BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN

4.1 Desain Penelitian Desain penelitian ini merupakan gabungan antara penelitian explanatory dengan pendekatan deskriptif kuantitatif. Metode penelitian explanatory digunakan karena dalam penelitian ini dijelaskan hubungan antar variabel-variabel yang diteliti dengan menggunakan metode Structural Equation Model (SEM). Penelitian explanatory menjelaskan hubungan sebab dan akibat atas variabel-variabel yang diteliti atau digunakan dalam penelitian. Menurut (Cooper dan Pamela, 2006) penelitian deskriptif merupakan metode yang berusaha mencari jawaban atas pertanyaan mengenai siapa, apa, di mana, bilamana, dan kadang-kadang bagaimana. Peneliti berusaha mendeskripsikan atau mendefinisikan subjek yang diteliti seiring dengan menciptakan suatu profil dari sekumpulan persoalan, orang atau peristiwa. Metode penelitian kuantitatif disebut sebagai metode positivistik, karena berlandaskan pada filsafat positivisme. Filsafat positivism memandang realita/ gejala/fenomena dapat diklasifikasikan, relatif tetap, konkrit, teramati, terukur, dan hubungan gejala bersifat sebab akibat. Penelitian kuantitatif dalam melihat hubungan variabel terhadap objek yang diteliti bersifat sebab akibat (kausal), sehingga dalam penelitiannya ada variabel independen (sebab) dan dependen (akibat). Dari variabel tersebut selanjutnya dicari seberapa besar pengaruh variabel independen terhadap variabel dependen (Sugiyono, 2012).

35 http://digilib.mercubuana.ac.id/

36

4.2 Variabel Penelitian Dalam SEM terdapat dua jenis variabel, yaitu: variabel laten (latent variable) dan variabel teramati (observed variable). Variabel laten merupakan konsep abstrak, hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. SEM mempunyai dua jenis variabel laten, yaitu: eksogen dan endogen. Variabel eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada dalam model, sedangkan variabel endogen merupakan variabel terikat pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan sisanya variabel tersebut merupakan variabel bebas. Variabel teramati (observed variable) atau variabel terukur (measured variable) adalah variabel yang dapat diamati atau dapat diukur secara empiris dan disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Pada metode survey dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner mewakili sebuah variabel teramati (Wijanto, 2008). Konsep SEM memiliki dua jenis model, yaitu model struktural (structural model) dan model pengukuran (measurement model). Model struktural adalah menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten. Hubungan ini umumnya linier, meskipun perluasan SEM memungkinkan untuk mengikutsertakan hubungan nonlinier. Setiap variabel laten biasanya mempunyai beberapa ukuran atau variabel teramati (indikator). Penggunaan SEM paling sering menghubungkan variabel laten dengan variabel teramati melalui model pengukuran yang berbentuk analisa faktor. Dalam model pengukuran, setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang

http://digilib.mercubuana.ac.id/

37

terkait. Model pengukuran yang paling umum dalam aplikasi SEM adalah model pengukuran kon-generik (congeneric measurement model), di mana setiap ukuran variabel teramati hanya berhubungan dengan satu variabel laten dan semua kovarian diantara variabel teramati adalah sebagai akibat hubungan antara variabel teramati dengan variabel laten (Wijanto, 2008). 4.2.1 Definisi Konsep Definisi konseptual memberikan penjelasan tentang konsep dari variabel yang ada pada penelitian ini berdasarkan rerangka teori. Berpijak dari teori (Wijanto, 2008), peneliti menetapkan penggunaan variabel eksogen dalam penelitian ini meliputi: 1) bentuk fisik (X1); 2) responsif (X2); 3) keandalan; 4) jaminan (X4); dan 5) empati. Sedangkan variabel endogen adalah Kepuasan Pelanggan (Y) dan Loyalitas Pelanggan (Z). Dengan demikian dapat dijelaskan definisi konsep dari masing-masing variabel adalah sebagai berikut: a. Definisi Konseptual Variabel Eksogen Berdasarkan rerangka teori dalam penelitian ini, definisi konsep yang menjadi variabel eksogen adalah sebagai berikut: 1) Bentuk fisik (X1) merupakan penampilan fisik, perlengkapan karyawan dan bahan komunikasi (Jamal dan Anastasiadou, 2009). 2) Responsif (X2) adalah kesediaan membantu pelanggan dan memberikan jasa dengan tanggap (Lau et al, 2013). 3) Keandalan (X3) adalah kemampuan perusahaan memberikan pelayanan sesuai yang dijanjikan secara andal dan akurat (Lau et al, 2013).


38

4) Jaminan (X4) adalah karyawan mampu menumbuhkan kepercayaan terhadap perusahaan dan perusahaan bisa menciptakan rasa aman kepada pelanggan (Manusamy et al., 2010). 5) Empati (X5), yaitu memahami masalah para pelanggannya dan bertindak demi kepentingan pelanggan, serta memberikan perhatian personal kepada para pelanggan dan memiliki jam operasional yang nyaman (Shahin dan Janatyan, 2011). b. Definisi Konseptual Variabel Endogen Kepuasan pelanggan (Y) adalah sikap positif pelanggan yang diputuskan berdasarkan pengalaman yang dirasakan, yang sesuai dengan harapannya (Kaura, 2014). Sedangkan loyalitas pelanggan (Z) (Jamal dan Anastasiadou, 2009), yaitu dimana kondisi pelanggan mempunyai sikap positif dan setia terhadap suatu perusahaan jasa, menjadikan perusahaan sebagai pilihan pertama dan mempunyai komitmen dalam menggunakan jasa tersebut. 4.2.2 Definisi Operasional Variabel Operasional variabel adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulannya (Sugiyono, 2012). Definisi Operasional Variabel dapat di lihat pada Tabel 4.1 di bawah ini.


39

Tabel 4.1 Definisi Operasional Variabel Variabel Laten Bentuk fisik (X1) (Jamal dan Anastasiadou, 2009)

Indikator 1. Tampilan fasilitas fisik 2. Penampilan personil 3. Peralatan terbaru

Responsif (X2) (Lau et al, 2013)

4. Pelayanan cepat dan tepat 5. Kesiapan merespons 6. Kesediaan membantu

B4 B5 B6

Keandalan (X3) (Lau et al, 2013)

7. Layanan yang dijanjikan 8. Layanan benar 9. Keandalan penanganan masalah

C7 C8 C9

Jaminan (X4) (Manusamy et al., 2010)

10. Menanamkan rasa percaya 11. Aman dan nyaman 12. Sopan dan ramah

Empati (X5) (Shahin dan Janatyan, 2011)

13. Perhatian 14. Kepahaman kebutuhan 15. Alokasi waktu

Kepuasan Pelanggan (Y) (Huang et al., 2009; Kaura, 2014)

16. Keputusan tepat 17. Manfaat yang diperoleh 18. Kepuasan keseluruhan

Loyalitas Pelanggan (Z) 19. Kesetiaan (Jamal dan Anastasiadou, 20. Pilihan pertama 2009) 21. Komitmen Sumber : Diadaptasi dari berbagai penelitian terdahulu

Skala

O R D I N A L

Simbol A1 A2 A3

D10 D11 D12 E13 E14 E15 F16 F17 F18 G19 G20 G21

Berdasarkan pengukuran variabel pada Tabel di atas (Sugiyono, 2012) menyatakan bahwa skala ordinal adalah skala pengukuran yang tidak hanya menyatakan kategori, tetapi juga menyatakan peringkat construct yang diukur. Skala Ordinal yang digunakan bertujuan untuk memberikan informasi berupa nilai pada jawaban dalam bentuk kuesioner yang memenuhi pernyataan-pernyataan tipe skala Likert.


40

4.3 Populasi dan Sampel Penelitian Populasi yang digunakan dalam penelitian ini sesuai dengan obyek yang diteliti dan pengambilan sampel ditentukan berdasarkan teknik yang telah dipilih sesuai dengan sifat populasi dalam penelitian ini. Berikut penjelasan mengenai populasi dan teknik penentuan jumlah sampel yang akan digunakan untuk menggambarkan persepsi responden dan selanjutnya diolah untuk dijadikan sumber data primer. 4.3.1 Populasi Penelitian Populasi adalah gabungan dari seluruh elemen data yang berbentuk peristiwa, hal atau orang yang memiliki karakteristik yang serupa menjadi pusat perhatian seorang peneliti karena dipandang sebagai sebuah semesta penelitian Ferdinand, 2011). Populasi dalam penelitian ini adalah peserta wisata yang sedang melakukan trip (perjalanan wisata) dengan menggunakan jasa My Permata Wisata. 4.3.2 Sampel Penelitian Dalam menentukan ukuran sampel, SEM mensyaratkan data berdistribusi normal atau dianggap berdistribusi normal. Namun tidak setiap data berdistribusi secara normal. Untuk mengurangi dampak ketidaknormalan sebuah distribusi data, penggunaan sampel yang besar bisa dipertimbangkan. Tetapi asumsi SEM harus dipenuhi, yaitu sampel yang diolah sebagai input adalah lebih besar atau sama dengan 100 sampel. Mengenai ukuran sampel minimal dengan dalam analisis SEM, jika dalam model yang dianalisa ada 5 (lima) konstruk atau kurang di mana masingmasing konstruk diukur minimal oleh 3 (tiga) indikator maka diperlukan ukuran sampel minimal antara 100 sampai dengan 300 observasi (Hair, 2008).


41

Penentuan sampel untuk penggunaan metode SEM dengan jumlah yang ideal dan representatif adalah 100-200 tergantung pada jumlah parameter (indikator) yang diestimasikan. Jumlah sampel lima sampai sepuluh dikali jumlah indikator (Ferdinand, 2011). Atas dasar tersebut, maka dapat ditentukan jumlah sampel dengan perhitungan, yaitu (7) tujuh dikali (21) dua puluh satu indikator), sehingga diperoleh 147 sampel. Dengan demikian, jumlah minimum sampel yang akan digunakan dalam penelitian ini adalah 147 sampel. Pemilihan peserta wisata sebagai sampel (responden) dalam penelitian ini menggunakan teknik pursposive sampling. Pursposive sampling (Sugiyono, 2012) adalah teknik penentuan sampel dengan pertimbangan tertentu. Lebih lanjut (Margono, 2010) dalam pemilihan sekelompok dalam purposive sampling didasarkan atas ciri-ciri tertentu yang dipandang mempunyai sangkut paut yang erat dengan ciri-ciri populasi yang sudah diketahui sebelumnya, dengan kata lain unit sampel yang dihubungi disesuaikan dengan kriteria-kriteria tertentu yang diterapkan berdasarkan tujuan penelitian. Ciri-ciri populasi yang dimaksud adalah peserta wisata yang sudah selesai menggunakan jasa My Permata Wisata, dikarenakan peserta wisata sudah mengetahui dan merasakan atas pelayanan yang diberikan, apakah sudah sesuai dengan manfaat yang diterima atau melebihi harapan yang dirasakan. Sehingga dengan demikian teknik pengambilan sampel pada peserta wisata adalah pada saat perjalanan wisata telah berakhir (perjalanan pulang). Dilihat dari jumlah minimum sampel yang telah ditentukan, maka teknik pengambilan sampel akan dilakukan di beberapa destinasi wisata dengan


42

menggunakan teknik quota sampling, karena jika pengambilan sampel hanya pada satu lokasi wisata saja, maka kemungkinan jumlah sampel tidak dapat terpenuhi dan jika jumlah sampel yang telah ditentukan belum terpenuhi pada trip tersebut, maka akan dilanjutkan ke trip selanjutan sampai jumlah minimum sampel dapat terpenuhi atau melebihi jumlah sampel yang telah ditentukan. Teknik sampling kuota (Sugiyono, 2012) adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri-ciri tertentu sampai jumlah (kuota) yang diinginkan terpenuhi. 4.4 Jenis dan Sumber Data Bila dilihat dari sumber datanya, maka pengumpulan data dapat menggunakan sumber primer dan sumber sekunder. Sumber primer adalah sumber yang langsung memberikan data kepada pengumpul data, misalnya melalui interview (wawancara) kuesioner (angket), observasi (pengamatan) dan gabungan ketiganya. Sedangkan sumber sekunder merupakan sumber yang tidak langsung memberikan data kepada pengumpul data, misalnya lawat orang lain atau lewat dokumen (Sugiyono, 2012). 4.5 Teknik Pengumpulan Data Berdasarkan jenis dan sumber data pada penelitian ini menggunakan data primer

dan skunder, maka dapat diuraikan penjelasan mengenai teknik

pengumpulan data yang digunakan, yaitu: 4.5.1 Data primer Dalam penelitian ini data primer yang digunakan adalah Angket atau kuesioner (Sugiyono, 2012) merupakan teknik pengumpulan data yang dilakukan dengan cara memberi seperangkat pertanyaan atau pernyataan tertulis kepada


43

responden untuk dijawab. Untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena sosial disebut Skala Likert. Jawaban setiap item instrumen yang menggunakan Skala Likert mempunyai gradasi dari sangat positif sampai sangat negatif. Untuk keperluan analisis kuantitatif, maka jawaban itu dapat diberi skor (Sugiyono, 2012), yaitu: SS

= Sangat Setuju

diberi skor

5

ST

= Setuju

diberi skor

4

RG

= Ragu-ragu

diberi skor

3

TS

= Tidak Setuju

diberi skor

2

STS

= Sangat Tidak Setuju

diberi skor

1

4.5.2 Data Skunder Data skunder yang didapatkan oleh peneliti, yaitu dari data internal perusahaan sebagai objek dalam penelitian ini dan dari studi kepustakaan, seperti literatur, jurnal, dan buku. 4.6 Metode Analisis Metode analisis dalam penelitian ini menggunakan SEM (Structural Equation

Modeling)

dengan

menggunakan

program

LInear

Structural

RELationship (LISREL) versi 8.80 untuk melakukan analisis dimensi kualitas pelayanan yang mempengaruhi kepuasan dan implikasinya terhadap loyalitas pelanggan My Permata Wisata. LISREL merupakan satu-satunya program SEM yang paling canggih dan paling dapat mengestimasi berbagai masalah SEM yang bahkan nyaris tidak dapat dilakukan oleh program lain, seperti AMOS, EQS dan program lainnya (Ghozali,


44

2008). Selain itu, LISREL merupakan program SEM yang sangat informatif dalam menghasilkan hasil uji statistiknya sehingga modifikasi model dan penyebab buruknya goodness of fit model dapat dengan mudah diatasi (Latan, 2013). Pertimbangan dalam menggunakan teknik SEM adalah: 1) dimensi kualitas pelayanan yang mempengaruhi kepuasan dan implikasinya terhadap loyalitas pelanggan merupakan variabel laten atau konstruk (unoserved variable), yaitu variabel yang tidak dapat diukur secara langsung, namun dapat di estimasi dengan indikator-indikatornya; 2) teknik SEM mampu membangun suatu pola hubungan majemuk dan dapat mengestimasi hubungan interaksi antarvariabel; dan 3) teknik SEM melakukan estimasi regresi yang dilakukan secara simultan untuk semua variabel eksogen. 4.6.1 Analisis Deskriptif Statistik deskriptif adalah teknik statistik yang bertujuan memberikan penjelasan atau informasi mengenai karakteristik dari suatu kelompok data atau lebih sehingga pemahaman akan ciri-ciri yang unik atau khusus dari kelompok data tersebut dapat diketahui. Statistik deskriptif memberikan gambaran atau deskripsi suatu data dilihat dari nilai rata-rata (mean), nilai tertinggi (maksimum), nilai terendah (minimum) dan standar deviasi (Ghozali, 2014). Untuk hasil dari tiap-tiap item penelitian dapat dikategorikan dengan langkah-langkah sebagai berikut (Arikunto, 2012), yaitu: 1) Kelompok tinggi, semua responden yang mempunyai skor sebanyak skor ratarata plus 1 (+1) standar deviasi (X≥Mi + 1SDi).


45

2) Kelompok sedang, semua responden yang mempunyai skor antara skor rata-rata minus 1 standar deviasi dan skor rata-rata plus 1 standar deviasi antara (Mi 1SDi) ≤ X< (Mi + 1SDi). 3) Kelompok rendah, semua responden yang mempunyai skor lebih rendah dari skor rata-rata minus 1 standar deviasi (X<Mi - 1SDi). Untuk mengetahui harga Mean ideal (Mi) dan Standar Deviasi ideal (SDi) diperoleh berdasarkan rumus berikut: - Mean ideal (Mi) = 1/2 (skor tertinggi + skor terendah) - Standar Deviasi ideal (SDi) = 1/6 (skor tertinggi - skor terendah) Sedangkan untuk mengetahui hubungan karakteristik responden dengan tingkat kepuasan peserta wisata akan dilakukan dengan menggunakan Uji ChiSquare. Menurut (Santoso, 2007), Uji Khi-Kuadrat asosiasi (Chi-Square) digunakan untuk menentukan keberadaan asosiasi atau hubungan satu sama lain dua variabel yang dihubungkan. 4.6.2 Teknik Analisis Data Konsep SEM memiliki dua jenis model, yaitu model struktural (structural model) dan model pengukuran (measurement model). Model struktural adalah menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten. Hubungan ini umumnya linier, meskipun perluasan SEM memungkinkan untuk mengikutsertakan hubungan nonlinier. Setiap variabel laten biasanya mempunyai beberapa ukuran atau variabel teramati (indikator). Penggunaan SEM paling sering menghubungkan variabel laten dengan variabel teramati melalui model pengukuran yang berbentuk analisis faktor (Wijanto, 2008).


46

Dalam model pengukuran, setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait. Model pengukuran paling umum dalam aplikasi SEM adalah model pengukuran kon-generik (congeneric measurement model), di mana setiap ukuran atau variabel teramati hanya berhubungan dengan satu variabel laten, dan semua kovariasi diantara variabel teramati adalah sebagai akibat hubungan antara variabel termati dengan variabel laten (Wijanto, 2008). Dalam penelitian ini, teknik pengolahan data SEM menggunakan model pengukuran Confirmatory Factor Analysis (CFA). Menurut (Wijanto, 2008) Confirmatory Factor Analysis (CFA) didasarkan atas alasan bahwa variabelvariabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. Variabel-variabel teramati (indikatorindikator) menggambarkan satu variabel laten tertentu (latent dimension). Sebagai metode pengujian yang menggabungkan faktor analisis, analisis lintas, dan regresi. SEM lebih merupakan metode confirmatory yang bertujuan mengevaluasi proposed dimensionally yang diajukan dan yang berasal dari penelitian sebelumnya. SEM digunakan sebagai alat untuk mengkonfirmasi preknowledge yang telah diperoleh sebelumnya. Dalam penerapan teknik SEM ini memerlukan orientasi yang berbeda dengan penerapan statistik yang didasarkan pada pemodelan pengamatan atau observasi secara individual, di mana prosedur SEM lebih menekankan penggunaan kovarian. Prosedur SEM secara umum mengandung lima tahapan (Wijanto, 2008), yaitu:


47

1) Spesifikasi model (model specification), yaitu berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi (estimation). Model awal ini diformulasikan berdasarkan teori atau penelitian sebelumnya. 2) Identifikasi (identification), yaitu berkaitan dengan pengkajian kemungkinan diperolehnya nilai unik untuk setiap parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya 3) Estimasi (estimation), yaitu berkaitan dengan estimasi terhadap model untuk dapat menghasilkan nilai parameter dengan menggunakan salah satu metode estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis. 4) Uji kecocokan (testing fit), yaitu berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan (goodness of fit, GOF) dapat digunakan. 5) Respesifikasi (respecification), yaitu berkaitan dengan respesifikasi model berdasarkan atas hasil uji kecocokan tahap sebelumnya. Setelah melakukan metode estimasi terhadap model, langkah selanjutnya adalah melakukan uji kecocokan model. Uji kecocokan model dilakukan untuk menguji apakah model yang dihipotesiskan merupakan model yang baik untuk merepresentasikan hasil penelitian. Menurut (Wijanto, 2008), evaluasi terhadap tingkat kecocokan data dengan model dilakukan melalui beberapa tahapan, yaitu: 1) Kecocokan keseluruhan model (overall model fit) 2) Kecocokan model pengukuran (measurement model fit) 3) Kecocokan struktural (structural model fit)


48

4.6.2.1 Analisis Kecocokan Keseluruhan Model Tahap ini merupakan tahap pertama yang dilakukan untuk mengevaluasi secara umum derajat kecocokan antara data dengan model ditujukan untuk mengevaluasi secara umum derajat kecocokan atau goodness of fit (GOF) antara data dengan model. Beberapa ukuran GOF atau goodness of fit indices (GOFI) dapat digunakan secara bersama-sama atau kombinasi. GOFI yang ada dikelompokkan menjadi tiga, yaitu: 1) Ukuran kecocokan absolut (absolute fit measures) a. Chi-Square

dan Probabilitas

Chi-square merupakan statistik pertama dan satu-satunya uji statistik dalam GOF. Chi-square digunakan untuk menguji seberapa dekat kecocokan antara matrik kovarian sampel S dengan matrik kovarian model Ʃ(ɵ) Uji statistik adalah

= (n – 1)F (SƩ(ɵ)) yang merupakan sebuah distribusi Chi-Square

dengan degree of freedom (df) sebesar c – p, dimana c = (nx + ny)(nx + ny + 1)/2 adalah banyaknya matrik varian-kovarian non-redundan dari variabel teramati. Dengan nx adalah banyaknya variabel teramati x, ny adalah banyaknya variabel teramati y sedangkan p adalah parameter yang diestimasi dan n adalah ukuran sampel. Menurut (Joreskog dan Sorbom, 2006), seharusnya lebih diperlakukan sebagai ukuran goodness of fit (atau badness of fit) dan bukan sebagai uji statistik. nilai

disebut sebagai badness of fit karena

yang besar menunjukkan kecocokan yang tidak baik (bad fit)

sedangkan nilai

yang kecil menunjukkan good fit (kecocokan yang baik).

P adalah probabilitas untuk memperoleh penyimpangan besar sehingga nilai


49

chi-square yang signifikan ≤ 0.05 menunjukkan bahwa data empiris yang diperoleh memiliki perbedaan dengan teori yang telah dibangun. Sedangkan nilai probabilitas tidak signifikan adalah yang diharapkan untuk menunjukkan data empiris sesuai dengan model. Oleh karena itu diperoleh kesimpulan hipotesis diterima, jika nilai p yang diharapkan lebih besar daripada 0.05. Dengan demikian,

tidak dapat dijadikan sebagai satu-

satunya ukuran dari kecocokan keseluruhan model. Para peneliti mengembangkan banyak alternatif ukuran dari kecocokan model data untuk memperbaiki bias, karena sampel yang besar dan meningkatnya kompleksitas model. b. Non-Centrality Parameter (NCP) NCP merupakan ukuran perbedaan antara Ʃ dengan Ʃ(ɵ) yang dapat dihitung dengan rumus: NCP =

- df, dimana df adalah degree of freedom. NCP

juga merupakan ukuran badness of fit, dimana semakin besar perbedaan antara Ʃ dengan Ʃ(ɵ), semakin besar nilai NCP. c. Scaled NCP (SNCP) SNCP merupakan pengembangan dari NCP dengan memperhitungkan ukuran sampel dengan rumus: SNCP =

- df)/n, dimana n adalah ukuran

sampel. d. Goodness Of Fit Indeks (GFI) GFI dapat diklasifikasikan sebagai ukuran kecocokan absolut karena pada dasarnya GFI membandingkan model yang dihipotesiskan dengan tidak ada model sama sekali (Ʃ(0)). Rumus dari GFI adalah sebagai berikut.


50

Dimana: = nilai minimum dari F untuk model yang dihipotesiskan. = nilai minimum dari F, ketika tidak ada model yang dihipotesiskan. Nilai GFI berkisar antara 0 (poor fit) sampai 1 (perfect fit) dan nilai GFI ≥ 0.90 merupakan good fit (kecocokan yang baik) sedangkan 0.80 ≤ GFI < 0.90, sering disebut marginal fit. e. Root Mean Square Residual (RMSR) RMSR mewakili nilai rerata residual yang diperoleh dari mencocokkan matrik varian-kovarian dari model yang dihipotesiskan dengan matrik varian-kovarian dari data sampel. Standardized RMSR mewakili nilai rerata seluruh standardized residuals dan mempunyai rentang dari 0 ke 1. Model yang mempunyai kecocokan baik (good fit) akan mempunyai nilai Standardized RMSR lebih kecil dari 0.05. f. Root Mean Square Error Approximation (RMSEA) RMSEA merupakan salah satu indeks yang informatif dalam SEM. RMSEA memberitahukan kita seberapa baik model dengan tidak diketahui, tetapi secara optimal estimasi parameter yang dipilih akan sesuai dengan populasi matriks kovarian (Hooper dan Schindler, 2008). Rumus perhitungan RMSEA adalah sebagai berikut.


51

Menurut (Wijanto, 2008), nilai RMSEA ≤ 0.05 menandakan close fit, sedangkan 0.05 < RMSEA ≤ 0.08 menunjukkan good fit. Menurut (Ghozali dan Fuad, 2008), nilai RMSEA ≤ 0.05 mengindikasikan model fit. g. Expected Cross Validation Indeks (ECVI) ECVI digunakan untuk perbandingan model dan semakin kecil nilai ECVI sebuah model semakin baik tingkat kecocokannya. Rumus perhitungan ECVI adalah sebagai berikut.

Dimana: n = ukuran sampel q = jumlah parameter yang diestimasi 2) Ukuran kecocokan inkremental (incremental fit measures) a. Adjusted Goodness Of Fit Indeks (AGFI) AGFI merupakan perluasan dari GFI yang disesuaikan dengan rasio antara degree of freedom dari null/independence/baseline model dengan degree of freedom dari model yang dihipotesiskan atau diestimasi. Rumus perhitungan AGFI adalah sebagai berikut.

Dimana: = degree of freedom dari tidak ada model = jumlah varian dan kovarian dari variabel teramati


52

= degree of freedom dari model yang dihipotesiskan Nilai AGFI berkisar antara 0 sampai 1 dan nilai AGFI ≥ 0.90 menunjukkan good fit sedangkan 0.08 ≤ GFI < 0.09, disebut sebagai marginal fit. b. Tucker Lewis Index (TLI) TLI digunakan sebagai sarana untuk mengevaluasi analisis faktor yang kemudian diperluas untuk SEM. TLI juga dikenal sebagai NNFI. Rumus perhitungannya adalah

Dimana: -square dari null/independence model = chi-square dari model yang dihipotesiskan = degree of freedom dari null model = degree of freedom dari model yang dihipotesiskan Nilai TLI berkisar antara 0 sampai 1 dengan nilai TLI ≥ 0.90 menunjukkan good fit sedangkan 0.80 ≤ TLI < 0.90 adalah marginal fit. c. Normed Fit Indeks (NFI) NFI mempunyai nilai berkisar antara 0 sampai 1 dengan nilai NFI ≥ 0.90 menunjukkan good fit sedangkan 0.80 ≤ NFI < 0.90 adalah marginal fit. Untuk memperoleh nilai NFI dapat digunakan rumus di bawah ini.


53

d. Relative Fit Indeks (RFI) Rumus perhitungan RFI adalah sebagai berikut.

Dimana: = nilai minimum F dari model yang dihipotesiskan. = nilai minimum F dari model null/independence. RFI mempunyai nilai berkisar antara 0 sampai 1 dengan nilai RFI ≥ 0.90 menunjukkan good fit, sedangkan 0.80 ≤ RFI < 0.90 adalah marginal fit. e. Incremental Fit Indeks (IFI) Rumus perhitungan IFI adalah sebagai berikut.

Nilai IFI berkisar antara 0 sampai 1. Nilai IFI ≥ 0.90 menunjukkan good fit sedangkan 0.80 ≤ IFI < 0.90 disebut marginal fit. f. Comparative Fit Indeks (CFI) Nilai CFI berkisar antara 0 sampai 1. Nilai CFI ≥ 0.90 enunjukkan good fit sedangkan 0.80 ≤ CFI < 0.90 sering disebut sebagai marginal fit. Nilai CFI dapat dihitung dengan rumus.

Dimana: max (


54

= max (

3) Ukuran kecocokan parsimoni (parsimonius fit measures) a. Parcimonious Normed Fit Indeks (PNFI) PNFI digunakan untuk membandingkan model-model alternatif dan tidak ada rekomendasi tingkat kecocokan yang dapat diterima. Nilai PNFI yang lebih tinggi yang lebih baik. Rumus PNFI adalah sebagai berikut.

Dimana: = degree of freedom dari model yang dihipotesiskan. = degree of freedom dari null/independence model. b. Parcimonious Goodness Of Fit Indeks (PGFI) PGFI berdasarkan parsimoni dari model yang diestimasi. PGFI melakukan penyesuaian terhadap GFI dengan cara sebagai berikut

Nilai PGFI berkisar antara 0 sampai 1 dengan nilai yang lebih tinggi menunjukkan model parsimoni yang lebih baik. c. Normed Chi-Square Normed Chi-Square diperoleh melalui

. Nilai

Normed Chi-Square disarankan adalah antara batas bawah 1.0 dan batas atas 2.0 atau 3.0 atau lebih longgar 0.5.


55

d. Akaike Information Indeks (AIC) AIC merupakan ukuran yang digunakan untuk membandingkan beberapa model dengan jumlah konstruk yang berbeda. AIC dapat dihitung dengan menggunakan rumus:

, dimana q adalah jumlah

parameter yang diestimasi. Nilai AIC yang lebih kecil dan mendekati nol menunjukkan kecocokan yang lebih baik serta parsimoni yang lebih tinggi. a. Consistent Akaike Information Indeks (CAIC) AIC memberikan penalti hanya berkaitan dengan degree of freedom dan tidak

berkaitan

mengikutsertakan

dengan

ukuran

ukuran

sampel. sampel

Rumus

CAIC

dengan

yang rumus

, dimana n adalah jumlah observasi. Menurut Wijanto (2008), pembahasan tentang uji kecocokan serta batasbatas nilai yang menunjukkan tingkat kecocokan yang baik (good fit) untuk setiap GOF (Goodness Of Fit) yang dapat dilihat pada Tabel 4.2 di bawah ini. Tabel 4.2 Perbandingan Ukuran-Ukuran Goodness Of Fit Ukuran Kecocokan Mutlak Ukuran GOF Statistic Chi-square (2) Non-Centrality Parameter (NCP)

Tingkat Kecocokan yang Dapat Diterima Mengikuti uji statistik yang berkaitan dengan persyaratan signifikansi. Semakin kecil semakin baik.

Scaled NCP Goodness of Fit Index (GFI)

Dinyatakan dalam bentuk spesifikasi ulang dari Chisquare. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik. NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka perbandingan antar variabel. Semakin kecil semakin baik. Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0.90 adalah good fit, sedangkan 0.80 ≤ GFI < 0.90 adalah marginal fit.


56

Lanjutan Tabel 4.2 Perbandingan Ukuran-Ukuran Goodness Of Fit Ukuran Kecocokan Mutlak Ukuran GOF Root Mean Square Residuan (RMR) Root Mean Square Error of Approximation (RMSEA) Expected Cross Validation Index (ECVI)

Ukuran GOF Tucjer-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI) Normed Fit Index (NFI) Adjusted Goodness of Fit Index (AGFI)

Tingkat Kecocokan yang Dapat Diterima Residual rata-rata antara matrik (korelasi atau kovarian) teramati dan hasil estimasi. Standardized RMR ≤ 0.05 adalah good fit. Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan sampel. RMSEA ≤ 0.080 adalah good fit, sedang RMSEA < 0.05 adalah close fit. Digunakan untuk perbandingan antar model. Semakin kecil semakin baik. Pada model tunggal, nilai ECVI dari model yang mendekati nilai saturated ECVI menunjukkan good fit. Ukuran Kecocokan Incremental Tingkat Kecocokan yang Dapat diterima Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. TLI ≥ 0.90 adalah good fit, sedang 0.80 ≤ TLI < 0.90 adalah marginal fit. Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. NFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ NFI < 0.90 adalah marginal fit. Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ AGFI < 0.90 adalah marginal fit.

Relative Fit Index (RFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. RFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ RFI < 0.90 adalah marginal fit.

Incremental Fit Index (IFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. IFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ IFI < 0.90 adalah marginal fit.

Comparative Fit Index (CFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ CFI < 0.90 adalah marginal fit.


57

Lanjutan Tabel 4.2 Perbandingan Ukuran-Ukuran Goodness Of Fit Ukuran Kecocokan Parsimoni Ukuran GOF Parsimonious Goodness of Fit (PGFI)

Tingkat Kecocokan yang Dapat Diterima Spesifikasi ulang dari GFI, di mana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbanding diantara model-model.

Normed Chi-Square Risiko antara Chi-square dibagi degree of freedom. Nilai yang disarankan batas bawah: 1.0, batas atas: 2.0 atau 3.0 dan yang lebih longgar 5.0. Parsimonious Normed Fit Index (PNFI)

Nilai tinggi menunjukkan kecocokan lebih baik, hanya digunakan untuk perbandingan antara model alternatif.

Criterion (AIC)

digunakan untuk perbandingan antar model. Pada model tunggal, nilai AIC dari model yang mendekati nilai saturated AIC menunjukkan good fit. Nilai positif lebih kecil menunjukkan parsimoni lebih baik, digunakan untuk perbandingan antar model. Pada model tunggal, nilai CAIC dari model yang mendekati nilai saturated CAIC menunjukkan good fit.

Consistent Akaike Information Criterion (CAIC)

Terdapat beberapa ukuran kecocokan pada output LISREL 8.80 yang dapat digunakan untuk menunjukkan bahwa model secara keseluruhan sudah baik. Namun, tidak penting atau realistis untuk memasukkan semua indeks dalam output program karena dapat menyulitkan pembaca dan peninjau. Indeks yang dimasukkan dan disarankan untuk digunakan adalah chi-square test, RMSEA, CFI dan RMSR. Tidak ada batasan pasti mengenai dugaan terhadap kecocokan model dalam melaporkan berbagai indeks penting karena perbedaan indeks merefleksikan aspek yang berbeda pada kecocokan model (Hooper dan Schindler, 2008).


58

Gambar 4.1 Hybrid Model Loyalitas Pelanggan Dimana notasi: (lambda)

= Hubungan antara laten eksogen ataupun laten endogen dengan indikator-indikatornya.

(gamma)

= Hubungan langsung antara laten eksogen dengan laten endogen

(beta)

= Hubungan langsung antara laten endogen dengan laten endogen

(delta)

= Kesalahan pengukuran (measurement error) dari indikator eksogen

(epsilon)

= Kesalahan pengukuran (measurement error) dari indikator endogen


59

4.6.2.2 Analisis Kecocokan Model Pengukuran Setelah kecocokan model dengan data secara keseluruhan adalah baik, langkah berikutnya adalah evaluasi atau uji kecocokan model pengukuran. Menurut (Wijanto, 2008) evaluasi dilakukan terhadap setiap konstruk atau model pengukuran (hubungan antara sebuah variabel laten dengan beberapa variabel teramati) secara terpisah melalui: 1) Evaluasi terhadap validitas dari model pengukuran Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Meskipun validitas tidak akan pernah dapat dibuktikan tetapi dukungan ke arah pembuktian tersebut dapat dikembangkan. Menurut (Wijanto, 2008) suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya jika memenuhi syarat: a. Nilai t muatan faktornya (loading factors) lebih besar dari nilai kritis (atau ≥ 1.96 atau untuk praktisnya ≥ 2). b. Muatan faktor standarnya (standardized loading factors) ≥ 0.70 Menurut (Igbaria et al., 1997 dalam Wijanto, 2008) tentang relative importance and significant of the factor loading of each item, menyatakan bahwa muatan faktor standar ≥ 0.50 very signifikan, maka peubah yang dianggap valid untuk diikutsertakan dalam second order confirmatory factor analysis. 2) Evaluasi terhadap reliabilitas dari model pengukuran Reliabilitas adalah konsistensi suatu pengukuran. Apabila reliabilitas tinggi menunjukkan indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latennya. Secara umum teknik mengestimasi reliabilitas adalah test-retest,


60

alternative forms, split-halves, dan Cronbach’s alpha. Dari berbagai pendekatan tersebut, ternyata koefisien Cronbach’s alpha yang menggunakan batasan asumsi paling sedikit. Reliabilitas komposit suatu konstruk dihitung sebagai berikut.

Dimana std. loading (standardized loadings) dapat diperoleh secara langsung dari keluaran program LISREL 8.80 dan

adalah measurement error

untuk setiap indikator atau variabel teramati. Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator-indikator yang dijelaskan oleh variabel laten. Ukuran ekstrak varian dapat dihitung sebagai berikut.

Suatu konstruk memiliki reliabilitas yang baik apabila nilai Construct Reliability (CR) ≥ 0.70 dan nilai Variance Extracted (VE) ≥ 0.50. 4.6.2.3 Analisis Kecocokan Model Struktural Tujuan model struktural untuk memastikan hubungan-hubungan yang dihipotesiskan pada model konseptualisasi didukung oleh data empiris yang diperoleh melalui survey. Dalam hal ini terdapat tiga hal yang perlu diperhatikan (Wijanto, 2008), yaitu: 1) Tanda (arah) hubungan antara variabel-variabel laten mengidentifikasikan hasil hubungan antara variabel-variabel tersebut memiliki pengaruh yang signifikan atau tidak dengan yang dihipotesiskan. 2) Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai hubungan antara variabel-variabel laten. Batas untuk


61

menerima atau menolak suatu hubungan dengan tingkat signifikan 5% adalah 1.96 (mutlak), dimana apabila nilai t terletak antara -1.96 dan 1.96, maka hipotesis yang menyatakan adanya pengaruh harus ditolak, sedangkan apabila nilai t lebih besar daripada 1.96 atau -1.96 harus diterima dengan taraf signifikansi 5% (t>|-1.96|). 3) Koefisien determinasi R2 pada persamaan struktural mengindikasikan jumlah varian pada variabel laten endogen yang dapat dijelaskan secara simultan oleh variabel-variabel laten independen. Semakin tinggi nilai R2, maka semakin besar variabel-variabel independen tersebut dapat menjelaskan variabel endogen sehingga semakin baik persamaan struktural.


BAB IV METODE PENELITIAN

Recommend Documents