lebih kuat, selain itu juga kepercayaan diri diharapkan akan mempengaruhi minat berperilaku secara tidak langsung”. Inherent novelty seeking. Menurut Hirschman, keinginan mencari sesuatu yang baru merupakan sebuah aspek dari innovativeness, didefinisikan sebagai hasrat untuk mencari rangsangan baru. Faktor innovativeness akan mempengaruhi sikap terhadap produk teknologikal6. Midgley and Dowling mendefinisikan inherent innovativeness sebagai derajat dimana individu menerima ide baru dan membuat keputusan inovasi secara bebas dari pengalaman komunikasi dari yang lainnya. Penggunaan sifat innovativeness umumnya relevan dengan produk atau jasa yang ditawarkan melalui teknologi. Banyak peneliti yang mengindikasikan bahwa konsumen yang innovator berbeda dari konsumen yang non innovator dalam hal orientasi personalitas. Hal ini dapat membantu pemasar dalam memilih target segmen untuk suatu produk baru dan kemudian mendesain strategi promosional yang berbeda untuk segmen yang spesifik. Need for interaction with a service employee. Kebutuhan berinteraksi dengan karyawan jasa didefinisikan sebagai pentingnya interaksi orang pada konsumen dalam service encounter7. Terkadang kebutuhan untuk melakukan


kontak dalam penghantaran jasa sangatlah penting untuk beberapa konsumen. Kebutuhan untuk berinteraksi dengan karyawan jasa merupakan faktor yang relevan untuk self service technology. Jika kebutuhan konsumen untuk berinteraksi tersebut tinggi, maka mereka cenderung akan menghindari jasa self service technology, khususnya jika jasa tersebut berbasiskan teknologi. Tetapi sebaliknya, jika kebutuhan tersebut rendah, maka konsumen cenderung akan memilih beberapa pilihan. Menghindari personel atau kebutuhan akan kebebasan merupakan konstruk yang paralel tetapi berlawanan arah dengan kebutuhan untuk berinteraksi dengan karyawan jasa. Self consciousness. Kesadaran diri didefinisikan sebagai pandangan seseorang terhadap diri mereka sendiri sebagai objek sosial, dengan kekhawatiran yang akut dari perspektif orang lain terhadap mereka. Pengaruh eksternal faktor berupa resiko yan dirasakan (perceived risk) dalam mempengaruhi pembentukan sikap pada self service technology7. Perceived risk didefinisikan sebagai ketidakpastian yang dihadapi konsumen ketika mereka tidak dapat meramalkan konsekuensi dari keputusan pembelian mereka. Dalam hubungannya dengan penggunaan suatu teknologi baru definisi ini menggarisbawahi dua dimensi yang relevan, yaitu ketidakpastian dan konsekuensi yang akan diperoleh ketika kita menggunakan suatu teknologi baru. Tingkat resiko yang konsumen rasakan dan toleransi mereka sendiri untuk mengambil resiko merupakan faktor yang mempengaruhi strategi pembelian mereka, dan harus dicatat bahwa konsumen dipengaruhi oleh resiko yang mereka rasakan, walaupun sebenarnya resiko tersebut ada atau tidak ada. Kesadaran diri dapat dibuktikan sebagai resiko sosial


dalam mengunakan self service technology dalam kehadiran dari konsumen lain. Anselmsson menemukan bahwa ketidaksenangan terhadap resiko sosial secara negatif akan mempengaruhi perceived service quality pada self checkout. Untuk itu dapat diterima bahwa resiko sosial akan mencegah konsumen dalam melihat sisi baik dari self service technology, sehingga kesadaran diri akan menjadi penentu yang relevan untuk diselidiki, khususnya untuk pilihan pelayanan yang relatif tidak dia kenal.

3.3. Faktor Situasional Faktor situasional juga memainkan peranan penting terhadap sikap dan minat terhadap suatu sistem pelayanan. Variabel situasional yang paling relevan untuk berbagai pelayanan adalah lamanya menunggu dan keramaian (crowding). Banyak penelitian yang menyebutkan bahwa konsumen tidak suka menunggu dan hal tersebut telah disadari dengan baik oleh para manajer pemasaran. Dalam hubungannya dengan self service technology, waktu menunggu ini lebih disebabkan bukan karena antrian yang panjang melainkan akan adanya delay atau keterlambatan dalam mendown-load suatu informasi atau transaksi. Kehadiran dari sejumlah pelanggan lain mungkin dirasakan positif dalam beberapa konteks, tetapi tidak sedikit yang merasakannya sebagai hal yang negatif. Karena beberapa konsumen sepertinya menjadi gelisah jika yang lain melihat mereka menggunakan jasa yang berbasiskan teknologi, khususnya self service technology yang kurang familiar. Sehingga manajer perlu mengetahui apakah kegelisahan sosial (social anxiety) melalui keramaian yang dirasakan akan


mengubah evaluasi dan penggunaan self service technology. Keramaian ini juga dihubungkan dengan penggunaan dari jasa tersebut di berbagai tempat tertentu.

3.4. Minat Pelanggan terhadap Self Service Technology Perilaku konsumen adalah perilaku yang konsumen perlihatkan dalam mencari, membeli, menggunakan, mengevaluasi, mengatur produk, jasa dan ide yang diharapkan akan memuaskan kebutuhan mereka. Perilaku atau tindakan nyata dari seseorang menyangkut sebuah target dipengaruhi oleh minat seseorang terhadap target tersebut. Dalam kaitannya dengan minat, untuk memahami secara lebih baik fondasi baik konsumen maupun karyawan akan kemauan mereka untuk mengadopsi self service technology telah banyak peneliti yang melakukan penyelidikan. Minat konsumen terhadap pengadopsian self service technology akan dipengaruhi oleh kesiapan konsumen terhadap teknologi tersebut yang akan berbeda-beda antara setiap konsumen didasarkan pada perbedaan demografi mereka. Minat terhadap self service technology akan berpengaruh pada sikap selanjutnya terhadap teknologi tersebut. Minat ini dipengaruhi oleh sikap konsumen terhadap self service technology tersebut. Sikap seseorang terhadap suatu target akan menjadi dasar pada perilaku selanjutnya yaitu minat dan sikap yang akan mengarahkan ke dalam pengambilan keputusan. Dalam menentukan pilihannya, konsumen akan mengevaluasi semua informasi yang berhubungan dengan suatu hal yang kemudian diwujudkan pada sikapnya terhadap hal tersebut. Dalam sikap akan terlihat faktor motivasi dan


emosional dari konsumen. Sikap pelanggan inilah yang kemudian akan menentukan pilihan tindakannya. Sikap konsumen terhadap self service technology mempunyai efek yang kuat, langsung dan positif terhadap minat penggunaan self service technology atau terhadap penyedia jasa tersebut dan sikap tersebut dipengaruhi oleh harapan atau ekspektasi mereka terhadap teknologi tersebut. Seperti halnya terhadap sikap, faktor kontrol berupa sifat atau karakter konsumen dan faktor situasi juga akan menjadi moderasi dalam pembentukan minat terhadap self service technology. Dalam studi menyangkut personalitas, telah banyak penelitian yang melihat pentingnya faktor personalitas terhadap minat

seseorang

dalam

berperilaku.

Personalitas

didefinisikan

sebagai

karakteristik psikologikal dari dalam (inner psychological) akan menentukan dan ,merefleksikan bagaimana seseorang merespon lingkungannya. Faktor situasional juga sering menjadi penentu keputusan dari suatu evaluasi pelayanan, sebagai contoh efek dari waktu menunggu sering digunakan sebagai penentu krusial bagaimana konsumen mengevaluasi pelayanan8. Efek dari waktu menunggu dan keramaian atau hadirnya banyak orang akan mempunyai pengaruh negatif akan minat pelanggan dalam penggunaan self service technology. Pada penelitian mengenai minat dan sikap pelanggan dalam penggunaan self service technology, Dabholkar dan Bagozzi melihat adanya empat karakter pelanggan yang meliputi kepercayaan diri (self efficacy), keinginan mencari sesuatu yang baru (inherent novelty seeking), kebutuhan berinteraksi (need for


interaction) dan kesadaran pribadi (self consciousness), juga faktor situasi meliputi dua hal yaitu waktu menunggu dan kegelisahan sosial (social anxiety) yang akan menjadi moderasi bagi pembentukan minat berperilaku.

3.5. Sikap Pelanggan terhadap Self Service Technology Dalam konteks perilaku pelanggan, terdapat empat komponen sikap atau attitude, yaitu sikap terhadap objek atau di sini sikap diinterpretasikan secara luas untuk mencakup konsumsi yang spesifik atau konsep yang berhubungan dengan pemasaran, seperti produk, jasa, harga, iklan, retailer dan lain-lain. Sikap relevan dengan perilaku pembelian atau penggunaan yang dibentuk sebagai hasil dari pengalaman langsung, informasi word of mouth yang diperoleh dari yang lainnya atau berbagai bentuk pemasaran langsung lainnya, kemudian sikap mempunyai konsistensi atau sikap seseorang relatif konsisten dengan perilaku yang dia refleksikan. Meskipun demikian sikap bukanlah sesuatu yang permanen, sikap dapat dirubah, yang terakhir adalah sikap ada dan disebabkan oleh situasi. Sikap terdiri dari tiga komponen umum, yaitu komponen cognitive (berpikir), komponen affective (merasakan) dan komponen conative (tindakan)9. Komponen kognitif yang merupakan pengetahuan dan persepsi yang diperoleh dari kombinasi pengalaman langsung dengan objek sikap (attitude object) dan informasi yang berhubungan dari berbagai sumber. Pengetahuan dan persepsi yang dihasilkan umumnya membentuk kepercayaan (beliefs), bahwa kepercayaan konsumen memiliki berbagai macam karakteristik dan perilaku yang spesifik yang akan mengarah pada hasil yang spesifik. Komponen kedua yaitu afektif


merupakan emosi atau perasaan (feeling) mengenai produk, jasa atau merek tertentu. Emosi dan perasaan ini sering diperlakukan oleh para peneliti konsumen terutama sebagai penilaian alami, yaitu mereka menangkap penilaian global atau langsung individual terhadap objek sikap (penilaian individual mengenai suatu objek sikap berdasarkan baik atau buruk, favourable atau unfavourable). Komponen ketiga adalah konatif, yaitu fokus kepada kecenderungan (likelihood) bahwa individu akan mengambil tindakan atau perilaku tertentu melalui cara-cara tertentu yang berhubungan dengan objek sikap. Jadi terkadang komponen konatif ini termasuk perilaku sebenarnya itu sendiri. Dabholkar mengatakan bahwa sikap dipandang sebagai keadaan afektif dengan order yang lebih tinggi yang diproduksi dari kombinasi komponen nilai harapan (expectancy value) individu. Secara konseptual, komponen nilai harapan dapat dipikirkan sebagai cluster kepercayaan yang tervalensi yang ada bersama dalam benak individu dalam representasi yang sistematik atau kategorikal. Dari pernyataan di atas dapat dijelaskan bahwa penentu dari sikap seseorang terhadap suatu objek adalah suatu kumpulan multi dimensi dari komponen ekspektasi atau nilai harapan seseorang terhadap suatu objek. Komponen ekspektasi nilai itu sendiri adalah kumpulan keyakinan atau kepercayaan yang ada dalam pikiran seseorang terhadap sesuatu. Jadi ekspektasi nilai tersebut adalah representasi dari evaluasi afektif seseorang terhadap sesuatu yang mereka anggap benar dan baik. Karena multi dimensional, maka ekspektasi nilai itu tidak mungkin hanya berupa satu hal saja, tetapi terdiri dari beberapa hal yang merupakan harapan


mereka. Ekspektasi nilai inilah yang menjadi penentu bagaimana seseorang akan bersikap terhadap sesuatu. Dalam hal minat untuk menggunakan suatu self service technology, maka ekspektasi pelanggan terhadap self service technology tersebut yang akan mempengaruhi sikap mereka terhadap penggunaan teknologi tersebut. Ada tiga dimensi yang mempengarui minat pelanggan terhadap self service technology. Yaitu kemudahan penggunaan (easy of use), kinerja (performance) dan keceriaan (fun). Kemudahan penggunaan (easy of use), kegunaan (usefulness) dan kesenangan (enjoyment) merupakan penentu minat dan sikap dalam model penerimaan teknologi (technology acceptance model)10. Dua dari ketiga dimensi tersebut, easy of use, dan fun atau enjoyment relevan untuk self service technology. Tetapi dimensi ketiga yaitu usefulness, lebih cocok digunakan untuk produk seperti software komputer, dan menjadi tidak relevan dengan self service technology, dimana konsumen ikut berpartisipasi dalam pelayanan. Tetapi dimensi ketiga yaitu kinerja (performance), yang disaring dari studi kualitatif dan didefinisikan sebagai keakuratan dan reliabilitas dari self service technology, seperti yang diharapkan oleh konsumen. Ekspektasi nilai pelanggan (kemudahan penggunaan, kinerja dan keceriaan) akan bertindak sebagai penentu minat dan sikap ke arah penggunaan self service technology. Dalam hal minat pelanggan terhadap penggunaan self service technology, juga terdapat faktor lain yang dapat mempengaruhi minat dan sikap terhadap self service technology tersebut. Sikap terhadap self service technology akan


ditentukan juga oleh faktor kontrol berupa sifat atau karakter konsumen dan faktor situasi.

Karakteristik

personalitas

memainkan

peranan

penting

dalam

pembentukan sikap. Dalam pola yang sama, sikap terhadap produk dan situasi konsumsi baru sangat kuat dipengaruhi oleh karakteristik personalitas spesifik dari konsumen. Terdapat empat sifat konsumen yang mempunyai relevansi langsung terhadap self service technology yaitu kepercayaan diri (self efficacy), keinginan mencari sesuatu yang baru (inherent novelty seeking), kebutuhan berinteraksi (need for interaction) dan kesadaran pribadi (self consciousness). Faktor situasional juga memainkan peranan penting terhadap minat dan sikap terhadap suatu sistem pelayanan. Ada dua faktor situasional yang dapat mempengaruhi minat dan sikap terhadap penggunaan self service technology yaitu efek dari waktu menunggu (waiting time) dan kegelisahan sosial (social anxiety) dalam hal ini berhubungan dengan keberadaan dari banyaknya orang.

3.6. Structural Equation Modelling (SEM) 3.6.1. Sejarah SEM dan Pengertian Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentuk analisis structural equation modelling. Dari defenisi beberapa ahli menyebutkan diantaranya, ”Analisa jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel bergantung tidak hanya secara langsung, tetapi juga secara tidak langsung


(Robert D. Rutherford 1993). Sementara itu, definisi lain mengatakan ”Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley,1997). David Garson dari North Carolina State University mendefenisikan analisis jalur sebagai ’model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah di mana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik (David Garson, 2003) 1 Model persamaan struktural (SEM) meliputi seluruh model yang terkenal dengan banyak nama seperti: covariance structure analysis, latent variabel analysis, confirmatory factor analysis dan sering disebut lisrel analysis yang merupakan salah satu nama program komputer. Perlu disebutkan disini bahwa teknik SEM dibedakan oleh dua karakteristik, yaitu 2: 1. Estimasi atau perkiraan hubungan depensi berganda dan saling terkait (estimation of multiple and interrelated depence relationship) 1

Jonathan Sarwono,Analisis Jalur untuk Riset Bisnis dengan SPSS, (Cet I;Yogyakarta:Andi,2007)h.1 2 Johanes Supranto, Analisis Multivariat arti & Interpretasi (Cet I;Jakarta: Rhineka Cipta) h.221


2. Kemampuan untuk mempresentasikan konsep yang tidak terlihat (unobserved consepts) dalam hubungan –hubungan ini dan memperhitungkan pengukuran kesalahan di dalam proses estimasi.

3.6.2. Prinsip-Prinsip Dasar Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam analisis jalur diantaranya ialah 3: a. Adanya linieritas (Linierity). Hubungan antar variabel bersifat linier, b. Adanya aditivitas (Additivity). Tidak ada efek-efek interaksi c. Data berskala interval. Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (MSI) terlebih dahulu d. Semua variabel residual (yang tidak diukur) tidak berkorelasi dengan salah satu variabel dalam model e. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan semua variabel endogeneus dalam model. Jika dilanggar maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur. f. Sebaiknya

hanya

terdapat

multikolinieritas

yang

rendah.

Maksud

multikolieniritas adalah dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang tinggi maka kita

3

Jonathan, co.Ibid.h.2


akan mendapatkan standar error yang besar dari koefisien beta (b) yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial g. Adanya rekursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping) h. Spesifikasi model sangat diperlukan untuk menginterprestasikan koefisienkoefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefisien jalur akan merefleksikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasikan secara tepat dalam kaitannya dengan akibat langsung dan tidak langsung i. Terdapat masukan korelasi yang sesuai. Artinya, jika kita menggunakan matriks korelasi sebagai masukan maka korelasi Pearson digunakan untuk variabel berskala interval: korelasi polychoric untuk dua variabel berskala ordinal; tertrachoric untuk dua variabel dikotomi (berskala nominal); polyserial untuk satu variabel interval dan lainnya nominal j. Terdapat ukuran sampel yang memadai. Untuk memperoleh hasil yang maksimal, sebaiknya digunakan sampel di atas 100 k. Sampel sama dibutuhkan untuk penghitungan regresi dalam model jalur.


3.6.3. Konsep dan Istilah Dalam analisis jalur dikenal beberapa konsep dan istilah dasar. Pada gambar 3.1. Model Analisis Jalur (SEM) akan diterangkan konsep-konsep dan istilah dasar 4: P41

1 P21

P31 4

3 r21

P32

P43

2 P42 e2

e3

e4

Gambar 3.1. Model Analisis Jalur SEM 1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebabakibat antara variabel-variabel eksogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahankesalahan (variabel residue) dengan semua variabel endogeneus masingmasing. Anak panah ganda menunjukkan korelasi antara pasangan variabelvariabel eksogeneus. 2. Jalur penyebab untuk suatu variabel yang diberikan. Meliputi pertama, jalurjalur arah dari anak panah menuju ke variabel tersebut dan kedua jalur-jalur 4

Jonathan, co.ibid. h3


korelasi dari semua variabel endogeneus yang dikorelasikan dengan vaiabelvariabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut 3. Variabel eksogeneus. Variabel-variabel eksogeneus dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogeneus dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut. 4. Variabel endogeneus. Variabel endogeneus ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogeneus mempunyai anak panah yang menuju arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. 5. Koefisien jalur/pembobotan jalur. Koefisien jalur adalah koefisien regresi standar atau disebut ”beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab maka koefisien-koefisien jalurnya merupakan koefisien-koefisien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel


lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan. 6. Variabel-variabel eksogeneus yang dikorelasikan. Jika semua variabel eksogeneus dikorelasikan maka sebagai penanda hubungannya ialah anak panah dengan dua kepala yang dihubungkan diantara variabel-variabel dengan koefisien korelasinya. 7. Istilah gangguan. Istilah kesalahan residual yang secara teknis disebut sebagai ’gangguan’ atau ’residue’ mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran. 8. Aturan multiplikasi jalur. Nilai dari suatu jalur gabungan adalah hasil semua koefisien jalurnya. 9. Dekomposisi pengaruh. Koefisien-koefisien

jalur dapat digunakan untuk

mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model tertentu. Ini didasarkan pada aturan bahwa dalam suatu sistem linier, pengaruh penyebab total suatu variabel ’i’ terhadap variabel ’j’ adalah jumlah semua nilai jalur dari ’i’ ke ’j’ .


3.6.4. Model Analisis Jalur Ada beberapa model jalur mulai dari yang paling sederhana sampai dengan yang lebih rumit, di antaranya diterangkan dibawah ini 5

3.6.4.1. Model Regresi Berganda Model pertama ini sebenarnya merupakan pengembangan regresi berganda dengan menggunakan dua variabel eksogeneous, yaitu X1 dan X2 dengan satu variabel endogeneus Y. Model digambarkan pada Gambar 3.2. Bentuk model regresi berganda

X1 Y X2

Gambar 3.2. Bentuk Model Regresi Berganda

3.6.4.2. Model Mediasi Model kedua adalah model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z. Model digambarkan, pada Gambar 3.3. Bentuk model mediasi

5

Jonathan, co.ibid. h.6


X

Z

Y

Gambar 3.3. Bentuk Model Mediasi

3.6.4.3. Model Kombinasi Pertama dan Kedua Model ketiga ini merupakan kombinasi antara model pertama dan kedua, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan pada Gambar 3.4.Model kombinasi pertama dan kedua : X1

Y

X2

Gambar 3.4. Model Kombinasi Pertama dan Kedua

3.6.4.4. Model Kompleks Model keempat ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1 model digambarkan pada Gambar 3.5.Bentuk model kompleks:


X1

X2

Y1

Y2

Gambar 3.5. Bentuk Model Kompleks

3.6.4.5. Model Rekursif dan Non Rekursif Dari sisi pandang arah sebab akibat, ada dua tipe model jalur, yaitu rekursif dan non rekursif. Model rekursif ialah jika semua anak panah menuju satu arah seperti Gambar 3.6.Bentuk model rekursif dan non rekursif P41

1 P21

P31 4

3 r21

P32

P43

2 P42 e2

e3

e4

Gambar 3.6. Bentuk Model Rekursif dan non Rekursif Model tersebut dapat diterangkan sebagai berikut: a. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1


b. Hanya terdapat satu variabel eksogeneous, yaitu 1 dan tiga variabel endogenuous, yaitu 2,3 dan 4. Masing-masing variabel endogeneous diterangkan oleh variabel 1 dan error (e2, e3 dan e4) Model non recursif terjadi jika arah anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat (reciprocal cause).

3.6.5. Persamaan Jalur SEM 3.6.5.1. Persamaan Satu Jalur Bentuk model yang mengandung unsur persamaan satu jalur adalah pada model regresi berganda. Dimana hanya terdapat satu variabel endogeneus yang disebabkan oleh beberapa variabel eksogeneus. Bentuk modelnya dapat dilihat pada Gambar 3.7. Bentuk model persamaan satu jalur dalam SEM 6. X1 RYX1

rX1X3

rX1X2 X2

€ RYX2

Y

rX2X3 RYX3 X3

Gambar 3.7. Bentuk Model Persamaan Satu Jalur Dalam SEM

6

Jonathan,co.ibid.h.11


Keterangan: a. Variabel X1, X2 dan X3 adalah variabel eksogeneus b. Variabel Y adalah variabel endogeneus Persamaannya : Y= RYX1 + RYX2 + RYX3 + €

3.6.5.2. Persamaan Dua Jalur Dalam persamaan dua jalur model dikembangkan atas tiga variabel eksogeneus dan 2 variabel endogeneus. Model persamaannya dapat dilihat pada Gambar 3.8. Bentuk Model persamaan dua jalur dalam SEM €1

€2

X1

rX1X3

rX1X2 X2

RY2X1

RY1X1 RY1X2

rX2X3

Y RY1X3

RY2Y1

Y2

RY2X3

X3

Gambar 3.8. Bentuk Model Persamaan Dua Jalur Dalam SEM Keterangan: a. Variabel X1, X2 dan X3 adalah variabel eksogeneus b. Variabel Y1 dan Y2 adalah variabel endogeneus Persamaannya adalah: a. Y1=RY1 X1 + RY X2+ RY X3 + €1

(Pers. Substruktur 1)

b. Y2=RY2 X1 + RY2 X2+ RY2 X3 + €2



3.6.5.3. Persamaan Tiga Jalur Dalam model persamaan tiga jalur, pada umumnya terdapat 2 variabel eksogeneus murni, dan satu variabel eksogeneus perantara, dan terdapat 2 variabel endogeneus. Bentuk model persamaan strukturalnya dapat dilihat secara lengkap pada Gambar 3.9. Bentuk model persamaan tiga jalur dalam SEM €2 €1 RY1X1

X1

Y1

RX1X2

rX1X3

RY1X2

RY2Y1

X2 RY2X2 RX2X3 RY2X3

X3

Y2

€3

Gambar 3.9. Bentuk Model Persamaan Tiga Jalur Dalam SEM Keterangan: a. Variabel X1 dan X3 adalah variabel eksogeneus b. Variabel X2 adalah variabel perantara c. Variabel Y1 dan Y2 adalah variabel endogeneus Persamaannya adalah: a. X2=R X2 X1 + R X2 X3 + €1


b. Y1=RY1 X1 + RY1X2+ €2



c. Y2=RY2 X3 + RY2 Y1+ €3


3.6.6. Langkah-Langkah SEM Di bawah ini akan ditelusuri lebih lanjut bagaimana menyusun langkahlangkah untuk membuat pemodelan yang lengkap yaitu 7: a. Pengembangan model berbasis teori Dalam pengembangan model teoritis, harus dilakukan telaah pustaka yang intens guna mendapatkan justifikasi atas model teoritis yang akan dikembangkan. Tanpa dasar teori, SEM tidak dapat digunakan. Setelah itu model divalidasi secara empirik melalui komputasi program SEM. Pengajuan model kausalitas harus dengan menganggap adanya hubungan sebab akibat antara dua atau lebih variabel, bukan didasarkan pada metode analisis yang digunakan, tetapi haruslah berdasarkan justifikasi teoritis yang mapan. SEM bukan untuk menghasilkan kausalitas, tetapi untuk membenarkan adanya kausalitas teoritis melalui uji data empirik. Peneliti mempunyai kebebasan untuk membangun hubungan, sepanjang didukung oleh teori yang memadai. Kesalahan yang sering timbul adalah kurang atau terabaikannya satu atau beberapa variabel prediktif kunci dalam menjelaskan sebuah model, yang dikenal dengan specification error. Meskipun demikian untuk pertimbangkan praktis, jika jumlah variabel, faktor, konsep atau konstruk yang dikembangkan terlalu banyak, akan menyulitkan interpretasi hasil analisis, khususnya tingkat signifikansi statistiknya.

7

www.jonathansarwono.info/sem/sem.htm


b. Mengkontruksi diagram jalur untuk menunjukkan hubungan kausalitas Model teoritis yang telah dibangun kemudian digambar dalam bentuk suatu diagram, yang dikenal dengan diagram jalur. Penggambaran dalam bentuk diagram ini untuk mempermudah melihat hubungan-hubungan kausal antar variabel eksogen dan endogen yang akan diuji. Selanjutnya bahasa program akan mengkonversi gambar menjadi persamaan, dan persamaan menjadi estimasi. Pada langkah ini ditentukan variabel independen dan variabel dependennya. Hubungan antar konstruk dinyatakan melalui anak panah sesuai dengan arah kausalitasnya. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk dengan konstruk lainnya. Anak panah lengkung dengan lancip dikedua ujungnya menunjukkan korelasi antar konstruk. Konstruk-konstruk dalam diagram path, dapat dibedakan menjadi dua : 1. Konstruk Eksogen, dikenal sebagai variabel independen yang tidak diprediksi oleh variabel lain dalam model. Dalam diagram konstruk eksogen digambarkan sebagai konstruk yang dituju oleh garis dengan satu ujung panah. 2. Konstruk Endogen, yaitu konstruk yang diprediksi oleh satu atau beberapa konstruk. Konstruk ini dapat memprediksi satu atau beberapa konstruk endogen lainnya, sedangkan konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen. Dengan pijakan teoritis yang ada, maka dapat ditentukan mana yang akan dianggap sebagai konstruk endogen dan mana yang eksogen.


c. Konversi diagram jalur ke dalam serangkaian persamaan struktural dan spesifikasi model pengukuran Setelah model digambarkan dalam diagram path, kita dapat mulai mengkonversi spesifikasi model kedalam persamaan-persamaan. Persamaan itu terdiri dari : 1. Persamaan-persamaan struktural, yang menyatakan hubungan kausalitas antar berbagai konstruk. Contoh persamaan struktural: Y1 = ƒ×1 X1 + ƒ×2 X2 + ƒê1 Jika di dalam bahasa regresi, model di atas digolongkan dalam 2 persamaan regresi berganda, jadi diuji secara simultan. 2. Persamaan spesifikasi model pengukuran (measurement model), yaitu spesifikasi yang akan menentukan variabel apa mengukur konstruk apa, serta menentukan

serangkaian

matrik

yang

menunjukkan

korelasi

yang

dihipotesakan antar konstruk atau variabel. Contoh persamaan spesifikasi model: X11 = ƒÜ1 X1 + ƒÔ1 d. Pemilihan matrik input dan teknik estimasi atas model yang dibangun Input data yang digunakan dalam analisis SEM adalah menggunakan matrik kovarian atau matrik korelasi. Input data inilah yang membedakan antara SEM dengan teknik analisis multivariat yang lain. Meskipun demikian, observasi individual tetap diperlukan dalam program ini. Data individual dapat dientry menggunakan program lain. Setelah masuk program SEM data segera dikonversi dalam bentuk matrik kovarian atau matrik korelasi. Walaupun observasi individual tidak menjadi input analisis, tetapi ukuran sampel penting dalam estimasi dan interpretasi hasil SEM.


Menurut pakar SEM sampel yang baik adalah besarnya antara 100 – 200. Jika sampel terlalu besar, akan menjadi sangat sensitif terhadap ukuran-ukuran goodness of fit. Sebagai pedoman ukuran sampel 1. antara 100 – 200 sampel 2. antara 5 – 10 kali jumlah parameter yang diestimasi 3. antara 5 – 10 kali jumlah indikator e. Menilai problem identifikasi Problem

identifikasi

pada

prinsipnya

adalah

problem

mengenai

ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi ini dapat dideteksi dari gejala-gejala yang muncul antara lain : 1. Standar error untuk satu atau beberapa koefisien sangat besar. 2. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3. Munculnya angka-angka aneh misalnya varians error yang negatif. 4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat. f. Evaluasi model. Kesesuaian model dapat dievaluasi dengan melihat berbagai kriteria goodness of fit. Secara garis besar uji goodness of fit model dapat digolongkan menjadi 4 hal yaitu pengujian parameter hasil dugaan, uji model keseluruhan, uji model struktural, dan uji pengukuran (validitas dan reliabilitas).


g. Interpretasi dan modifikasi model Langkah terakhir adalah menginterpretasikan model dan memodifikasikan model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Setelah model diestimasi harus mempunyai residual kovarian yang kecil. Batas keamanan jumlah residual adalah 5 %. Jika residual > 5 % dari semua residual kovarian yang dihasilkan oleh model, maka perlu dipertimbangkan modifikasi model, misalnya dengan menambah jalur baru terhadap model yang diestimasi. Tetapi yang perlu diingat adalah bahwa perubahan atau modifikasi model tersebut harus mempunyai dukungan dan justifikasi teori yang memadai. Demikianlah SEM dengan keunggulan dan keterbatasnya, dapat dijadikan alternatif teknik analisis penelitian baik skripsi maupun penelitian sosial ekonomi lainnya sehingga dapat diperoleh hasil-hasil penelitian dengan variasi yang lebih beragam. Meskipun demikian, perlu ditegaskan bahwa SEM hanyalah sejenis teknik statistik yang merupakan alat untuk memecahkan masalah, interpretasi selanjutnya tergantung dari peneliti itu sendiri.


BAB IV METODOLOGI PENELITIAN

Metodologi penelitian merupakan cara atau prosedur yang berisi tahapantahapan yang jelas dan disusun secara sistematis dalam proses penelitian. Tiap tahapan merupakan bagian yang menentukan tahapan selanjutnya sehingga harus dilalui dengan cermat.

4.1. Tempat dan Waktu Penelitian Penelitian ini dilakukan pada salah satu bank di Indonesia, yaitu PT Bank XXXX di Medan. Penelitian dilakukan selama 1 bulan dimulai pada tanggal 1 November 2009 sampai tanggal 30 November 2009.

4.2. Rancangan Penelitian Penelitian ini dilakukan menggunakan desain penelitian survey dengan menggambarkan suatu fenomena pemasaran. Penelitian ini akan menggambarkan bagaimana sikap nasabah bank terhadap teknologi SMS Banking yang dipengaruhi oleh ekspektasi nilai pelanggan terhadap teknologi SMS Banking dan karakteristik masing-masing konsumen yang akan berpengaruh pada minat dan sikap terhadap pengadopsian teknologi tersebut. Minat dan sikap terhadap teknologi SMS Banking akan dibentuk oleh ekspektasi nilai pelanggan terhadap pelayanan yang dapat diberikan oleh teknologi tersebut. Pembentukan minat dan sikap tersebut akan dipengaruhi oleh faktor karakteristik pelanggan dan faktor situasional.


4.3. Objek Penelitian Objek dalam penelitian ini adalah nasabah PT Bank XXXXyang memiliki kartu ATM dan memiliki telepon selular. Unit analisis penelitian ini adalah nasabah PT Bank XXXXyang berumur lebih dari 17 tahun. Hal ini dilakukan karena diperkirakan kelompok nasabah di atas telah mampu menjawab pertanyaan survey dengan baik dan mudah karena kedewasaan dan pengalaman.

4.4. Variabel Penelitian 4.4.1. Variabel Bebas (Independent) Variabel bebas dalam penelitian kali ini ada tiga yaitu: A. Komponen ekspetasi nilai pelanggan terhadap pelayanan teknologi SMS Banking. Komponen ini terdiri dari tiga variabel yaitu: 1. Kemudahan dalam penggunaan (Easy of use), yang terdiri dari tiga indikator yaitu: 1) Besarnya usaha (X1) 2) Kompleksitas (X2) 3) Penggunaan di berbagai tempat (X3) 2. Kinerja (Performance),yang terdiri dari empat indikator yaitu: 1) Keamanan (X4) 2) Reliabilitas (X5) 3) Keakuratan (X6) 4) Efisiensi (X7)


3. Fun atau keceriaan, yang terdiri dari dua indikator yaitu: 1) Hiburan (X8) 2) Kesenangan (X9) B. Komponen karakteristik pelanggan. Komponen ini terdiri dari empat variabel yaitu: 1. Kepercayaan diri (Self efficacy), yang terdiri dari dua indikator yaitu: 1) Kemampuan untuk menggunakan SMS Banking (X10) 2) Kepercayaan teknologi diciptakan untuk mempermudah semua orang (X11) 2. Keinginan mencari sesuatu yang baru (Inherent novelty seeking), yang terdiri dari tiga indikator yaitu: 1) Pengalaman baru (X12) 2) Rutinitas (X13) 3) Aktivitas baru (X14) 3. Kebutuhan untuk berinteraksi dengan karyawan jasa (Need for interaction), yang terdiri dari tiga indikator yaitu: 1) Rasa suka berinteraksi dengan karyawan jasa (X15) 2) Rasa suka berinteraksi dengan mesin (X16) 3) Pelayanan yang menyenangkan dari karyawan jasa (X17) 4. Kesadaran diri (Self consciousness), yang terdiri dari tiga indikator yaitu: 1) Penampilan (X18) 2) Gaya (X19) 3) Cara memperlihatkan diri (20)


C. Komponen persepsi terhadap faktor situasional, yang terdiri dari tiga indikator yaitu: 1) Kehadiran orang lain (X21) 2) Waktu menunggu (X22) 3) Keramaian (X23)

4.3.2. Variabel Tak Bebas (Dependent) Variabel tak bebas dalam penelitian kali ini ada dua yaitu: A. Minat terhadap penggunaan SMS Banking Indikator untuk variabel ini terdiri dari dua indikator dalam hal kemungkinan menggunakan teknologi SMS Banking dan keinginan menggunakan teknologi SMS Banking. B. Sikap terhadap teknologi SMS Banking Indikator untuk variabel ini terdiri dari dua indikator dalam hal perasaan terhadap teknologi SMS Banking dan keberadaan teknologi SMS Banking.

4.5. Metode Pengumpulan Data Pengumpulan data dilakukan melalui penyebaran kuesioner secara langsung dengan individu responden, yang secara langsung berhadapan dengan responden (face to face). Metode sampling yang digunakan dalam penelitian kali ini adalah non probability sampling/non random sampling, dengan teknik yang digunakan adalah purposive sampling. Sampel yang diambil dari anggota populasi yaitu nasabah PT


Bank XXXX di Medan yang dijumpai oleh peneliti selama periode pengumpulan data.

4.6. Pengolahan Data Teknik pengolahan data yang digunakan adalah dengan Structural Equation Modelling (SEM) dengan metode confirmatory analysis (CFA). CFA adalah model pengukuran dimana variabel-variabel teramati (indikator-indikator) merefleksikan satu variabel laten tertentu (latent dimension). Ada 7 tahapan prosedur pembentukan dan analisis SEM, yaitu: 1. Membentuk model teori sebagai dasar model SEM. Model ini adalah suatu model kausal atau sebab akibat yang menyatakan hubungan antar dimensi atau variabel. 2. Membangun path diagram dari hubungan kausal yang telah dibentuk berdasarkan dasar teori 3. Membagi path diagram tersebut menjadi suatu set dari model pengukuran (measurement model) dan model structural (structural model) 4. Pemilihan matrik data input dan mengestimasi model yang diajukan 5. Menentukan the identification of the structural model. Langkah ini untuk menentukan bahwa model yang dispesifikasikan bukan model yang under identified atau identified 6. Mengevaluasi kriteria dari goodness of fit aatu uji kecocokan model 7. Menginterpretasikan hasil yang didapat dan mengubah model jika diperlukan


4.7. Analisa Data Analisis data yang dilakukan adalah untuk mempelajari apakah ada hubungan yang terbentuk antara variabel tak bebas dengan variabel bebas dan kekuatan dari hubungan tersebut. Faktor analisis yang digunakan adalah metode confirmatory yang digunakan untuk mengukur apakah variabel-variabel teramati atau indikatorindikator merefleksikan satu variabel laten tertentu (latent dimension). Alat analisis ini digunakan unmtuk menguji sebuah measurement model. Dengan alat ini akan diketahui apakah indikator-indikator yang ada memang dapat menjelaskan sebuah konstruk. Dengan melakukan CFA, dapat saja sebuah indikator dianggap tidak secara kuat berpengaruh atau dapat menjelaskan sebuah konstruk.

4.8. Kesimpulan dan Saran Pada tahap akhir dari penelitian ini ditarik kesimpulan yang didasarkan pada hasil pengolahan data dan analisis yang dilakukan pada tahap sebelumnya. Selanjutnya akan diberikan saran-saran yang dianggap penting dan mungkin untuk

ditindaklanjuti

baik

untuk

kepentingan

praktisi

maupun

untuk

penyempurnaan bagian penelitian selanjutnya.


BAB V PENGUMPULAN DAN PENGOLAHAN DATA

5.1. Pengumpulan Data Pengambilan data primer yang dibutuhkan dalam penelitian ini didapatkan dengan melakukan survey yakni menyebarkan kuesioner kepada pelanggan ataupun nasabah jasa perbankan khususnya nasabah PT Bank XXXX yang berlokasi di Jalan Pemuda no.12. Kuesioner ini terdiri atas 2 bagian pertanyaan, bagian pertama berisi identitas responden yang terdiri atas 7 butir pertanyaan mengenai data diri responden, bagian kedua berisikan keyakinan yang dirasakan nasabah terhadap pertanyaan-pertanyaan yang diberikan mengenai variabel yang membentuk minat dan sikap nasabah terhadap penggunaan teknologi SMS Banking yang terdiri dari 27 butir pertanyaan yang dikelompokkan ke dalam butirbutir pertanyaan sebagai berikut: 1. Komponen ekspetasi nilai pelanggan terhadap pelayanan teknologi SMS Banking 2. Komponen karakteristik pelanggan 3. Komponen persepsi terhadap faktor situasional 4. Minat terhadap penggunaan SMS Banking 5. Sikap terhadap teknologi SMS Banking Untuk hasil rekapitulasi data berdasarkan jawaban responden dari kuesioner yang telah disebarkan sebelumnya dapat dilihat pada lampiran.


5.2. Pengolahan Data Untuk menentukan hubungan variabel yang berpengaruh terhadap pembentukan minat dan sikap penggunaan teknologi SMS Banking, maka dapat ditentukan dengan jalur SEM berdasarkan setiap tahapan-tahapan berikut:

5.2.1. Pengembangan Model Berbasis Teori Dabholkar dan Bobbit telah melihat pentingnya penentuan minat dan sikap konsumen dalam menentukan pilihannya, karena dari minat dan sikap konsumen akan terlihat faktor motivasi dan emosional konsumen. Dalam menentukan pilihannya, konsumen akan mengevaluasi semua informasi yang berhubungan dengan suatu hal yang kemudian diwujudkan dalam sikapnya terhadap hal tersebut. Sikap ini akan tercermin dari minat konsumen terhadap hal tersebut dan seterusnya berakhir dengan suatu tindakan yang berhubungan dengan hal tersebut. Dabholkar lebih lanjut menemukan bahwa minat dan sikap pelanggan terhadap self service technology akan dipengaruhi oleh ekspektasi nilai akan pelayanan self service technology tersebut, yaitu berupa kemudahan dalam penggunaan (ease of use), kinerja (performance) dan keceriaan (fun). Dabholkar dan Bagozzi menemukan bahwa selain ekspektasi nilai konsumen terhadap pelayanan, mereka juga melihat bahwa minat dan sikap pelanggan terhadap self service technology akan dimoderasi oleh faktor kontrol berupa sifat atau karakter konsumen dan faktor situasi. Karakter pelanggan yang ditinjau meliputi kepercayaan diri (self efficacy), keinginan mencari sesuatu yang baru (inherent novelty seeking), kebutuhan berinteraksi (need for interaction) dan


kesadaran pribadi (self consciousness). Faktor situasi meliputi dua hal yaitu waktu menunggu dan kegelisahan sosial (social anxiety). Self efficacy (kepercayaan diri) didefinisikan sebagai penilaian individual terhadap kemampuan diri mereka sendiri untuk melakukan suatu perilaku. Menurut Dabholkar dan Bagozzi, konsumen dengan kepercayaan diri yang lebih besar dapat diharapkan untuk mempunyai kepercayaan diri yang lebih dalam kemampuan mereka untuk menggunakan self service technology, dan untuk itu kemudahan penggunaan tidak akan sepenting untuk konsumen yang mempunyai kepercayaan diri yang lebih rendah dalam kemampuan mereka sendiri. Pada saat yang sama, rasa kepercayaan diri dalam kemampuan seseorang untuk melakukan sesuatu memungkinkan untuk melihat aktivitas sebagai kesenangan. Konsumen dengan rasa pecaya diri yang lebih rendah akan cenderung untuk berkonsentrasi pada kesenangan dalam penggunaan self service technology, dan keceriaan sebagai atribut akan menjadi lebih penting. Inherent novelty seeking (keinginan mencari sesuatu yang baru) merupakan sebuah aspek yang sejalan dengan dimensi innovativeness yang didefinisikan sebagai hasrat untuk mencari rangsangan baru. Konsumen yang tinggi dalam keinginan mencari sesuatu yang baru cenderung untuk melihat kebaikan pada teknologi dan penggunaan produk berbasiskan teknologi, mempunyai motivasi intrinsik yang lebih kuat untuk menggunakan produk tersebut, dan menikmati rangsangan mencoba cara baru untuk memecahkan masalah lama. Beberapa konsumen tidak akan berkonsentrasi apakah teknologi baru mudah digunakan dan akan ingin untuk mencobanya. Untuk itu, kemudahan


penggunaan atau kinerja dari beberapa pilihan tidak akan menjadi begitu penting untuk mereka dalam membentuk minat dan sikap terhadap penggunaan beberapa pilihan, tetapi akan menjadi penting untuk konsumen dengan sifat yang lebih rendah dalam keinginan mencari sesuatu yang baru. Konsumen yang tinggi dalam mencari sesuatu yang baru mencari rangsangan dalam pengalaman mereka dan akan cenderung untuk menikmati menggunakan teknologi baru. Terakhir, konsumen yang tinggi dalam mencari sesuatu yang baru sepertinya ingin menggunakan self service technology dengan reliansi yang kurang pada sikap yang ada dalam diri mereka mengenai jasa tersebut dan akan diarahkan motivasi intrinsik mereka. Need for interaction with a service employee (kebutuhan berinteraksi dengan karyawan jasa) didefinisikan sebagai pentingnya interaksi orang pada konsumen dalam service encounter. Beberapa peneliti telah menemukan bahwa kebutuhan untuk kontak dengan karyawan jasa sejalan dengan kebutuhan untuk menghindari mesin. Sehingga, untuk konsumen dengan tipe tersebut, untuk melihat kebaikan pada pilihan penghantaran pelayanan secara teknologi, pilihan tersebut harus lebih mudah digunakan, lebih reliabel, dan lebih menyenangkan daripada untuk konsumen yang lebih rendah akan kebtuhan untuk berinteraksi denga karyawan jasa. Dengan kata lain, untuk memperoleh konsumen yang tinggi akan kebutuhan untuk berinteraksi dengan karyawan jasa untuk lebih mengevaluasi self service technology secara baik, ke semua atribut di atas harus lebih dikuatkan. Konsumen yang tinggi akan kebutuhan untuk berinteraksi akan mengurangi motivasi intrinsik untuk menggunakan self service technology. Tidak


seperti konsumen yang tinggi dalam kebutuhan mencari sesuatu yang baru, beberapa konsumen akan menempatkan reliansi yang lebih besar pada sikap mereka yang telah ada mengenai self service technology. Self consciousness (kesadaran diri) didefinisikan sebagai pendangan seseorang terhadap diri mereka sendiri sebagai objek sosial, dengan kekhawatiran yang akut dari perspektif orang lain terhadap mereka. Konsumen yang merasa sadar diri mengenai penggunaan self service technology jika konsumen lain disekelilingnya akan segan untuk menggunakannya. Bagi mereka untuk menginginkan menggunakan self service technology, beberapa pilihan harus lebih mudah, lebih reliable dan harus lebih menyenangkan. Dengan kata lain, untuk memperoleh konsumen dengan kesadaran diri untuk lebih mengevaluasi secara baik terhadap self service technology, semua atribut harus dikuatkan. Bagaimanapun, tidak seperti konsumen yang tinggi akan kebutuhan untuk berinteraksi dengan karyawan jasa, konsumen dengan kesadaran diri yang tinggi, tidak lebih menyukai berinteraksi dengan karyawan untuk menggunakan mesin. Mereka mungkin mempunyai sikap yang baik terhadap penggunaan self service technology, contohnya penggunaan internet di rumah. Tetapi mereka mungkin segan untuk menggunakan beberapa pilihan dikarenakan sikap mereka. Perceived waiting time (persepsi akan lamanya waktu menunggu) didefinisikan sebagai persepsi konsumen apakah mereka akan harus menunggu untuk waktu yang lebih lama yang signifikan untuk menggunakan pilihan penghantaran jasa secara partikular daripada menggunakan pilihan lain. Adanya keterlambatan dalam mendownload saat bertransaksi menyebabkan evaluasi


negative terhadap jasa self service technology. Keterlambatan dan lamanya waktu menunggu akan membuat pelanggan menjadi tidak sabar, sehingga kemudahan dalam menggunakan self service technology akan menjadi semakin penting. Keberadaan keceriaan dalam menggunakan jasa ini juga akan menjadi lebih penting untuk konsumen karena akan memberikan kompensasi terhadap waktu yang digunakan. Social anxiety (kegelisahan sosial) melalui keramaian yang dirasakan (perceived crowding) didefinisikan sebagai ketidaknyamanan yang dihubungkan dengan kekhawatiran mengenai pandangan orang lain terhadap seseorangsebagai objek sosial. Ketidaknyamanan ini dirasakan akan lebih kuat daripada kekhawatiran akan kesadaran diri karena adanya emosi. Kegelisahan sosial dapat timbul dari sirkumtansi situasional, keramaian, dan sering dipandang negatif dalam sirkumtansi tertentu. Kegelisahan sosial dipandang juga sebagai perasaan yang tidak enak yang dialami individual. Konsumen dalam keadaan yang ramai cenderung khawatir secara sosial dan berpikir bahwa lebih penting suatu self service technology itu mudah digunakan dan menyenangkan.

5.2.2. Mengkontruksi Diagram Jalur untuk Menunjukkan Hubungan Kausalitas Analisis SEM dalam prosesnya selalu membutuhkan diagram jalur sebagai patokan atau gambaran suatu sistem yang akan diukur tingkat interaksi variabelvariabelnya.


Terdapat 10 model pengukuran berdasarkan variabel yang diukur yaitu: 1. Model nilai ekspektasi kemudahan penggunaan (ease of use) Model ini terdiri dari tiga pertanyaan yang merupakan indikator untuk variabel laten kemudahan penggunaan, yaitu: a. Variabel teramati (XI) adalah besarnya usaha b. Variabel teramati (X2) adalah kompleksitas c. Variabel teramati (X3) adalah penggunaan di berbagai tempat

e1

e2

1

1

X1 Komponen ekspektasi nilai terhadap kemudahan penggunaan

X2 1

e3

1

X3

Gambar 5.1. Model Pengukuran Kemudahan Penggunaan 2. Model nilai ekspektasi kinerja (performance) Model ini terdiri dari empat pertanyaan yang merupakan indikator untuk variabel laten kinerja, yaitu: a. Variabel teramati (X4) adalah keamanan b. Variabel teramati (X5) adalah reliabilitas c. Variabel teramati (X6) adalah keakuratan d. Variabel teramati (X7) adalah efisiensi


1

e4

X4

1

e5

X5 komponen ekspektasi nilai terhadap kinerja

1

e6

X6

1

e7

X7

Gambar 5.2. Model Pengukuran Kinerja 3. Model nilai ekspektasi keceriaan (fun) Model ini terdiri dari dua pertanyaan yang merupakan indikator untuk variabel laten keceriaan, yaitu: a. Variabel teramati (X8) adalah hiburan b. Variabel teramati (X9) adalah kesenangan e8

1

X8 1

e9

1

X9

komponen ekspektasi nilai terhadap keceriaan

Gambar 5.3. Model Pengukuran Keceriaan 4. Model karakteristik pelanggan percaya diri (self efficacy) Model ini terdiri dari dua pertanyaan yang merupakan indikator untuk variabel laten percaya diri, yaitu: a. Variabel teramati (X10) adalah kemampuan untuk menggunakan SMS Banking b. Variabel teramati (X11) adalah kepercayaan bahwa teknologi diciptakan untuk mempermudah semua orang


e10

1

X10 1

e11

1

komponen karakteristik pelanggan percaya diri

X11

Gambar 5.4. Model Pengukuran Percaya Diri 5. Model karakteristik pelanggan keinginan mencari sesuatu yang baru (inherent novelty seeking) Model ini terdiri dari tiga pertanyaan yang merupakan indikator untuk variabel laten keinginan mencari sesuatu yang baru, yaitu: a. Variabel teramati (XI2) adalah pengalaman baru b. Variabel teramati (X13) adalah rutinitas c. Variabel teramati (X14) adalah aktivitas baru e12

1

1

e13

X12

X13 1

e14

1

komponen karakteristik pelanggan keinginan mencari sesuatu yang baru

X14

Gambar 5.5. Model Pengukuran Keinginan Mencari Sesuatu yang Baru 6. Model karakteristik pelanggan kebutuhan untuk berinteraksi (need for interaction) Model ini terdiri dari tiga pertanyaan yang merupakan indikator untuk variabel laten kebutuhan untuk berinteraksi, yaitu: a. Variabel teramati (XI5) adalah rasa suka berinteraksi dengan karyawan jasa b. Variabel teramati (X16) adalah rasa suka berinteraksi dengan mesin


c. Variabel teramati (X17) adalah pelayanan yang menyenangkan dari karyawan jasa e15

1

X15

1

komponen karakteristik pelanggan kebutuhan untuk berinteraksi

X16

e16

1

e17

1

X17

Gambar 5.6. Model Pengukuran Kebutuhan Untuk Berinteraksi 7. Model karakteristik pelanggan kesadaran diri (self consciousness) Model ini terdiri dari tiga pertanyaan yang merupakan indikator untuk variabel laten kesadaran diri, yaitu: a. Variabel teramati (X18) adalah penampilan b. Variabel teramati (X19) adalah gaya c. Variabel teramati (X20) adalah cara memperlihatkan diri e18

1

1

e19

X18 komponen karakteristik pelanggan kesadarn diri

X19 1

e20

1

X20

Gambar 5.7. Model Pengukuran Kesadaran Diri 8. Model persepsi terhadap faktor situasional Model ini terdiri dari tiga pertanyaan yang merupakan indikator untuk variabel laten situasional, yaitu: a. Variabel teramati (X21) adalah kehadiran orang lain b. Variabel teramati (X22) adalah waktu menunggu


c. Variabel teramati (X23) adalah keramaian e21

1

1

e22

X21 komponen persepsi terhadap faktor situasional

X22 1

e23

1

X23

Gambar 5.8. Model Persepsi Terhadap Faktor Situasional 9. Model minat pelanggan terhadap penggunaan SMS Banking Model ini terdiri dari dua pertanyaan yang merupakan indikator untuk variabel laten minat pelanggan, yaitu: a. Variabel teramati (X24) adalah kemungkinan menggunakan SMS Banking b. Variabel teramati (X25) adalah keinginan menggunakan SMS Banking e24

e25

1

1

X24 1

komponen minat

X25

Gambar 5.9. Model Pengukuran Niat 10. Model sikap pelanggan terhadap penggunaan SMS Banking Model ini terdiri dari dua pertanyaan yang merupakan indikator untuk variabel laten sikap pelanggan, yaitu: a. Variabel teramati (X26) adalah perasaan terhadap teknologi SMS Banking b. Variabel teramati (X27) adalah keberadaan teknologi SMS Banking


e26

e27

1

1

X25 1

komponen sikap

X26

Gambar 5.10. Model Pengukuran Sikap Jalur yang sudah dibentuk dengan program AMOS dapat dilihat pada gambar 5.11. Setiap variabel yang mempengaruhi pembentukan minat dan sikap dikonversi menjadi gambar berikut ini:



5.2.3. Konversi Diagram Jalur ke dalam Serangkaian Persamaan Struktural dan Spesifikasi Model Pengukuran Berdasarkan dari kajian teori di atas, dirubah kedalam persamaan struktural dan spesifikasi model pengukuran. Persamaan struktural dari diagram jalur di atas menggambarkan sepuluh diagram laten dan 27 indikatornya sehingga persamaan dari setiap indikator dimasukkan menjadi model pengukuran. Dengan demikian persamaan model pengukuran dapat dibuat sebagai berikut: Konstruk eksogen kemudahan penggunaan (ease of use): X1 = λ1Y1 + e1…………………………(1) X2 = λ2Y1 + e2…………………………(2) X3 = λ3Y1 + e3…………………………(3) Konstruk eksogen kinerja (performance): X4 = λ4Y2 + e4…………………………(4) X5 = λ5Y2 + e5…………………………(5) X6 = λ6Y2 + e6…………………………(6) X7 = λ7Y2 + e7…………………………(7) Konstruk eksogen keceriaan (fun): X8 = λ8Y3 + e8…………………………(8) X9 = λ9Y3 + e9…………………………(9) Konstruk eksogen percaya diri (self efficacy): X10 = λ10Y4 + e10…………………………(10) X11 = λ11Y4 + e11…………………………(11)


Konstruk eksogen keinginan mencari sesuatu yang baru (inherent novelty seeking): X12 = λ12Y5 + e12…………………………(12) X13 = λ13Y5 + e13…………………………(13) X14 = λ14Y5 + e14…………………………(14) Konstruk eksogen kebutuhan untuk berinteraksi (need for interaction): X15 = λ15Y6 + e15…………………………(15) X16 = λ16Y6 + e16…………………………(16) X17 = λ17Y6 + e17…………………………(17) Konstruk eksogen kesadaran diri (self consciousness): X18 = λ18Y7 + e18…………………………(18) X19 = λ19Y7 + e19…………………………(19) X20 = λ20Y7 + e20…………………………(20) Konstruk eksogen situasional: X21 = λ21Y8 + e21…………………………(21) X22 = λ22Y8 + e22…………………………(22) X23 = λ23Y8 + e23…………………………(23) Konstruk endogen minat pelanggan: X24 = λ24Y9 + e24…………………………(24) X25 = λ25Y9 + e25…………………………(25) Konstruk endogen sikap pelanggan: X26 = λ26Y10 + e26…………………………(26) X27 = λ27Y10 + e27…………………………(27)


Untuk model struktural dari pengukuran dapat dibuat sebagai berikut: Y9 = bY1 + bY2 + bY3 + bY4 + bY5+ bY6 + bY7 + bY8……………..(28) Y10 = bY1 + bY2 + bY3 + bY4 + bY5+ bY6 + bY7 + bY8 + bY9..………..(29)

5.2.4. Memilih Input Matriks dan Mendapatkan Model Estimate Model persamaan struktural mengakomodasi input matriks dalam bentuk covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input matriks ini dapat digunakan. Namun demikian karena tujuannya adalah mengeksplorasi pola saling hubungan (interrelationship), maka input matriks dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan dari data mentah ke bentuk kovarian atau korelasi lebih dahulu sebagai input analisis. Kemudian untuk estimasi dipilih estimasi Maximum Likelihood (ML) untuk mengestimasi data yang sudah diinput. Estimasi Maximum Likelihood (ML) dipilih karena dengan model estimasi Maximum Likelihood (ML) minimum diperlukan 100 buah sampel. Ketika sampel dinaikkan di atas nilai 100, metode Maximum Likelihood (ML) meningkat sensitivitasnya untuk mendetekasi perbedaan antar data. Begitu sampel menjadi besar, maka metode Maximum Likelihood (ML) menjadi angat sensitive dan selalu menghasilkan perbedaan secara signifikan sehingga ukuran Goodness of Fit menjadi jelek. Jadi dapat direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan unutk metode estimasi Maximum Likelihood (ML). Berikut ini adalah tampilan hasil

output

dengan

gambar

diagram

jalur

(path

diagram).



.53 1 e1

X2

e2

Y1

.83

1

.79

.78

X1

.23

1.00

.20 1 X3

e3

.36

.22 1 X4

e4

1.23

.30 1 .22 X6

e6

.41

Y2

1.57

1

.25

1.36

X5

e5

1.00

.40

.88

.38

.07

.41

.56

1 X7

e7

.24 .33

.45 1 e8

X8

.15 1 e9

.88 1.00

.51

.24

Y3

X9

-.08 .23

.37 .19

1 e10

X10

.93 1

1.26

-.07 .25

-.03

.10

.50

X11

e11

.19

.15

.36

Y4

1.00

.44 .21 1 X12

e12

.06

.00

.97

.29

X25

.00

.10

.04

.12 e25

.03

1 .11 e29

1.00

e24

1 .26

X26

e27

1 .22 e26

-.10

-.04 X15

.93

X24

1

1

-.01

X14

e15

.99

e28

-.15

Y5

1.00

.27 1

.39 1

-.10

-.01

1 .29 1.00

X27

.97

X13

e14

-.07

.76

1 e13

Y10

Y9

.26

-.08

.85

.01

.81

.31

.08

.98

1

Y6

X16

e16

1.00

.35

.08 -.02

1 e17

.02

X17

.00

.23

.22 1 e18

X18

.04

1.02 .79

.07 1.02

1 e19

Y7

X19

.25

1.00 .19 1 e20

X20

.16

.55 1 X21

e21

1.15

.51

.52

1 e22

.60 e23

1.09

X22

1.00

Y8

1 X23


5.2.5. Menilai Problem Identifikasi Setelah itu diuji dilihat sebaran datanya, apakah terdapat data outlier ataukah tidak atau dengan menguji chi squarenya yang didapatkan dengan bantuan program excel, dengan rumus chiinv(prob,df) = chiinv(0.001,27) = 55,47 angka probabilitas 0.001 dan angka 27 yang merupakan jumlah indikator pada variabel laten, sebelumnya ditampilkan terlebih dahulu ditunjukkan output observations furthest from the centroid dari program AMOS kemudian dihilangkan setiap data yang outlier. Untuk keseluruhan data dapat dilihat pada tabel 5.1. observations farthest from the centroid (Mahalanobis distance). Tabel 5.1. Observations farthest from the centroid (Mahalanobis distance) Observation number

Mahalanobis d-squared

p1

p2

52

69.685

.000

.002

121

64.586

.000

.000

49

63.250

.000

.000

54

59.471

.000

.000

21

51.228

.003

.000

112

49.698

.005

.000

65

48.561

.007

.000

88

47.919

.008

.000

133

47.875

.008

.000

116

47.759

.008

.000

102

47.333

.009

.000

103

47.096

.010

.000

140

45.484

.014

.000


Tabel 5.1. Observations farthest from the centroid (Mahalanobis distance) (Lanjutan) Observation number


p1

p2

124

43.176

.025

.000

51

41.714

.035

.000

123

41.558

.036

.000

2

40.644

.045

.000

113

40.305

.048

.000

94

39.645

.055

.000

69

38.940

.064

.001

1

38.291

.073

.001

26

38.185

.075

.001

107

37.469

.087

.002

128

37.108

.093

.003

129

37.088

.093

.001

56

37.073

.094

.001

38

36.584

.103

.001

43

36.408

.107

.001

11

36.138

.112

.001

15

35.688

.122

.002

64

35.473

.127

.001

12

35.394

.129

.001

126

34.590

.150

.005

77

34.515

.152

.003

53

34.266

.158

.003

55

34.160

.161

.003

14

34.070

.164

.002

39

33.789

.172

.002




p1

p2

74

33.770

.173

.001

29

33.510

.181

.002

7

32.946

.199

.005

114

32.593

.211

.008

62

32.202

.225

.015

115

32.009

.232

.016

105

31.374

.256

.049

92

31.340

.257

.036

32

30.945

.273

.062

93

30.740

.282

.068

125

30.525

.291

.076

66

30.331

.300

.083

75

30.033

.313

.111

25

29.978

.315

.091

19

29.977

.315

.066

41

29.837

.322

.064

137

29.398

.342

.119

71

28.867

.367

.237

76

28.748

.373

.228

122

28.604

.380

.229

3

27.862

.418

.500

111

27.835

.419

.446

30

27.664

.428

.463

119

26.851

.472

.780

80

26.755

.477

.766




p1

p2

42

26.387

.497

.849

13

26.324

.501

.828

135

25.852

.527

.919

50

25.675

.537

.928

31

25.584

.542

.921

67

25.547

.544

.902

5

25.458

.549

.893

104

25.308

.557

.899

82

25.234

.561

.886

110

25.058

.571

.899

36

24.110

.624

.992

44

23.990

.631

.992

86

23.906

.636

.990

37

23.711

.646

.993

18

23.313

.668

.998

46

23.090

.680

.998

34

22.867

.692

.999

60

22.648

.704

.999

22

21.812

.747

1.000

45

21.629

.756

1.000

70

21.571

.759

1.000

108

21.571

.759

1.000

28

21.271

.773

1.000

134

21.224

.776

1.000

47

21.162

.779

1.000




p1

p2

99

20.965

.788

1.000

63

20.673

.801

1.000

68

20.464

.811

1.000

72

20.382

.814

1.000

91

20.339

.816

1.000

10

19.987

.831

1.000

139

19.944

.833

1.000

95

19.699

.843

1.000

131

19.623

.846

1.000

101

19.523

.850

1.000

35

19.236

.861

1.000

4

19.193

.863

1.000

Angka-angka pada tabel di atas menunjukkkan seberapa jauh jarak sebuah data dari titik pusat tertentu, jarak tersebut diukur dengan metode Mahalanobis. Semakin jauh jarak sebuah data dengan titik pusat (centroid), semakin ada kemungkinan data masuk dalam kategori outlier, atau data yang sangat berbeda dengan data lainnya. Perhatikan data pada tabel yang menunjukkan urutan besar Mahalanobis Distance, dari yang terbesar sampai terkecil. Sebuah data termasuk outlier jika mempunyai angka p1 dan p2 yang kurang dari 0,001. Pada data di atas, angka diurutkan mulai dari nomor data yang mempunyai jarak terbesar. Dari 140 data, data nomor 49, 52, 54, 121 dapat dianggap data outlier, karena pada kolom p1 dan p2 mempunyai nilai yang kurang


dari 0,001. Jika data mempunyai angka yang sudah di atas 0,001, maka dapat dianggap bukan outlier. Pada uji normalitas yang pertama sudah tidak didapatkan lagi data outlier. Dan data observasi pada uji yang pertama dapat dilihat pada tabel 5.10. observations farthest from the centroid (Mahalanobis distance). Tabel 5.10. Observations farthest from the centroid (Mahalanobis distance) Observation number


p1

p2

62

52.184

.003

.291

21

51.068

.003

.079

109

50.526

.004

.017

129

50.162

.004

.003

100

49.815

.005

.001

85

49.634

.005

.000

99

48.318

.007

.000

50

46.955

.010

.000

113

46.814

.010

.000

136

46.248

.012

.000

120

45.951

.013

.000

91

45.651

.014

.000

2

45.577

.014

.000

119

42.969

.026

.000

2

45.577

.014

.000

119

42.969

.026

.000

110

42.068

.032

.000

26

40.719

.044

.000

66

39.820

.053

.001

1

39.322

.059

.001

104

38.978

.064

.001




p1

p2

53

38.821

.066

.001

38

38.621

.069

.000

43

38.247

.074

.000

11

38.091

.076

.000

61

37.974

.078

.000

124

36.944

.096

.001

125

36.584

.103

.001

15

36.568

.103

.001

51

36.091

.113

.001

12

35.633

.124

.002

122

35.246

.133

.003

7

35.158

.135

.002

39

35.102

.136

.001

52

34.588

.150

.003

74

34.304

.157

.004

29

34.206

.160

.002

14

33.992

.166

.002

111

33.759

.173

.003

59

33.590

.178

.002

71

33.342

.186

.003

90

33.255

.189

.002

102

33.072

.195

.002

25

32.013

.232

.024

89

31.901

.236

.020

32

31.514

.251

.034



Mahalanobis dsquared

p1

p2

112

31.424

.254

.027

72

31.161

.265

.035

49

31.044

.269

.030

121

30.660

.285

.051

19

30.520

.291

.049

63

30.493

.292

.035

73

30.327

.300

.036

30

29.838

.321

.078

41

29.525

.336

.109

133

29.185

.352

.156

3

29.148

.354

.126

68

28.875

.367

.160

79

28.632

.379

.190

42

28.593

.381

.157

108

28.244

.399

.225

118

28.131

.404

.214

13

28.094

.406

.179

64

27.933

.414

.186

77

27.064

.460

.507

131

26.984

.465

.478

5

26.872

.471

.467

116

26.616

.485

.528

31

26.325

.501

.607

101

25.671

.537

.829




p1

p2

107

25.599

.541

.809

47

25.110

.568

.911

36

25.041

.572

.897

37

24.685

.592

.942

88

24.500

.602

.950

44

23.971

.632

.986

83

23.743

.645

.990

18

22.907

.690

1.000

34

22.850

.693

.999

4

22.805

.695

.999

45

22.780

.697

.998

46

22.696

.701

.998

57

22.415

.716

.999

96

22.381

.718

.999

98

21.999

.737

1.000

17

21.849

.745

1.000

22

21.566

.759

1.000

65

21.518

.761

1.000

67

21.500

.762

1.000

105

21.500

.762

.999

130

21.366

.769

.999

28

21.202

.777

.999

135

21.038

.784

.999

6

20.985

.787

.999

60

20.809

.795

.999




p1

p2

127

20.743

.798

.999

10

20.603

.805

.999

69

20.130

.825

1.000

23

19.957

.833

1.000

75

19.549

.849

1.000

92

19.382

.856

1.000

54

19.211

.862

1.000

Dari tabel di atas, dapat diperhatikan nilai p1 dan p2 berada di atas 0,001 sehingga tidak perlu dilakukan penghapusan data outlier lagi, dan data sudah dianggap berdistribusi normal, dan dapat melangkah ke tahap selanjutnya.

5.2.6. Mengevaluasi Model dengan Kriteria Goodness of Fit Menilai goodness-of-fit merupakan tujuan utama dalam persamaan structural yaitu ingin mengetahui sampai seberapa jauh model “fit” atau cocok dengan data. Jika didapat goodness-of-fit yang jelek, langkah selanjutnya mendeteksi sumber penyebab “misfit” dalam model. Hal ini dapat dilihat dari: (a) Kelayakan Parameter Estimate Langkah awal dalam menilai fit terhadap parameter individu dalam model adalah menentukan kelayakan nilai estimasi. Nilai estimasi parameter harus memberikan tanda (besaran sign and size) yang benar dan konsisten dengan teori yang ada. Jika ada nilai estimasi yang tidak memenuhi kriteria, ini menunjukkan


indikasi bahwa model mungkin salah atau matrix input tidak cukup memberikan informasi. Beberapa indikasi ini dapat dilihat jika ada nilai korelasi >1.00 serta nilai varian negatif. (b) Kesesuaian Nilai Standard Errors Selanjutnya yang dilakukan adalah penilaian identifikasi model, semua sampel yang ditampilkan disajikan dalam bentuk matriks antar variabel, nilai ini juga menyajikan hubungan kovarians antara variabel yang satu dengan yang lain, dengan contoh seperti dibawah ini: 1. Kovarians antara variabel keberadaan SMS Banking dengan variabel perasaan terhadap teknologi SMS Banking adalah 0,756 2. Varians variabel keberadaan SMS Banking 0,962 Untuk keseluruhan nilai dari sampel kovarians dari seluruh variabel terdapat pada tabel 5.3.


Tabel 5.3. Sample Covariances

X27 X26 X25 X24 X18 X19 X20 X15 X16 X17 X21 X22 X23 X12 X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3

X27 .962 .756 .752 .732 .013 -.056 -.016 .006 -.074 .034 -.001 .068 -.023 .385 .284 .320 .473 .267 .408 .403 .496 .459 .584 .404 .526 .449 .557

X26

X25

X24

X18

X19

X20

X15

X16

X17

X21

X22

X23

X12

1.044 .746 .781 -.008 -.088 -.056 .016 -.109 .031 .064 .138 .041 .263 .237 .239 .543 .326 .421 .443 .483 .448 .615 .447 .631 .572 .679

1.037 .928 -.052 -.105 -.050 .024 -.059 .063 .032 .082 -.017 .385 .334 .360 .561 .311 .425 .434 .485 .445 .601 .424 .567 .544 .662

.978 -.084 -.163 -.098 -.012 -.100 .000 -.006 .086 -.001 .361 .296 .353 .547 .357 .411 .412 .481 .442 .586 .482 .577 .541 .672

1.013 .817 .792 .223 .223 .224 .202 .071 .214 .114 .062 .110 -.031 -.326 -.003 .040 -.057 .044 .097 -.127 .006 -.039 -.038

.897 .802 .185 .212 .170 .217 .052 .250 .072 .100 .096 -.053 -.365 -.055 -.018 -.060 .010 .046 -.200 -.056 -.073 -.085

.967 .196 .279 .286 .220 .085 .236 .075 .105 .140 -.036 -.384 -.055 .022 -.059 .034 .069 -.192 -.056 -.073 -.082

.966 .723 .748 .195 .295 .226 -.043 -.115 -.062 -.048 -.424 .043 .105 .042 -.030 -.026 -.241 -.019 -.098 -.026

1.041 .809 .186 .349 .319 -.015 .014 -.062 -.121 -.452 -.061 -.009 -.043 -.120 -.066 -.311 -.118 -.152 -.100

1.133 .196 .370 .159 .058 .048 -.055 -.059 -.425 .043 .156 .056 -.018 .007 -.207 -.087 -.089 -.012

1.224 .676 .614 -.026 .049 .044 .028 -.126 .160 .088 .091 -.039 .099 -.145 -.062 .064 .003

1.099 .604 .064 .146 .044 .081 -.226 .103 .074 .150 -.040 .095 -.192 -.100 -.040 -.026

1.103 .054 .111 .059 -.024 -.177 .081 .063 .069 -.034 .028 -.090 -.078 .071 -.067

.913 .695 .710 .324 .124 .214 .241 .297 .378 .375 .163 .337 .280 .417


Tabel 5.3. Sample Covariances (Lanjutan) X13 X14 X10 X11 X8 X9 X4 X5 X6 X27 X26 X25 X24 X18 X19 X20 X15 X16 X17 X21 X22 X23 X12 X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3

.970 .695 .378 .170 .199 .226 .238 .294 .308 .109 .256 .214 .380

1.000 .360 .121 .254 .272 .268 .368 .371 .140 .353 .298 .408

.894 .488 .264 .261 .401 .362 .478 .286 .432 .474 .537

1.278 .147 .101 .250 .231 .257 .727 .291 .349 .355

.809 .491 .200 .321 .326 .312 .299 .355 .408

.673 .285 .390 .399 .228 .272 .369 .406

.608 .483 .511 .277 .367 .381 .426

.748 .530 .396 .375 .450 .483

.833 .336 .401 .478 .612

X7

X1 X2 X3

1.133 .304 .958 .333 .486 .791 .402 .566 .681 .946


Implied covarians merupakan kovarians estimasi, nilai ini diperlukan untuk penilaian sebuah model, dengan mendapatkan selisih antara kovarians sampel dengan kovarians estimasi didapatkan residual covarians, yang merupakan kunci penilaian sebuah model, semakin kecil angka kovarians residual yang didapat menandakan model semakin fit atau data (observasi) mendukung keberadaan model. Sebaliknya semakin besar angka kovarians residual yang didapat menandakan model tidak fit dengan data yang ada. Untuk keseluruhan nilai dari implied kovarians dari seluruh variabel terdapat pada tabel 5.4.


Tabel 5.4. Implied Covariances


X27 .962 .756 .715 .723 -.049 -.050 -.048 -.019 -.020 -.021 .059 .063 .055 .273 .267 .277 .466 .374 .376 .412 .455 .486 .553 .342 .456 .516 .607

X26

X25

X24

X18

X19

X20

X15

X16

X17

X21

X22

X23

X12

1.044 .778 .787 -.053 -.054 -.053 -.020 -.022 -.022 .065 .069 .060 .297 .290 .301 .507 .407 .410 .448 .495 .529 .602 .372 .496 .561 .661

1.037 .928 -.120 -.121 -.118 -.027 -.030 -.031 .038 .040 .035 .344 .336 .348 .526 .422 .386 .422 .468 .500 .569 .352 .499 .564 .665

.978 -.121 -.123 -.119 -.028 -.030 -.031 .038 .041 .035 .348 .339 .352 .531 .427 .390 .427 .473 .505 .575 .355 .504 .570 .672

1.013 .816 .792 .197 .213 .219 .150 .160 .138 .093 .090 .094 -.115 -.092 -.009 -.010 -.002 -.002 -.002 -.001 -.056 -.063 -.074

.897 .803 .199 .216 .222 .152 .162 .140 .094 .092 .095 -.116 -.093 -.010 -.010 -.002 -.002 -.002 -.001 -.056 -.064 -.075

.967 .193 .209 .216 .148 .157 .136 .091 .089 .092 -.113 -.091 -.009 -.010 -.002 -.002 -.002 -.001 -.055 -.062 -.073

.966 .725 .747 .252 .268 .232 -.021 -.020 -.021 -.149 -.119 .052 .057 -.030 -.032 -.036 -.022 -.057 -.064 -.076

1.041 .809 .273 .291 .251 -.022 -.022 -.023 -.161 -.129 .057 .062 -.032 -.034 -.039 -.024 -.062 -.070 -.082

1.133 .282 .300 .259 -.023 -.023 -.023 -.166 -.133 .059 .064 -.033 -.035 -.040 -.025 -.063 -.072 -.084

1.224 .676 .584 .060 .059 .061 -.008 -.006 .078 .086 .044 .047 .054 .033 -.017 -.019 -.022

1.099 .622 .064 .062 .065 -.009 -.007 .083 .091 .047 .050 .057 .035 -.018 -.020 -.024

1.103 .055 .054 .056 -.007 -.006 .072 .079 .041 .044 .050 .031 -.015 -.017 -.020

.913 .688 .714 .320 .257 .225 .246 .292 .312 .355 .219 .285 .323 .380


Tabel 5.4. Implied Covariances (Lanjutan) X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3 X27 X26 X25 X24 X18 X19 X20 X15 X16 X17 X21 X22 X23 X12 X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3

.970 .697 1.000 .312 .324 .894 .251 .260 .488 1.278 .220 .228 .225 .181 .809 .240 .250 .246 .198 .491 .673 .285 .296 .370 .297 .287 .314 .608 .305 .316 .395 .318 .307 .335 .451 .748 .346 .359 .450 .361 .349 .381 .513 .548 .833 .214 .222 .278 .223 .216 .236 .317 .339 .386 1.133 .279 .289 .401 .322 .288 .315 .351 .376 .427 .264 .958 .315 .327 .453 .364 .326 .356 .397 .425 .483 .299 .501 .791 .371 .385 .534 .429 .384 .420 .468 .500 .569 .352 .591 .668 .946


Contoh penafsiran angka pada nilai-nilai tabel di atas dapat ditunjukkan seperti contoh di bawah ini: 1. Kovarians antara variabel keberadaan SMS Banking dengan variabel perasaan terhadap teknologi SMS Banking adalah 0,756 2. Varians variabel keberadaan SMS Banking 0,962 Sehingga kovarians residual untuk variabel keberadaan SMS Banking dengan variabel perasaan terhadap teknologi SMS Banking adalah 0.756-0.756= 0, untuk keseluruhan nilai dari kovarians residual dari seluruh variabel terdapat pada tabel 5.5.


Tabel 5.5. Residual Covariances


X27 .000 .000 .037 .009 .062 -.006 .032 .024 -.054 .055 -.061 .005 -.077 .112 .017 .043 .007 -.107 .031 -.009 .041 -.028 .031 .062 .070 -.067 -.051

X26

X25

X24

X18

X19

X20

X15

X16

X17

X21

X22

X23

X12

.000 -.032 -.005 .045 -.034 -.004 .036 -.087 .054 -.001 .070 -.019 -.035 -.054 -.062 .037 -.081 .011 -.005 -.013 -.081 .012 .075 .135 .011 .018

.000 .000 .067 .016 .068 .051 -.029 .094 -.006 .042 -.052 .041 -.002 .012 .036 -.111 .039 .011 .017 -.055 .033 .072 .068 -.020 -.003

.000 .037 -.041 .021 .015 -.070 .031 -.044 .045 -.036 .013 -.043 .001 .016 -.070 .021 -.015 .008 -.063 .011 .127 .073 -.029 .000

.000 .001 -.001 .026 .010 .005 .051 -.089 .076 .021 -.029 .016 .084 -.233 .006 .051 -.055 .046 .099 -.126 .061 .024 .036

.000 .000 -.014 -.003 -.052 .065 -.110 .110 -.022 .008 .000 .063 -.271 -.046 -.008 -.058 .012 .048 -.199 .000 -.009 -.010

.000 .002 .069 .070 .072 -.072 .100 -.017 .016 .047 .076 -.293 -.045 .032 -.058 .036 .071 -.190 -.002 -.011 -.009

.000 -.002 .002 -.057 .027 -.006 -.022 -.094 -.042 .101 -.305 -.009 .047 .072 .001 .010 -.218 .038 -.033 .050

.000 .001 -.087 .058 .068 .007 .036 -.040 .040 -.323 -.118 -.071 -.011 -.085 -.027 -.287 -.057 -.082 -.018

.000 -.086 .071 -.100 .081 .070 -.032 .107 -.292 -.016 .092 .089 .017 .047 -.183 -.023 -.017 .072

.000 .000 .030 -.086 -.009 -.017 .036 -.120 .082 .002 .046 -.087 .045 -.179 -.045 .082 .025

.000 -.018 .000 .083 -.021 .090 -.219 .020 -.018 .103 -.090 .037 -.227 -.083 -.020 -.003

.000 -.001 .057 .003 -.017 -.171 .009 -.016 .028 -.078 -.022 -.121 -.063 .088 -.047

.000 .007 -.005 .004 -.133 -.011 -.006 .005 .066 .020 -.056 .051 -.043 .037


Tabel 5.5. Residual Covariances (Lanjutan) X13 X14 X10 X11 X8 X27 X26 X25 X24 X18 X19 X20 X15 X16 X17 X21 X22 X23 X12 X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3

X9

X4

X5

X6 X7 X1 X2 X3

.000 -.002 .000 .066 .036 .000 -.081 -.139 .000 .000 -.021 .026 .039 -.034 .000 -.014 .023 .015 -.097 .000 .000 -.047 -.027 .031 -.047 -.087 -.029 .000 -.011 .052 -.034 -.087 .015 .054 .032 .000 -.039 .012 .028 -.104 -.022 .018 -.002 -.018 .000 -.105 -.083 .008 .504 .096 -.008 -.040 .057 -.049 .000 -.022 .064 .031 -.031 .011 -.043 .016 .000 -.026 .039 .000 -.101 -.029 .021 -.015 .030 .013 -.016 .026 -.005 .035 -.016 .000 .009 .023 .004 -.074 .024 -.013 -.042 -.017 .043 .050 -.025 .013 .000


Pada tahap ini, model dapat dievaluasi dengan menggunakan beberapa uji yaitu, absolute fit indices, incremental fit indices, parsimony fit indices. Nilai-nilai ini hanya didapatkan dari program AMOS. 1. Absolute fit indices Ukuran fundamental dari overall fit adalah likelihood-ratio chi-square (X2). Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) lebih kecil dari tingkat signifikansi (α). Sebaliknya nilai chi-square yang kecil akan menghasilkan ni/lai probabilitas (p) yang lebih besar dari tingkat signifikansi (α) dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi. Dengan membandingkan X2 hitung dengan X2 tabel, dimana untuk X2 hitung dari output AMOS didapat angka 467,401 sedangkan X2 tabel dengan menggunakan fungsi Excel = chiinv (0.001,279) didapat angka 357,729. Selain itu dengan melihat angka probabilitas pada output AMOS, terlihat angka probability level (p) adalah 0,000 yang lebih kecil dari 0,001. Dari seluruh perbandingan dapat dilihat bahwa X2 hitung > X2 tabel yaitu 467,401 > 357,729 dan p < 0,001. Sehingga dapat disimpulkan bahwa model tidak fit dengan data yang ada. Untuk memperbaiki model fit maka loading factor untuk indikator yang nilainya rendah yaitu di bawah 0,5 dikeluarkan dari model yaitu indikator X7 (efisiensi).


Kemudian pada model dilakukan re-estimasi untuk mendapatkan model yang baru. Setelah dilakukan kalkulasi estimasi dari model yang telah di re-estimasi, namun model tetap belum bisa diuji, karena belum dapat diidentifikasi. Hal ini dapat dilihat pada tampilan AMOS yang menyatakan bahwa “model unidentified”. Pada model tersebut terjadi identification problem, sehingga model perlu diberi batasan tambahan (additional constraint) sejumlah parameter agar dapat diidentifikasi dan dapat diproses lebih jauh. Penambahan parameter diberikan pada variabel Y2 (kinerja) yang merupakan varians yang unidentified. Setelah dilakukan perbaikan model, proses akan diulang sekali lagi. Untuk itu dilakukan kalkulasi estimasi ulang. Hasil yang diperoleh adalah nilai chi - square 310,955 dengan probabilitas p=0.005. a. CMIN/DF CMIN/DF adalah nilai chi-square dibagi dengan derajat kebebasan. Nilai ratio 5 atau < 5 merupakan ukuran yang reasonable. Dengan program Amos didapatkan tampilan sebagai berikut: Tabel 5.6. Hasil CMIN Model

CMIN

DF

CMIN/DF

Default model

310.955

249

1.249

Saturated model

.000

0

Independence model

2844.882

325

8.753

Angka CMIN menunjukkan angka 310.955, nilai default modelnya berada antara CMIN saturated model (0.000) dan CMIN independence model(2844.882). Angka ini menunjukkan bahwa model ini adalah model yang bagus karena angka


CMIN yang dimiliki oleh default model berada di antara saturated model dan independence model.

b. GFI (Goodness of Fit Index) Alat uji GFI memungkinkan pengaruh jumlah sampel menjadi kurang sensitif dalam proses pengambilan keputusan. Secara teoritis, angka GFI berkisar antara 0 – 1 dengan pedoman bahwa semakin hasil GFI mendekati angka 1, akan semakin baik model tersebut dalam menjelaskan data yang ada. Dengan program Amos didapatkan tampilan sebagai berikut: Tabel 5.7. Hasil GFI Model

GFI

Default model

.865

Saturated model

1.000

Independence model

.242

Terlihat angka GFI yang besar (mendekati 1) yaitu 0.865. Hal ini menunjukkan bahwa model sudah fit.

c. RMR (Root Mean Residual) Alat uji ini pada dasarnya menghitung residu atau selisih kovarians sampel dengan kovarian estimate. Secara logika, semakin kecil hasil RMR tentu akan semakin baik, yang menandakan semakin dekatnya angka pada sampel dengan estimasinya. Dengan demikian, justru jika angka RMR semakin besar, hal ini


menandakan model tidak fit, karena selisih antara sampel dengan estimasi yang besar pula. Dengan program Amos didapatkan tampilan sebagai berikut: Tabel 5.8. Hasil RMR Model

RMR

Default model

.042

Saturated model

.000

Independence model

.315

Terlihat angka RMR yang sangat kecil (mendekati 0). Hal ini menunjukkan bahwa kovarians sampel mendekati angka kovarians estimasi.

2. Increamental fit measures Increamental fit measures membandingkan proposed model dengan baseline model yang sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya. a. AGFI (Adjusted Goodnes-of Fit Index) Adjusted Goodnes-of Fit Index merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan antara 0 sampai 1. Dengan program Amos didapatkan tampilan sebagai berikut: Tabel 5.9. Hasil AGFI Model

AGFI

Default model

.810

Saturated model Independence model

.181


Terlihat angka AGFI yang besar (mendekati 1) yaitu 0810. Hal ini menunjukkan bahwa model sudah fit.

b. TLI (Tucker-Lewis Index) Tucker-Lewis Index atau dikenal dengan nonnormed fit index (NNFI). Ukuran ini menggabungkan ukuran parsimony ke dalam indeks komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1.

c. NFI (Normed Fit Index) Normed Fit Index merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1 (perfect fit). Dengan program Amos didapatkan tampilan sebagai berikut: Tabel 5.10. Hasil Baseline Comparisons NFI

TLI

Delta1

rho2

Default model

.891

.968

Saturated model

1.000

Independence model

.000

Model

.000

Terlihat alat ukur (NFI dan CFI) semua menunjukkan angka yang tinggi. Dengan demikian dari ukuran incremental fit indices menunjukkan bahwa model sudah fit.


3. Parsimonious Fit Measures Kelompok pengujian ini membandingkan model yang komples dengan model sederhana (parsimoni atau ringkas). Karena itu, alat ukur sebenarnya tidak efektif untuk mengukur model tunggal (single model), namun akan efektif saat membandingkan dua model, yang terdiri dari model kompleks dan model yang lebih sederhana. Tabel 5.11. Parsimony-Adjusted Measures Model

PRATIO

PNFI

PCFI

Default model

.766

.682

.747

Saturated model

.000

.000

.000

Independence model

1.000

.000

.000

Dari angka-angka di atas, terlihat model tetap fit, karena angka berada di antara range values, yakni antara 0 sampai 1.

4. Measurement Model Fit Setelah keseluruhan model fit dievaluasi, maka langkah berikutnya adalah pengukuran setiap konstruk untuk menilai unidimensionalitas dan reliabilitas dari kontruk. Unidimensionalitas adalah asumsi yang

melandasi perhitungan

reliabilitas dan ditunjukkan ketika indikator suatu kontruk memiliki acceptable fit satu single factor (one dimensional) model. Pendekatan untuk menilai measurement model adalah mengukur composite reliability dan variance extracted untuk setiap konstruk. Reliability adalah ukuran internal consistency indikator suatu konstruk. Hasil reliabilitas


yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas yang diterima secara umum adalah > 0.70. Reliabilitas tidak menjamin adanya validitas. Validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat mengukur apa yang ingin diukur. Ukuran reliabilitas yang lain adalah variance extracted sebagai pelengkap ukuran construct reliability. Angka yang direkomendasikan untuk nilai variance extracted > 0.50. Untuk perhitungan reliabilitas konstruk dapat dilihat pada perhitungan di bawah, dan untuk nilai standard loadingnya dapat diambil dari nilai standardized regression weight. Tabel 5.12. Standardized Regression Weights Estimate Y9 <--- Y1 .413 Y9 <--- Y2 .255 Y9 <--- Y3 .109 Y9 <--- Y8 .041 Y9 <--- Y4 .140 Y9 <--- Y5 -.018 Y9 <--- Y7 -.105 Y9 <--- Y6 .035 X19 <--- Y7 .960 Y10 <--- Y9 .542 Y10 <--- Y1 .145 Y10 <--- Y2 .295


Tabel 5.12. Standardized Regression Weights (Lanjutan) Estimate Y10 <--- Y3

.099

Y10 <--- Y4

.039

Y10 <--- Y5

-.141

Y10 <--- Y6

-.016

Y10 <--- Y7

.038

Y10 <--- Y8

.042

X3 <--- Y1

.912

X2 <--- Y1

.850

X1 <--- Y1

.680

X6 <--- Y2

.872

X5 <--- Y2

.796

X4 <--- Y2

.837

X9 <--- Y3

.895

X8 <--- Y3

.744

X11 <--- Y4

.428

X10 <--- Y4

.958

X14 <--- Y5

.855

X13 <--- Y5

.828

X12 <--- Y5

.871

X23 <--- Y8

.696

X22 <--- Y8

.828

X21 <--- Y8

.683

X17 <--- Y6

.863

X16 <--- Y6

.871

X15 <--- Y6

.834

X20 <--- Y7

.898

X18 <--- Y7

.892


Tabel 5.12. Standardized Regression Weights (Lanjutan) Estimate X24 -

Y9

.979

X25 <--- Y9

.942

X26 <--- Y10 .888 X27 <--- Y10 .850 X11 <--- Y6

Re liabitas konstruk =

-.338

(Jumlah dari standard loading) 2 (jumlah dari standard loading) 2 + jumlah kesalahan pengukuran

Jumlah standard loading: 1. konstruk kemudahan penggunaan = 0,413 + 0,145 + 0,912 + 0,850 +0,680 = 3,000 2. konstruk kinerja = 0,255 + 0,295 +0,872 + 0,796 + 0,837 = 3,055 3. konstruk keceriaan = 0,109 + 0,099 + 0,895 + 0,744 = 1,847 4. konstruk percaya diri = 0,140 + 0,039 + 0,428 + 0,958 = 1,565 5. konstruk keinginan mencari sesuatu yang baru = 0,018 + 0,141 + 0,855 + 0,828 + 0,871 = 2,713 6. konstruk kebutuhan untuk berinteraksi = 0,035 + 0,016 + 0,863 + 0,871 + 0,834 + 0,338 = 2,957 7. konstruk kesadaran diri = 0,105 + 0,960 + 0,038 + 0,898 + 0,892 = 2,893 8. konstruk situasional = 0,041 + 0,042 + 0,696 + 0,828 + 0,683 = 2,29 9. konstruk minat pelanggan = 0,542 + 0,979 + 0,942 = 2,463 10. konstruk sikap pelanggan = 0,888 + 0,850 = 1,738


Jumlah kesalahan pengukuran = 1 – (standard loading)2 Jumlah kesalahan pengukuran (measurement error): 1. konstruk kemudahan penggunaan = 0,829 + 0,979 + 0,168 + 0,278 +0,538 = 2,792 2. konstruk kinerja = 0,935 + 0,913 + 0,240 + 0,366 + 0,299 = 2,753 3. konstruk keceriaan = 0,988 + 0,990 + 0,199 + 0,446 = 2,624 4. konstruk percaya diri = 0,980 + 0,998 + 0,817 + 0,082 = 2,878 5. konstruk keinginan mencari sesuatu yang baru = 1,000 + 0,980 + 0,269 + 0,314 + 0,241 = 2,805 6. konstruk kebutuhan untuk berinteraksi = 0,999 + 1,000 + 0,255 + 0,241 + 0,304 + 0,886 = 3,685 7. konstruk kesadaran diri = 0,992 + 0,998 + 0,194 + 0,078 + 0,204 = 2,466 8. konstruk situasional = 0,998 + 0,998 + 0,516 + 0,314 + 0,534 = 3,360 9. konstruk minat pelanggan = 0,708 + 0,039 + 0,114 = 0,860 10. konstruk sikap pelanggan = 0,211 + 0,277 = 0,489 Realibilitas konstruk kemudahan penggunaan =

Realibilitas konstruk kinerja =

(3,000) 2 = 0.763 (3,000) 2 + 2,792

(3,055) 2 = 0.772 (3,055) 2 + 2,753

Realibilitas konstruk keceriaan =

(1,847) 2 = 0.565 (1,847) 2 + 2,624

Realibilitas konstruk percaya diri =

(1,565) 2 = 0.460 (1,565) 2 + 2,878


Realibilitas konstruk keinginan mencari sesuatu yang baru =

(2,713) 2 = 0,724 (2,713) 2 + 2,805

(2,957) 2 = 0.703 Realibilitas konstruk kebutuhan untuk berinteraksi = (2,957) 2 + 3,685 Realibilitas konstruk kesadaran diri =

(2,893) 2 = 0.772 (2,893) 2 + 2,466

(2,29) 2 = 0.609 Realibilitas konstruk situasional = (2,29) 2 + 3,360 Realibilitas konstruk minat pelanggan =

Realibilitas konstruk sikap pelanggan =

Variance extracted =

(2,463) 2 = 0.876 (2,463) 2 + 0,860

(1,738) 2 = 0.861 (1,738) 2 + 0,489

jumlah kuadrat standard loading jumlah indikator

Variance extracted kemudahan penggunaan =

Variance extracted kinerja =

0,171 + 0,021 + 0,832 + 0,722 + 0,462 = 0,736 3

0,065 + 0,087 + 0,76 + 0,634 + 0,701 = 0,562 4

Variance extracted keceriaan =

0,012 + 0,01 + 0,801 + 0,554 = 0,689 2

Variance extracted percaya diri =

0,02 + 0,002 + 0,183 + 0,918 = 0,562 2

Variance extracted keinginan mencari sesuatu yang baru 0,000 + 0,02 + 0,731 + 0,686 + 0,759 = = 0,732 3


Variance extracted kebutuhan untuk ber int eraksi =

Variance extracted kesadaran diri =

Variance extracted situasional =

0,001 + 0,745 + 0,759 + 0,696 + 0,114 = 0,772 3

0,008 + 0,002 + 0,806 + 0,922 + 0,796 = 0,843 3

0,002 + 0,002 + 0,484 + 0,686 + 0,466 = 0,547 3

Variance extracted min at pelanggan =

Variance extracted sikap pelanggan =

0,292 + 0,958 + 0,887 = 1,068 2

0,789 + 0,723 = 0,756 2

Berdasarkan perhitungan yang dilakukan di atas, terdapat 3 buah konstruk yang nilainya berada di bawah nilai reliabilitas yang direkomendasikan yaitu 0,7. Konstruk-konstruk tersebut adalah konstruk keceriaan, percaya diri dan situasional. Sedangkan untuk variance extracted semua nilai berada di atas nilai yang direkomendasikan yaitu 0,5 yang dapat dijadikan tanda adanya konvergensi yang memadai.

5.2.7. Interpretasi dan Memodifikasi Model Ketika

model

mempertimbangkan

dinyatakan

dilakukannya

diterima,

modifikasi

maka

model

peneliti

untuk

dapat

memperbaiki

penjelasan teoritis atau goodness-of-fit. Pengukuran model dilakukan modification indices, nilai modification indices sama dengan terjadinya penurunan chi-square jika koefisien diestimasi. Berikut adalah modifikasi yang diusulkan oleh program AMOS untuk menurunkan nilai chi square, yang berguna untuk membuat model lebih fit, penurunan chi square yang dihasilkan dari 452,8 menjadi 381,2 dengan


demikian model lebih fit lagi. Untuk penjelasan dari model modifikasi dapat dilihat pada tabel 5.21. Hubungan antar variabel model modifikasi.

Tabel 5.13. Hubungan antar Variabel Model Modifikasi Hubungan antar

Nilai

variable

Hubungan

Keterangan

Y1 dan X1

0.680

Pengaruh Y1 terhadap X1 kuat

Y1 dan X2

0.850

Pengaruh Y1 terhadap X2 sangat kuat

Y1 dan X3

0.912


Y2 dan X4

0.837


Y2 dan X5

0.796


Y2 dan X6

0.872


Y3 dan X8

0.744


Y3 dan X9

0.895


Y4 dan X10

0.958


Y4 dan X11

0.428

Pengaruh Y4 terhadap X11 cukup kuat

Y5 dan X12

0.871


Y5 dan X13

0.828


Y5 dan X14

0.855


Y6 dan X15

0.834


Y6 dan X16

0.871


Y6 dan X17

0.863


Y7 dan X18

0.892


Y7 dan X19

0.960


Y7 dan X20

0.898


Y8 dan X21

0.683


Y8 dan X22

0.828


Y8 dan X23

0.696


Y1 dan Y2

0.805

Y1 dan Y2 saling mempengaruhi sangat kuat

Y1 dan Y3

0.642

Y1 dan Y3 saling mempengaruhi kuat


Tabel 5.13. Hubungan antar Variabel Model Modifikasi (Lanjutan) Hubungan antar

Nilai

variable

Hubungan

Keterangan

Y1 dan Y4

0.687


Y1 dan Y5

0.507

Y1 dan Y5 saling mempengaruhi cukup kuat

Y1 dan Y6

-0.116

Y1 dan Y7

-0.105

Y1 dan Y8

-0.046

Y2 dan Y3

0.654


Y2 dan Y4

0.649


Y2 dan Y5

0.544


Y2 dan Y6

-0.042

Y2 dan Y7

0.013

Y2 dan Y7 saling mempengaruhi sangat rendah

Y2 dan Y8

0.117


Y3 dan Y4

0.402


Y3 dan Y5

0.408


Y3 dan Y6

0.096


Y3 dan Y7

-0.015

Y3 dan Y8

0.155


Y4 dan Y5

0.469


Y4 dan Y6

-0.098

Y4 dan Y7

-0.056

Y4 dan Y8

0.052

Y1 dan Y6 saling mempengaruhi sangat rendah dan berkebalikan arah Y1 dan Y7 saling mempengaruhi sangat rendah dan berkebalikan arah Y1 dan Y8 saling mempengaruhi sangat rendah dan berkebalikan arah

Y2 dan Y6 saling mempengaruhi sangat rendah dan berkebalikan arah


Y4 dan Y6 saling mempengaruhi sangat rendah dan berkebalikan arah Y4 dan Y7 saling mempengaruhi sangat rendah dan berkebalikan arah Y1 dan Y6 saling mempengaruhi sangat rendah


Tabel 5.13. Hubungan antar Variabel Model Modifikasi (Lanjutan) Hubungan antar

Nilai

variable

Hubungan

Keterangan Y5 dan Y6 saling mempengaruhi sangat

Y5 dan Y6

-0.009

Y5 dan Y7

0.122

Y5 dan Y8

0.115

Y6 dan Y7

0.278

Y6 dan Y8

0.431

Y7 dan Y8

0.204

Y7 dan Y8 saling mempengaruhi rendah

Y1 dan Y9

0.413


Y2 dan Y9

0.255

Pengaruh Y2 terhadap X9 rendah

Y3 dan Y9

0.109

Pengaruh Y3 terhadap X9 sangat rendah

Y4 dan Y9

0.140


Y5 dan Y9

-0.018

Y6 dan Y9

0.035

Y7 dan Y9

-0.105

Y8 dan Y9

0.041


Y1 dan Y10

0.145


Y2 dan Y10

0.295

Pengaruh Y2 terhadap X10 rendah

Y3 dan Y10

0.099


Y4 dan Y10

0.039


Y5 dan Y10

-0.141

rendah dan berkebalikan arah Y5 dan Y7 saling mempengaruhi sangat rendah Y5 dan Y8 saling mempengaruhi sangat rendah Y6 dan Y7 saling mempengaruhi rendah Y6 dan Y8 saling mempengaruhi cukup kuat

Y5 dan Y9 saling mempengaruhi sangat rendah dan berkebalikan arah Pengaruh Y6 terhadap Y9 sangat sangat rendah Y7 dan Y9 saling mempengaruhi sangat rendah dan berkebalikan arah



Tabel 5.13. Hubungan antar Variabel Model Modifikasi (Lanjutan) Hubungan antar variabel

Nilai Hubungan

Keterangan Y6 dan Y10 saling mempengaruhi sangat

Y6 dan Y10

-0.016

Y7 dan Y10

0.038


Y8 dan Y10

0.042


Y9 dan Y10

0.542


rendah dan berkebalikan arah


BAB VI ANALISA DAN PEMBAHASAN

Telah banyak peneliti yang memberikan gambaran mengenai kesuksesan self service technology sebagai teknologi penghubung dalam dunia perbankan. Konsumen lebih menyukai menggunakan self service technology daripada pelayanan tradisional karena mereka menghindari interaksi dengan karyawan, tetapi hal tersebut mungkin tidak benar untuk semua konsumen. Konsumen harus mengevaluasi dan membentuk minat untuk menggunakan teknologi-teknologi tersebut. Menurut beberapa peneliti sebelumnya, bahwa nilai harapan (expectacy value) terhadap suatu self service technology, yaitu kemudahan penggunaan (easy of use), kinerja (performance) dan keceriaan (fun) akan bertindak sebagai penentu sikap ke arah penggunaan self service technology. Dan mereka menemukan adanya faktor eksternal yaitu perbedaan sifat konsumen dan pengaruh situasi yang memoderasi hubungan antara ekspektasi niai di atas terhadap minat dan sikap terhadap teknologi tersebut. Dalam bisnis perbankan, dengan munculnya teknologi penghubung jasa atau self service technology SMS Banking, maka sangat diperlukan untuk melihat minat konsumen terhadap teknologi tersebut yang dihubungkan dengan sikap yang terbentuk untuk menggunakan teknologi tersebut . Pemilihan model dalam pengolahan data ini memilih model alternatif metode estimasi Maximum Likelihood (ML). Pertimbangan memilih Maximum


Likelihood (ML) adalah jumlah responden sebanyak 140 yang masih di atas jumlah minimum yaitu sebanyak 100. Maximum Likelihood (ML) juga merupakan metode estimasi yang paling bayak digunakan untuk pengolahan dengan metode Structural Equational Modelling (SEM). Dari hasil pengolahan data dapat dilihat seberapa jauh masing-masing independen variabel menjelaskan dependen variabelnya. Berikut penjelasan masing-masing hubungan tersebut: 1. Indikator besarnya usaha dapat menjelaskan variabel kemudahan penggunaan dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 46%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator besarnya usaha mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0.680. Artinya jika terjadi kenaikan pada indikator besarnya usaha, maka akan diikuti kenaikan variabel kemudahan penggunaan. 2. Indikator kompleksitas dapat menjelaskan variabel kemudahan penggunaan dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 72%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator besarnya usaha mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.850. Artinya jika terjadi kenaikan pada indikator kompleksitas, maka akan diikuti kenaikan variabel kemudahan penggunaan. 3. Indikator penggunaan di berbagai tempat dapat menjelaskan variabel kemudahan penggunaan dalam pembentukan minat dan sikap pelanggan


terhadap penggunaan teknologi SMS Banking sebesar 83%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator penggunaan di berbagai tempat mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.912. Artinya jika terjadi kenaikan pada indikator penggunaan di berbagai tempat, maka akan diikuti kenaikan variabel kemudahan penggunaan. 4. Indikator keamanan dapat menjelaskan variabel kinerja dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 70%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator keamanan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.837. Artinya jika terjadi kenaikan pada indikator keamanan, maka akan diikuti kenaikan variabel kinerja. 5. Indikator reliabilitas dapat menjelaskan variabel kinerja dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 63%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator reliabilitas mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.796. Artinya jika terjadi kenaikan pada indikator reliabilitas, maka akan diikuti kenaikan variabel kinerja. 6. Indikator keakuratan dapat menjelaskan variabel kinerja dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 76%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator keakuratan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.872. Artinya jika terjadi kenaikan pada indikator keakuratan, maka akan diikuti kenaikan variabel kinerja.


7. Indikator hiburan dapat menjelaskan variabel fun dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 55%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator hiburan mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0.744. Artinya jika terjadi kenaikan pada indikator hiburan, maka akan diikuti kenaikan variabel fun. 8.

Indikator kesenangan dapat menjelaskan variabel fun dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 80%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator pemakaian yang menyenangkan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.895. Artinya jika terjadi kenaikan pada indikator pemakaian yang menyenangkan, maka akan diikuti kenaikan variabel fun.

9. Indikator kemampuan menggunakan SMS Banking yang menyenangkan dapat menjelaskan variabel percaya diri dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 91%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator kemampuan menggunakan SMS Banking mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.958. Artinya jika terjadi kenaikan pada indikator kemampuan menggunakan SMS Banking, maka akan diikuti kenaikan variabel percaya diri. 10. Indikator kepercayaan teknologi diciptakan untuk memepermudah semua orang dapat menjelaskan variabel percaya diri dalam pembentukan minat dan


sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 43%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator kepercayaan teknologi diciptakan untuk memepermudah semua orang mempengaruhi cukup kuat dan searah dengan nilai korelasi sebesar 0.428. Artinya jika terjadi kenaikan pada indikator kepercayaan teknologi diciptakan untuk memepermudah semua orang, maka akan diikuti kenaikan variabel percaya diri. 11. Indikator pengalaman baru dapat menjelaskan variabel keinginan mencari sesuatu yang baru dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 76%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator pengalaman baru mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.871. Artinya jika terjadi kenaikan pada indikator pengalaman baru, maka akan diikuti kenaikan variabel keinginan mencari sesuatu yang baru. 12. Indikator rutinitas dapat menjelaskan variabel keinginan mencari sesuatu yang baru dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 68%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator rutinitas mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.828. Artinya jika terjadi kenaikan pada indikator rutinitas, maka akan diikuti kenaikan variabel keinginan mencari sesuatu yang baru. 13. Indikator aktivitas baru dapat menjelaskan variabel keinginan mencari sesuatu yang baru dalam pembentukan minat dan sikap pelanggan terhadap


penggunaan teknologi SMS Banking sebesar 73%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator aktivitas baru mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.855. Artinya jika terjadi kenaikan pada indikator aktivitas baru, maka akan diikuti kenaikan variabel keinginan mencari sesuatu yang baru. 14. Indikator rasa suka berinteraksi dengan karyawan jasa dapat menjelaskan variabel kebutuhan untuk berinteraksi dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 69%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator rasa suka berinteraksi dengan karyawan jasa mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.834. Artinya jika terjadi kenaikan pada indikator rasa suka berinteraksi dengan karyawan jasa, maka akan diikuti kenaikan variabel kebutuhan untuk berinteraksi. 15. Indikator rasa suka berinteraksi dengan mesin dapat menjelaskan variabel kebutuhan untuk berinteraksi dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 75%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator rasa suka berinteraksi dengan mesin mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.871. Artinya jika terjadi kenaikan pada indikator suka berinteraksi dengan mesin, maka akan diikuti kenaikan variabel kebutuhan untuk berinteraksi. 16. Indikator pelayanan yang menyenangkan dapat menjelaskan variabel kebutuhan untuk berinteraksi dalam pembentukan minat dan sikap pelanggan


terhadap penggunaan teknologi SMS Banking sebesar 74%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator pelayanan yang menyenangkan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.863. Artinya jika terjadi kenaikan pada indikator pelayanan yang menyenangkan, maka akan diikuti kenaikan variabel kebutuhan untuk berinteraksi. 17. Indikator penampilan dapat menjelaskan variabel kesadaran diri dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 79%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator penampilan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.892. Artinya jika terjadi kenaikan pada indikator penampilan, maka akan diikuti kenaikan variabel kesadaran diri. 18. Indikator gaya dapat menjelaskan variabel kesadaran diri dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 92%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator gaya mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.960. Artinya jika terjadi kenaikan pada indikator gaya, maka akan diikuti kenaikan variabel kesadaran diri. 19. Indikator cara memperlihatkan diri dapat menjelaskan variabel kesadaran diri dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 81%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator cara memperlihatkan diri mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.898. Artinya jika terjadi


kenaikan pada indikator cara memperlihatkan diri, maka akan diikuti kenaikan variabel kesadaran diri. 20. Indikator kehadiran orang lain dapat menjelaskan variabel situasional dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 47%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator kehadiran orang lain mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0.683. Artinya jika terjadi kenaikan pada indikator kehadiran orang lain, maka akan diikuti kenaikan variabel situasioal. 21. Indikator waktu menunggu dapat menjelaskan variabel situasional dalam pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 68%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator waktu menunggu mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.828. Artinya jika terjadi kenaikan pada indikator waktu menunggu, maka akan diikuti kenaikan variabel situasioal. 22. Indikator keramaian dapat

menjelaskan

variabel situasional dalam

pembentukan minat dan sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 48%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator keramaiaan mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0.696. Artinya jika terjadi kenaikan pada indikator keramaian, maka akan diikuti kenaikan variabel situasioal. 23. Indikator keinginan dapat menjelaskan variabel minat pelanggan terhadap penggunaan teknologi SMS Banking sebesar 96%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator keinginan mempengaruhi sangat


kuat dan searah dengan nilai korelasi sebesar 0.98. Artinya jika terjadi kenaikan pada indikator keinginan, maka akan diikuti kenaikan variabel minat pelanggan. 24. Indikator kemungkinan dapat menjelaskan variabel minat pelanggan terhadap penggunaan teknologi SMS Banking sebesar 89%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator kemungkinan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.94. Artinya jika terjadi kenaikan pada indikator kemungkinan, maka akan diikuti kenaikan variabel minat pelanggan. 25. Indikator perasaan dapat menjelaskan variabel sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 79%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator perasaan mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.89. Artinya jika terjadi kenaikan pada indikator perasaan, maka akan diikuti kenaikan variabel sikap pelanggan. 26. Indikator keberadaan SMS Banking dapat menjelaskan variabel sikap pelanggan terhadap penggunaan teknologi SMS Banking sebesar 72%. Selain itu dari hubungan antar variabel dapat dilihat bahwa indikator keberadaan SMS Banking mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0.85. Artinya jika terjadi kenaikan pada indikator keberadaan SMS Banking, maka akan diikuti kenaikan variabel sikap pelanggan.


Dari hasil analisa data yang dilakukan, maka dapat diambil beberapa solusi terhadap fenomena yang berkaitan dengan hal di atas, terutama untuk SMS Banking. Komponen ekspektasi nilai pelanggan terhadap teknologi SMS Banking berpatokan pada tiga hal, masing-masing yaitu kemudahan dalam penggunaan, kinerja dan keceriaan dari teknologi tersebut. Komponen kemudahan penggunaan dari SMS Banking didapatkan dari evaluasi terhadap penggunaannya di berbagai tempat sehingga nasabah dapat melakukan transaksi dimanapun dan kapanpun. Oleh sebab itu sistem perbankan harus aktif selama 24 jam non stop. Sedangkan untuk komponen kinerja didapatkan dari hasil evaluasi nasabah terhadap keakuratan transaksi yang tidak akan menghasilkan error dalam bertransaksi yang diharapkan nasabah dari SMS Banking. Sementara itu untuk komponen keceriaan didapatkan dari hasil evaluasi nasabah terhadap kesenangan yaitu harapan nasabah terhadap SMS Banking yang akan menyenangkan pelanggan dalam pemakaiannya. Hal ini juga didukung ketika nasabah melakukan transaksi perbankan tidak terlalu lama menunggu balasan atau jawaban bahwasanya transaksi perbankan yang dilakukan telah berhasil. Selain itu dari karakteristik konsumen, rasa percaya diri seseorang berpengaruh secara signifikan pada hubungan positif antara komponen ekspektasi nilai berupa kemudahan penggunaan SMS Banking dengan minat pelanggan terhadap teknologi. Pelanggan yang mempunyai rasa percaya diri yang tinggi cenderung tidak terlalu memfokuskan pada kemudahan penggunaan SMS Banking sehingga hubungan antara ekspektasi nilai berupa kemudahan


penggunaan SMS Banking dengan sikap terhadap teknologi tersebut terkurangi atau terlemahkan karena mereka merasa mampu untuk menggunakan teknologi termutakhir sekalipun Sedangkan pelanggan dengan rasa percaya diri yang rendah cenderung sangat mengharapkan kemudahan penggunaan dari SMS Banking untuk membentuk minat mereka terhadap teknologi tersebut. Jadi dapat diambil solusi

bahwasanya

pihak

perbankan

harus

memperhatikan

kemudahan

penggunaan dalam penggunaan SMS Banking dalam hal langkah-langkah instruksi atau perintah-perintah sederhana yang dilakukan ketika mengirim SMS agar tidak menyulitkan dan membingungkan nasabah. Sikap seseorang untuk menggunakan suatu produk atau objek langsung dipengaruhi oleh minat seseorang terhadap objek tersebut. Terlihat bahwa bagaimana mengubah sikap seseorang terhadap suatu objek hanya bisa berubah apabila minatnya terhadap objek tersebut dirubah terlebih dahulu. Sikap seseorang terhadap suatu objek cenderung konsisten dan tahan lama namun dapat dirubah. Faktor situasi yang dialami seseorang juga berpengaruh pada hubungan antara komponen ekspektasi nilai pelanggan terhadap teknologi SMS Banking dengan sikap pelanggan terhadap teknologi tersebut. Faktor situasional yang berhubungan dengan lamanya waktu menunggu memainkan peranan penting dalam hubungan tersebut. Efek dari waktu menunggu, delay dalam artian susah mendapatkan jaringan akan menimbulkan suatu emosi dan kegelisahan pada diri mereka. Untuk itu pihak perbankan harus memperhatikan waktu delay atau waktu mendownload yang terlalu lama ketika melakukan transaksi dengan mendesain


suatu sistem yang dapat memproses transaksi perbankan via SMS dengan lebih cepat dan akurat.


BAB VII KESIMPULAN DAN SARAN

7.1. Kesimpulan Kesimpulan yang dapat ditarik dari penelitian ini adalah: 1. Pembentukan sikap nasabah bank atau pelanggan untuk menggunakan teknologi SMS Banking dapat dilihat dari minat mereka yang terbentuk terhadap teknologi tersebut. Artinya bahwa sikap positif yang terbentuk untuk menggunakan SMS Banking dipengaruhi secara langsung oleh minat nasabah terhadap teknologi tersebut. 2. Pembentukan minat tersebut dipengaruhi secara langsung oleh ekspektasi nilai pelanggan terhadap teknologi SMS Banking tersebut. Hubungan antara komponen ekspektasi nilai pelanggan dengan minat yang terbentuk akan dipengaruhi oleh faktor karakteristik personalitas mereka dan faktor situasional menurut persepsi mereka. 3. Komponen ekspektasi nilai pelanggan terhadap teknologi SMS Banking berpatokan pada tiga hal,

masing-masing

yaitu kemudahan dalam

penggunaan, kinerja dan keceriaan dari teknologi tersebut. Komponenkomponen di atas adalah komponen evaluasi harapan mereka. Komponen kemudahan penggunaan dari SMS Banking didapatkan dari evaluasi terhadap penggunaannya di berbagai tempat sehingga nasabah dapat melakukan transaksi dimanapun dan kapanpun. Persentase yang diperoleh sebesar 83%. Sedangkan untuk komponen kinerja didapatkan dari hasil evaluasi nasabah


terhadap keakuratan transaksi yang tidak akan menghasilkan error dalam bertransaksi yang diharapkan nasabah dari SMS Banking. Persentase yang diperoleh sebesar 76%. Sementara itu untuk komponen keceriaan didapatkan dari hasil evaluasi nasabah terhadap kesenangan yaitu harapan nasabah terhadap SMS Banking yang akan menyenangkan pelanggan dalam pemakaiannya. Persentase yang diperoleh sebesar 80%. 4. Karakteristik personalitas ternyata mempunyai pengaruh terhadap hubungan yang terbentuk antara komponen ekspektasi nilai pelanggan terhadap SMS Banking dengan minat dan sikap yang terbentuk terhadap teknologi tersebut. Karakteristik personalitas yang berpengaruh ada dua yaitu rasa percaya diri dari pelanggan atau nasabah akan kemampuan mereka untuk menggunakan berbagai teknologi dari yang sederhana sampai yang paling mutakhir dengan jumlah persentase sebesar 91% dan kesadaran diri sebagai pandangan seseorang terhadap diri mereka sendiri sebagai objek sosial dalam hal ini yaitu gaya dalam melakukan sesuatu dengan persentase sebesar 92%. 5. Faktor situasional juga mempengaruhi hubungan yang terbentuk antara komponen ekspektasi nilai pelanggan terhadap SMS Banking dengan minat dan sikap yang terbentuk terhadap teknologi tersebut. Dimana faktor situasional yang dapat mempengaruhi hubungan tersebut adalah delay dalam mendownload teknologi tersebut sehingga pelanggan menjadi tidak sabar untuk menunggu dalam beberapa waktu lamanya. Persentase yang diperoleh sebesar 68%.


7.2. Saran 1. Dari hasil kuesioner yang disebarkan kepada nasabah bank, berdasarkan identitas responden dapat dilihat bahwa terdapat beberapa perbedaan varians yang signifikan yang harus diperhatikan oleh pihak manajemen bank untuk menarik minat nasabah sehingga nasabah mau mengadopsi teknologi SMS Banking. Diantaranya yang harus diperhatikan adalah usia nasabah yang dapat dijadikan pembeda dalam pembentukan minat dan sikap terhadap penggunaan teknologi SMS Banking yaitu kelompok umur 25-35 tahun, kelompok pekerja swasta, kelompok dengan tingkat pendapatan 1-2.5 juta serta kartu provider telepon genggam. Dalam hal ini kelompok responden dengan kartu provider dari Telkomsel memiliki presentasi yang tinggi. Namun seiring makin berkembangnya provider jasa telekomunikasi, maka pihak perbankan juga dituntut untuk lebih menjalin kerjasama yang lebih luas lagi terhadap provider-provider baru yang bermunculan. 2. Pihak perbankan harus lebih meningkatkan keamanan terhadap teknologi SMS Banking berkaitan dengan maraknya pembobolan ATM yang terjadi belakangan ini yang juga merupakan salah satu produk perbankan yang berbasis elektronik dengan sistem self service technology. Para nasabah perbankan pastinya tidak ingin apabila setelah menggunakan layanan SMS Banking, nomor rekening mereka diketahui dan digunakan oleh pihak-pihak yang tidak bertanggungjawab. Kerahasiaan data-data yang dikirim dan diterima harus benar-benar dijaga. Dan apabila terjadi kesalahan, maka pihak bank harus bertanggung jawab secara penuh.


3. Perusahaan harus selalu mengaplikasikan berbagai teknologi agar menjadi suatu keunggulan dalam berbagai persaingan, sehingga suatu teknologi mampu menjalin relasional yang dapat mengikat pelanggan atau nasabah unutk menjadi loyal. 4. Melakukan penelitian tidak hanya mengenai hubungan pelanggan-teknologi saja, tetapi hubungan yang lain dalam pemasaran jasa menyangkut perkembangan teknologi, yaitu hubungan antara perusahaan dengan teknologi dan karyawan dengan teknologi. Hubungan di atas menjadi penting, karena sebelum melihat kesiapan dari pelanggan terhadap adanya teknologi baru, kita harus mengetahui terlebih dahulu kesiapan dari perusahaan dan karyawan tersebut akan teknologi baru. 5. Munculnya self service technology memang akan mempermudah pelanggan dalam mengakses pelayanan, akan tetapi sekaligus menjadi sumber kesulitan tersendiri bagi manajemen perusahaan dalam mengontrol perilaku pelanggan, sehingga suatu perusahaan harus terus memperhatikan perkembangan self service technology yang ada dan mengadopsinya bila sesuai dengan keadaan pelanggan dan perusahaan.


BAB III TINJAUAN PUSTAKA Peran dan Kedudukan Teknologi dalam Bisnis Jasa

Recommend Documents