BAB IV METODE PENELITIAN 4.1.
Desain Penelitian Penelitian ini merupakan theory driven research dan bukan data driven
research. Dengan demikian pola deduktif digunakan untuk menjawab permasalahan di dunia nyata. Selain itu, pola deduktif dilakukan
dengan
memanipulasi variabel-variabel dalam penelitian agar kondisi di lapangan bersesuaian dengan model. Artinya, tujuan dapat dipertanggungjawabkan secara ilmiah lebih ditekankan daripada tujuan bisa menyelesaikan masalah yang ada pada perusahaan tempat penelitian ini dilaksanakan. Malhotra (2010) menyatakan bahwa desain penelitian berdasarkan tahapannya, terbagi 3 yaitu: eksploratori, deskriptif, dan kausal. Berdasarkan pembagian di atas maka penelitian ini termasuk dalam desain penelitian deskriptif. Alasannya, walaupun hubungan yang diuji adalah uji pengaruh variabel exogenous terhadap endogenous, tetapi metode yang digunakan dalam penelitian bukanlah metode eksperimen sehingga tidak termasuk kategori desain penelitian kausal. Pernyataan bahwa variabel exogenous mempengaruhi variabel endogenous tetap bisa diterima berdasarkan teori umum yang berlaku terkait hubungan antara variabel exogenous dan endogenous.
43
44
4.2. Definisi Operasional dan Pengukuran Variabel Variabel laten kualitas Layanan dalam penelitian ini diukur dengan instrumen hasil pengembangan dari hasil penelitian Parasuraman, dkk.(1988). Kualitas layanan terdiri dari lima dimensi, antara lain: tangibility, reliability, responsiveness, assurance, empathy. Setiap dimensi terdiri dari indikatorindikator
yang mengoperasionalisasi dimensinya. Dari indikator-indikator
tersebut diterjemahkan menjadi pernyataan-pernyataan dalam angket yang dinilai oleh responden. Dalam angket dimensi tangibility diukur oleh pernyataan nomor 1 s.d. 4, ; dimensi reliability diukur oleh pernyataan nomor 5 s.d. 9; dimensi responsiveness diukur oleh pernyataan nomor 10 s.d. 13; dimensi assurance diukur oleh pernyataan nomor 14 s.d. 16; dan dimensi empathy diukur oleh pernyataan nomor 17 s.d. 20. Skala yang digunakan adalah skala lima Likert. Kepuasan pelanggan diukur dengan operasionalisasi definisi dari Kotler dan Keller (2012) dan dikembangkan berdasarkan hasil prestudy. Terbentuk dua dimensi, yaitu: 1) layanan inti berupa layanan oleh dosen dan pegawai akademik, 2) fasilitas pendukung antara lain: ruang kelas, kantin, perpustakaan, sarana olah raga, dan fasilitas hot spot. Semuanya diukur oleh satu pernyataan dengan kode P1 s.d. P7 secara berurutan. Skala yang digunakan adalah skala lima Likert. Biaya beralih diukur dengan instrumen hasil penelitian Burnham, dkk (2003) yang membagi biaya beralih menjadi tiga dimensi, antara lain: prosedural, finansial, dan relasional. Biaya beralih prosedural dioperasionalisasi dengan pernyataan tentang risiko ekonomi, evaluasi, belajar, dan set up dengan kode secara urut S1, S2, S3, dan S4. Biaya beralih fnansial dioperasionalisasi dengan
45
pernyataan tentang kehilangan manfaat dan kehilangan uang dengan kode butir S5 dan S6. Biaya beralih relasional dioperasionalisasi dengan pernyataan tentang kehilangan pegawai akademik dan asosiasi merek yang berkode butir S7 dan S8. Skala yang digunakan adalah skala lima Likert. Loyalitas pelanggan diukur dengan instrumen yang diadaptasi dari Ming, dkk. (2010) digabungkan dengan Chauduri dan Holbrook (2001). Dimensi sikap loyal dioperasionalisasi dengan pernyataan tentang komitmen diri untuk loyal dan tidak keberatan penyesuaian harga. Keduanya diberi kode buti L1 dan L2. Dimensi perilaku dioperasionalisasi oleh pernyataan tentang akan menyelesaikan studi, akan merekomendasi, akan berbicara positif, dan akan mengikuti kegiatan selain belajar. Kempatnya diberi kode butir L3, L4, L5, dan L8. Skala yang digunakan adalah skala lima Likert. Pernyataan-pernyataan perseptif tersebut di atas, dikuantifikasi dengan skala lima likert yang menyatakan tingkat kesetujuan responden penelitian. Untuk lebih mudahnya, di bawah ini disajikan tabel operasionalisasi variabel penelitian ini yang merinci secara menyeluruh semua variabel laten beserta dimensi dan indikatornya. Sekaligus kode butir pertanyaan yang digunakan di kuesioner dan program simplis.
46
Tabel 4.1 Operasionalisasi dan Pengukuran Variabel
No
Variabel
Dimensi
Indikator
Peralatan yang terbaru Fasilitas fisik menarik Tangibility Pegawai berpakaian rapi Kesesuaian fasilitas fisik dengan layanan
1
Layanan inti
2
K1
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
K2 K3 K4 K5 K6 K7 K8 K9
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
Memberi tahu waktu pasti layanan dilaksanakan Melayani dengan segera Pegawai selalu siap membantu Pegawai terlalu sibuk
K10
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
Mahasiswa percaya Mahasiswa aman Assurance Kesopanan pegawai
Empathy
Skala
Pemenuhan janji Penyelesaian masalah Dapat diandalkan Akurat tanpa salah Mencatat dengan baik
Reliability Kualitas layanan (Parasuraman, dkk. 1988) Responsiv Definisi: Tingkat dan eness arahan ketidaksesuaian antara persepsi-persepsi konsumen dan harapanharapannya.
Butir
Pegawai memberi perhatian individual Pegawai tahu kebutuhan Pegawai mementingkan mahasiswa Jam layanan tidak cocok Pegawai akademik sesuai harapan Dosen sesuai harapan
Kepuasan pelanggan. (Kotler dan Keller, 2012) Ruang kelas sesuai Definisi: kepuasan adalah harapan perasaan senang atau Kantin sesuai harapan kecewa seseorang sebagai hasil dari Koleksi perpustakaan Fasilitas perbandingan kinerja sesuai harapan pendukung produk (outcome) dengan Sarana olahraga sesuai harapan-harapannya. harapan Sarana hotspot sesuai harapan
K11 K12 K13 K14 K15 K16 K17 K18 K19
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
K20 P1 P2 P3 P4 P5 P6 P7
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
47
3
4
4.3.
Biaya beralih (Burnham, dkk., 2003) Definisi: one time costs yang terasosiasi dengan pelanggan pada saat proses beralih dari satu provider ke yang lain Loyalitas pelanggan. Diadaptasi dari Ming, dkk.(2010) serta Chauduri dan Holbrook (2001) Loyalitas sikap berarti loyalitas dalam sikap dan toleransi terhadap harga. Loyalitas perilaku berarti pembelian yang berkelanjutan dan perilaku merekomendasi
Prosedural Finansial Relasional
Sikap
Perilaku
Risiko ekonomi Evaluasi Belajar Set-up Kehilangan manfaat Kehilangan uang Kehilangan pegawai akademik Kehilangan asosiasi merek Berkomitmen diri loyal Menerima penyesuaian harga Akan menyelesaikan studi Akan merekomendasi Akan WoM positif Akan mengikuti kegiatan lain
S1 S2 S3 S4 S5 S6 S7
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
S8 L1 L2 L3
Likert 1 sd 5 dimana 1 = sangat tidak setuju dan 5= sangat setuju
L4 L5 L6
Sumber: Penelitian 2014
Jenis dan Sumber Data Data primer, data ini diperoleh dari mahasiwa, dosen, dan kepala bagian
teknis UNSERA. Data utama dalam penelitian diambil dari mahasiswa, dengan kata lain mahasiswa adalah unit analisis individual penelitian ini. Untuk memperkaya hasil penelitian, data primer tambahan juga diambil dari dosen dan kepala bagian teknis UNSERA. Data sekunder diperoleh dari data internal UNSERA dan dari berbagai hasil telusur internet seperti situs jurnal http://proquest.com, situs surat kabar online, dan situs resmi BPS Provinsi Banten.
48
4.4.
Teknik Pengumpulan Data
4.4.1. Wawancara Wawancara pendahuluan dilakukan untuk mendapat gambaran umum terkait fenomena yang dikaji. Wawancara ini dilakukan secara intens terhadap 25 orang mahasiswa UNSERA yang tergabung dalam kelompok 11 Kuliah Kerja Mahasiswa (KKM) UNSERA. Wawancara dilakukan di posko KKM mereka. Kelompok 11 KKM UNSERA terdiri dari mahasiswa yang berasal dari semua fakultas yang ada di UNSERA dengan komposisi yang proporsional. Wawancara juga dilakukan terhadap kepala bagian teknis UNSERA untuk memperoleh data yang valid tentang aktivitas UNSERA memuaskan mahasiswanya. 4.4.2. Angket Angket/kuesioner adalah instrumen pengumpulan data utama dalam penelitian ini. Angket yang ada merupakan hasil revisi dari angket pada penelitian-penelitian pendahulu yang sudah teruji validitas dan reliabilitasnya. Hal ini dilakukan karena semua variabel penelitian adalah variabel yang umum dikenal dalam penelitian dan sudah banyak peneliti yang melakukan kajian pada variabel serupa. Angket disebar kepada responden untuk mereka isi sendiri. Pengumpulan dilakukan mandiri oleh penulis tanpa bantuan langsung dari pihak lain, penulis menunggu ketika responden mengisi angket. Hal ini dilakukan untuk menjamin bahwa responden mengisi dengan benar. Lokasi pengumpulan dilakukan disekitar kampus UNSERA dan di posko KKM UNSERA kelompok 11.
49
4.4.3. Studi Pustaka Studi pustaka dilakukan dengan telusur internet ke situs-situs yang berhubungan dengan kebutuhan data dalam penelitian ini. Sebagai contoh: untuk kepentingan memperoleh data jumlah mahasiswa yang diakui oleh Direktorat Jendral Pendidikan Tinggi, maka penulis melakukan telusur ke laman lembaga yang dimaksud yaitu https://forlap.dikti.go.id/. Untuk memperoleh data tentang jumlah perguruan tinggi di Provinsi Banten, penulis melakukan telusur ke laman BPS Provinsi Banten untuk mengambil data dari online digibook Banten dalam Angka 2013. Lebih jauh lagi, untuk memperoleh data gambar maket gedung UNSERA, penulis melakukan telusur ke laman penyedia informasi gedung-gedung pencakar langit, dalam kasus ini yang ada di Banten lebih tepatnya pada alamat URL http://www.skyscrapercity.com. Selanjutnya telusur internet dilakukan juga ke laman portal berita yaitu http://www.tempo.co yang dengan aktivitas ini diperoleh data berupa berita kebangkrutan 30 perguruan tinggi di Banten pada tahun 2011. 4.4.4. Dokumentasi Dokumentasi berupa pengambilan foto di saat peristiwa terjadi, dalam hal ini adalah ketika terjadi orasi mahasiswa pada acara “Memperingati Berdirinya Keluarga Besar Mahasiswa Universitas Serang Raya pada tanggal 14 Maret 2014”. Kepala bagian teknis UNSERA diambil fotonya dan direkam komentarnya dalam proses wawancara. Hal ini dilakukan untuk menjamin tidak ada informasi yang luput dari pencatatan manual. Dokumentasi pengambilan foto juga dilakukan terhadap proses renovasi terhadap bangungan dan fasilitas lain di UNSERA.
50
4.5. Populasi dan Sampel 4.5.1. Populasi Banyak definisi tentang populasi yang dikemukakan para pakar metodologi penelitian. Untuk penelitian marketing dengan applied approach, Malhotra (2010, Hal.372) menyatakan bahwa populasi target adalah sekumpulan elemen-elemen atau objek-objek yang memiliki informasi yang dibutuhkan peneliti dimana akan dibuat kesimpulan tentangnya. Sementara itu, Sekaran (2003, hal.265) dengan skill building approach menyatakan bahwa populasi adalah keseluruhan sekelompok orang, peristiwa-peristiwa, atau segala sesuatu yang menarik dimana peneliti ini menginvestigasinya. Dalam penelitian ini, populasi yang dipilih adalah mahasiswa UNSERA yang terdaftar di situs http://forlap.dikti.go.id. Alasannya, secara formal seorang mahasiswa diakui sedang studi di sebuah perguruan tinggi dan karenanya menjadi pelanggan perguruan tinggi tersebut adalah namanya terdaftar di basis data nasional. Pada basis data tersebut di atas, jumlah mahasiswa yang terdaftar di UNSERA sampai tahun 2013 dan sekaligus menjadi populasi penelitian adalah sebesar 5608 orang. Tabel berikut ini memperlihat jumlah populasi mahasiswa UNSERA pada tahun 2013, yang diperinci dengan besar subpopulasi di setiap fakultas.
51
Tabel 4.2. Persentase Sampel
Sumber: Penelitian 2014
4.5.2. Sampel Secara sederhana, Sekaran (2003) mendefinisi sampel adalah bagian dari populasi. Sedangkan menurut Malhotra (2010, hal 371), sampel adalah subgrup dari populasi yang terpilih untuk berpartisipasi dalam kajian. Metode sampel dalam penelitian ini kami sebut proportioned stratified sampling dengan pengambilan secara accidentall sampling. Untuk menentukan besar sampel, penulis menggunakan rumus Slovin yaitu: dimana: n = besar sampel N= Populasi e = margin of error Jika nilai populasi dimasukan dalam rumus, dengan derajat kepercayaan 95% maka akan diperoleh hasil sebagai berikut
= 373.3688 = 373 (dibulatkan)
52
Setelah besar sampel di tingkat universitas diketahui, kontribusi subsampel dari setiap subpopulasi (fakultas) terhadap besar sampel perlu diketahui juga besarnya agar sesuai proporsi dari masing-masing fakultas. Caranya adalah dengan mengalikan proporsi subsampel dengan besar sampel. Tabel 4.3 di bawah ini menunjukkan hasilnya. Tabel 4.3 Besar Subsampel
Sumber: Penelitian 2014
Tabel di atas menunjukkan peruntukan sampel penelitian berdasarkan fakultas sebagaimana yang dimaksudkan dengan stratified/berjenjang. Untuk besar sampel untuk masing-masing fakultas, yaitu: Fakultas Ekonomi sebesar 112 responden, Fakultas Teknologi Informasi sebesar 134 responden, Fakultas Teknik sebesar 78 responden, dan Fakultas Ilmu Sosial dan Politik sebesar 49 orang.
4.6.
Teknik Analisis Data
4.6.1. Analisis Deskriptif Analisis deskriptif dilakukan terhadap karakteristik individual responden dan butir jawaban kuesioner. Karakteristik responden yang dianalisis terdiri dari enam jenis, antara lain: jenis kelamin, fakultas, semester, status masuk, alamat orang tua, dan biaya hidup bulanan selain biaya kuliah. Penyajian data
53
karakteristik menggunakan gambar pie yang terpotong-potong untuk visualisasi proporsi antara subkarakteristik yang satu dengan yang lain. Adapun untuk jawaban responden terhadap pertanyaan angket yang belum dieliminasi berdasarkan validitas, dianalisis dengan melakukan rerata pada proporsi jawaban mereka di setiap indikator. Sementara untuk jawaban responden yang sudah melalui uji validitas, dianalisis dengan menghitung rerata total pervariabel. Tujuannya adalah untuk mengetahui pemusatan jawaban melalui perataan. 4.6.2. Analisis Struktural Equation Modelling Menurut Hair, dkk. (2010), Structural Equation Modelling (selanjutnya disebut SEM) adalah sebuah teknik multivariate yang menggabungkan aspekaspek dalam analisis faktor dan regresi berganda yang memampukan peneliti menguji secara simultan serangkaian interrelated dependence relationships di antara measured variabels dan latent constructs (variates) sebagaimana halnya juga antar-latent constructs. Maka dari itu dapat disimpulkan bahwa SEM lebih sesuai digunakan untuk menguji sebuah model yang dibuat berdasarkan teori tertentu dan mengonfirmasi apakah model tersebut dapat diterima atau tidak. Sementara itu, Menurut Hartono dan Abdillah (2009), SEM adalah pengembangan dari General Linear Model dengan regresi berganda sebagai bagian utamanya. Namun, SEM lebih handal, ilustratif dan kokoh dibandingkan teknik regresi ketika memodelkan interaksi, nonlinearitas, error pengukuran, korelasi error terms dan korelasi antarvariabel laten independen berganda yang masing-masing diukur oleh indikator berganda dengan satu atau lebih laten dependen dengan indikator berganda.
54
Pendekatan yang dilakukan untuk mengestimasi parameter model SEM terbagi menjadi 2 yaitu : 1) Model struktural disebut juga latent variabel relationship. Persamaan umumnya adalah sebagai berikut: Variabel laten endogen = fungsi dari variabel laten eksogen + variabel laten endogen lainya + error
2) Analisis faktor konfirmatif (Confirmatory Faktor Analysis-selanjutnya disebut CFA) sebagai model pengukuran terdiri dari 2 jenis pengukuran yaitu : a) Model pengukuran untuk variabel eksogen (variabel bebas) Persamaan umumnya adalah : Variabel manifest eksogen = fungsi dari variabel latent eksogen + error
b) Model pengukuran untuk variabel endogen (variabel tak bebas) Persamaan umumnya : Variabel manifest endogen = fungsi dari variabel laten endogen + error
Berbagai persamaan di atas harus memenuhi asumsi :
55
1) ζ tidak boleh berkorelasi dengan ᶓ 2) ε tidak boleh berkorelasi dengan ῃ 3) δtidak boleh berkorelasi dengan ᶓ 4) ζ, ε, δ tidak saling berkorelasi (mutually uncorrelated) 5) I, β adalah non singular Notasi-notasi tersebut memiliki arti sebagai : Variabels: ῃ (“eta”) = latent endogenous variabels
ᶓ (“ksi”) = latent exogenous variabels ζ (“zeta”) = latent error in equation Y = observed indikator of ῃ Y = observed indikator of ᶓ ε (“epsilon”) = measurement errors for y δ (delta) = measurement errors for x Coefficients :
β (beta) adalah coefficient matrix for latent endogenous ґ(gamma) adalah coefficient matrix for latent exogenous ˄y (lamda y) adalah coefficeient matrix relating y to ῃ ˄y (lamda x) adalah coefficient matrix relating x toᶓ Uji Normalitas Data Normalitas data merupakan syarat bagi SEM denga metode estimasi Maximum Likelihood (ML). Uji normalitas dilakukan untuk menguji distribusi data, apakah nilai
56
observasi mengikuti distribusi normal atau tidak. Teknik yang digunakan adalah dengan melihat tingkat kemencengan dan kelancipan dari kurva distribusi normal sampel. Oleh karena penilaian secara visual bisa menipu, maka digunakan ukuran baku berupa nilai critical ratio dari tingkat kemencengan dan kelancipan menggunakan ukuran skewness dan kurtosis. Data sampel terdistribusi secara normal jika nilai critical ratio dari skewness dan kurtosis berada para rentang ± 2,58 pada dejarat alpha 1%.
Uji Validitas Instrumen Uji validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Secara tradisional, validitas dapat dibedakan menjadi empat jenis yaitu :content validity, criterion validity, construct validty, dan convergent & discriminant validity. Meskipun dengan cara yang berbeda-beda, masing-masing jenis tersebut berusaha menunjukkan apakah sebuah ukuran berhubungan dengan sebuah konsep. Selain keempat jenis validitas tersebut, Bollen (1989) mengusulkan alternatif definisi validitas yang digunakan dalam kaitanya dengan SEM sebagai berikut : “…The validity of measure xi of ᶓi is the magnitude of the direct structural relation between ᶓi and xi. In this definition, for a measure to be valid. The latent and observed variabel must have a direct link…There must be no intervening variabels between xi and ᶓi if xi is to be valid measure…” Lebih lanjut menurut Doll, dkk. dalam Wijanto (2008) mengaplikasikan definisi di atas untuk mengukur validitas variabel-variabel dalam CFA, sebagai berikut :
57
1) Pada first order model pengukuran, standardized loading factor (muatan faktor standar) variabel-variabel teramati (indikator terhadap variabel laten (faktor) merupakan estimasi validitas variabel-variabel teramati tersebut. 2) Pada second or higher level model pengukuran, standard structural coefficient dari faktor-faktor (variabel-variabel laten) pada konstruk (variabel laten) yang lebih tinggi adalah estimasi validitas dari faktorfaktor tersebut. Menurut Rigdon dan Ferguson (1991) dan Doll, Xia, Torkzadeh (1994), suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika : 1) Nilai t muatan faktornya (loading factor) lebih besar dari nilai kritis (atau ≥ 1,96 atau praktisnya t-value ≥ 2), dan 2) Muatan faktor standarnya (standardized loading factor) ≥ 0,7. Sementara itu, Hair, dkk. (2010) tentang relative importance and significant of the factor loading of each item menyatakan bahwa muatan faktor standar ≥ 0,50 adalah very significant. Uji Reliabilitas Instrumen Reliabilitas adalah konsistensi suatu alat ukur. Reliabilitas tinggi menunjukkan bahwa indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latentnya. Secara umum teknik untuk mengestimasi reliabilitas adalah test-retest, alternative forms, split-halves dan cronbach’s alpha. Oleh karena pada cronbach’s alpha akan memberikan estimasi terlalu rendah jika
58
digunakan untuk mengestimasi congeneric measure. SEM menggunakan kriteria composit reliability measure (ukuran reliabilitas komposit) dan variance extracted measure (ukuran ekstrak varian). Reliabilitas komposit suatu variabel dihitung sebagai berikut : (∑ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝐿𝑜𝑎𝑑𝑖𝑛𝑔)2 𝐶𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = (∑ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝐿𝑜𝑎𝑑𝑖𝑛𝑔)2 + ∑ 𝑒𝑗 Secara default LISREL 8.80 memberikan nilai estimasi Standard Loading Factor (selanjutnya disebut SLF) dan ej, dimana ej adalah adalah measurement error untuk setiap indikator (observed variabel). Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator-indikator (observed variabel) yang dijelaskan oleh variabel laten. Ukuran Ekstrak Varian dapat dihitung dengan rumus sebagai berikut (Fornel dan Laker,1981) : 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 =
∑ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝐿𝑜𝑎𝑑𝑖𝑛𝑔 2 ∑ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝐿𝑜𝑎𝑑𝑖𝑛𝑔2 + ∑ 𝑒𝑗
Atau (Hair, dkk. 2010) ∑ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝐿𝑜𝑎𝑑𝑖𝑛𝑔 2 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 = 𝑁
Untuk N adalah banyaknya variabel teramati dari model pengukuran. Hair, dkk. (2010), menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika: 1) Nilai Construct Reliability (CR)-nya ≥ 0,7 dan 2) Nilai Variance Extracted (VE)-nya ≥ 0,5.
59
Uji Kecocokan Keseluruhan Model Uji kecocokan keseluruhan model baik pada model pengukuran maupun pada
model
struktural
digunakan
untuk
menguji
model
hubungan
antardimensi/variabel. Kriteria-kriteria yang digunakan untuk menguji tersebut dapat dilihat pada Tabel 4.4 Tabel 4.4 Ukuran GOF Statistic No
1 2
3
4 5
6
7
1 2 3
Ukuran GOF
Kriteria (Tingkat kecocokan)
ABSOLUTE FIT MEASURE Mengikuti uji statistik yang berkaitan dengan Statistic Chi-Square (X2) persyaratan signifikan. Semakin kecil semakin baik Dinyatakan dalam bentuk spesifikasi ulang dari ChiNon-Centrality (NCP) Square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik. NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka Scaled NCP (SNCP) perbandingan antarmodel. Semakin kecil semakin baik. Nilai berkisar antara 0-1, dengan nilai lebih tinggi Goodness of fit Index adalah lebih baik. GFI ≥ 0,90 adalah good fit, (GFI) sedangkan 0,80 < GFI< 0,90 adalah marginal fit Residual rata-rata antara matrik (korelasi atau Root Mean Square kovarian) teramati dan hasil estimasi. Standardized Residuan (RMR) RMR ≤ 0,05 adalah good fit Rata-rata perbedaan per degree of freedom yang Root Mean Square Error diharapkan terjadi dalam populasi dan bukan dalam of Approximation sampel. RMSEA ≤ 0,08 adalah good fit, sedang (RMSEA) RMSEA < 0,05 adalah close fit Digunakan untuk perbandingan antar model. Expected Cross Semakin kecil semakin baik. Pada model tunggal, Validation (ECVI) nilai ECVI dari model yg mendekati nilai saturated ECVI menunjukkan good fit INCREMENTAL FIT MEASURE Tucker Lewis Index atau Nilai berkisar antara 0-1, dengan nilai lebih tinggi Non Normed Fit Index adalah lebih baik. TLI ≥ 0,90 adalah good fit, (TLI/NNFI) sedang 0,08 ≤ TLI ≤ 0,09 adalah marginal fit Nilai berkisar antara 0-1, dengan nilai lebih tinggi Normed Fit Index (NFI) adalah lebih baik. NFI ≥ 0,90 adalah good fit, sedang 0,08 ≤ NFI ≤ 0,09 adalah marginal fit Adjusted Goodness of Nilai berkisar antara 0-1, dengan nilai lebih tinggi Fit Index (AGFI) adalah lebih baik.AGFI ≥ 0,90 adalah good fit,
60
4
Relatif Fit Index (RFI)
5
Incremental Fit Index (IFI)
6
Comparative Fit Index (CFI)
No
Ukuran GOF
1
2 3
4
5
1
sedang 0,08 ≤ AGFI ≤ 0,09 adalah marginal fit Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.RFI ≥ 0,90 adalah good fit, sedang 0,08 ≤ RFI ≤ 0,09 adalah marginal fit Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. IFI ≥ 0, adalah good fit, sedang 0,08 ≤ IFI ≤ 0,09 adalah marginal fit Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.CFI ≥ 0,90 adalah good fit, sedang 0,08 ≤ CFI ≤ 0,09 adalah marginal fit Kriteria (Tingkat kecocokan)
PARSIMONIOUS FIT MEASURE Spesifikasi ulang dari GFI, dimana nilai lebih tinggi Parsimoniuos Goodness menunjukkan parsimony yang lebih besar. Ukuran of fit (PGFI) ini digunakan untuk perbandingan di antara modelmodel. Rasio antara Chi Square dibagi degree of freedom. Normed Chi-Square Nilai yang disarankan batas bawah :1,0, batas atas :2,0 atau 3,0 dan yang lebih longgar 5,0 Parsimonious Normed Nilai tinggi menunjukkan kecocokan lebih baik, Fit Index (PNFI) hanya digunakan untuk perbandingan antar model Nilai positif lebih kecil menunjukkan parsimony lebih baik, digunakan untuk perbandingan antar Akaike Information model. Pada model tunggal, nilai AIC dari model Criterion (AIC) yang mendekati nilai Saturated AIC menunjukkan good fit Nilai positif lebih kecil menunjukkan parsimony Consistent Akaike lebih baik, digunakan untuk perbandingan antar Information Criterion model. Pada model tunggal, nilai CAIC dari model (CAIC) yang mendekati nilai Saturated CAIC menunjukkan good fit
Critical “N” (CN)
OTHER GOF CN ≥ 200 menunjukkan ukuran sampel mencukupi untuk digunakan mengestimasi model. Kecocokan yang memuaskan atau baik
Sumber : Wijanto (2008)
Penelitian ini hanya menggunakan 9 ukuran kecocokan model karena tidak ada konsensus antarpeneliti tentang ukuran yang mampu mendeskripsi kecocokan antara model dengan fakta observasi secara sempurna. Tidak satupun dari ukuran GOF atau GOFI secara eksklusif dapat digunakan sebagai dasar evaluasi kecocokan keseluruhan model. Sebagaimana Wijanto (2008) menyatakan bahwa
61
SEM tidak mempunyai satu uji statistik terbaik yang dapat menjelaskan ”kekuatan”
prediksi
model.
Sebagai
gantinya,
para
peneliti
telah
mengembangkan beberapa ukuran GOF atau Goodness Of Fit Indices (GOFI) yang dapat digunakan bersama-sama atau kombinasi. Jika kita kembalikan kepada tujuan penggunaan SEM yaitu sebagai model konfirmasi terhadap dasar teori yang kokoh, sebagaimana dinyatakan Hartono dan Abdillah (2009) bahwa SEM mengutamakan pemodelan konfirmatori dibandingkan pemodelan eksploratori sehingga lebih tepat digunakan untuk pengujian teori (studi kuantitatif) dibandingkan pengembangan (studi kualitatif). Dengan dasar ini maka respesifikasi model yang bertujuan meningkatkan kecocokan model dalam penelitian ini, lebih berorientasi pada penggunaan teori dalam meningkatkan nilai ukuran kecocokan model. Selanjutnya, dievaluasi nilainilai tersebut berdasarkan ukuran kecocokan yang dipilih dalam penelitian ini. Kesembilan ukuran kecocokan tersebut, antara lain: RMSEA, NFI, NNFI, PNFI, CFI, IFI, RFI, GFI, AGFI. Prosedur Pemodelan SEM Menurut Hair, dkk. (2010) prosedur SEM terdiri dari 7 tahapan pembentukan dan analisis SEM, antara lain: 1) Membentuk model teori sebagai dasar modal SEM yang mempunyai justifikasi teoritis yang kuat. Merupakan suatu model kausal/sebab akibat yang menyatakan hubungan antar dimensi/variabel
62
2) Membangun path diagram dari hubungan kausal yang dibentuk oleh teori dasar. Path diagram tersebut memudahkan peneliti untuk melihat hubungan-hubungan kausalitas yang diujinya 3) Membagi path diagram tersebut menjadi satu set dari model pengukuran dan model struktural 4) Pemilihan matrik data input dan mengestimasi model yang diajukan. Perbedaan SEM dengan teknik multivariat lainnya dalam dalam hal input data yang digunakan dalam permodelan dan estimasinya SEM hanya menggunakan matrik varian/kovarian atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan 5) Menentukan the identification of the structural model. Langkah ini untuk
model
yang
dispesifikasikan
bukan
model
yang
unidentified/underidentified. Problem identifikasi dapat muncul melalui : a)
Standard error untuk satu/beberapa koefisien adalah sangat besar.
b) Program ini mampu menghasilkan matrik informasi yang seharusnya disajikan c)
Muncul angka-angka yang aneh seperti adanya error varian yang negatif
d) Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat.
63
6) Mengevaluasi kriteria dari goodness of fit atau uji kecocokan. Pada tahap ini kesesuaian model dievaluasi melalui penelaahan terhadap berbagai kriteria goodness of fit sebagai berikut : a) Ukuran sampel minimal 160 dan dengan perbandingan 5 observasi untuk setiap parameter estimate b) Normalitas dan linearitas c) Multicolinearity & singularity 7) Menginterpretasikan hasil yang didapat dan mengubah model jika diperlukan. Dalam penelitian ini, analisis SEM menggunakan pendekatan two step approach dengan strategi model development (Hair, dkk, 2010). Prosedur SEM dijalankan dengan alat bantu pemrograman simplis dari perangkat lunak LISREL 8.80, dilaksanakan dengan tahapan yang mengadopsi cara Bollen dan Long sebagaimana dikutip Wijanto (2008), dengan sejumlah modifikasi. Tahapan dalam prosedur SEM penelitian ini, antara lain: 1) Spesifikasi model: tahapan ini terkait dengan pembentukan model awal persamaan struktural, sebelum dilakukannya estimasi. Model awal diformulasikan berdasarkan suatu teori atau penelitian-penelitian sebelumnya. Spesifikasi model pada penelitian ini ditunjukkan pada persamaan model struktural di bawah ini: satisfac =
γ 1*servqual + ζ1
64
loyalty =
γ2*servqual
+ β3*satisfac +
γ4*switchin
γ5*modQ
+
+
γ6*modP + ζ2 Keterangan: β = beta (parameter antarkonstruk endogen)
γ=gamma (parameter antara konstruk eksogen dan endogen) ζ=zeta (kesalahan struktural) 2) Identifikasi: berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada dalam model dan kemungkinan persamaan simultan tidak ada solusinya. Untuk bisa dilakukan estimasi, maka degree of freedom (selanjutnya disebut df) harus bernilai ≥ 0. Oleh karena itu, sesuai saran Mueller yang dikutip Wijanto (2008) tentang upaya memastikan df dari kedua model spesifikasi bernilai positif, maka variabel laten distandardisasi ke unit variance, yaitu menetapkan nilai 1 pada variannya. Pada tahap identifikasi, program simplis juga memberikan nilai df sehingga bisa dilakukan bersamaan dengan estimasi. 3) Estimasi:
berkaitan
dengan
estimasi
terhadap
model
untuk
menghasilkan parameter dengan menggunakan salah satu metode estimasi yang tersedia. Pemilihan model estimasi sering kali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis. Oleh karena penelitian ini menguji efek moderasi dengan teknik Latent Variable Score (selanjutnya disebut LVS), maka untuk
65
mendapatkan LVS dari variabel laten yang valid, estimasi model pengukuran dilakukan dua kali yaitu model pengukuran sebelum ada variabel
interaksi
dan
model
pengukuran
dengan
variabel
interaksi.Metode yang dipilih ada Maximum Likelihood (ML) 4) Uji kecocokan: merupakan pengujian kecocokan antara model dengan data. Pada tahap ini, dilakukan analisis hasil estimasi model pengukuran. Jika kecocokan model pengukuran sudah baik, maka bisa langsung dilanjutkan ke penambahan persamaan struktural sehingga menjadi model full/hybrid SEM. 5) Respesifikasi terkait hasil uji kecocokan model tahap sebelumnya. Strategi pemodelan yang digunakan dalam penelitian ini adalah model development strategy (Hair, dkk., 2010) yang menitikberatkan konfirmasi
model
terhadap
data
secara
fleksibel.
Setelah
direspesifikasi, beberapa model bisa diuji dengan data yang sama dengan tujuan mencari model yang cocok dengan data empiris yang parameter di dalamnya dapat diartikan dengan baik. Pada umumnya respesifikasi berdasarkan data driven walaupun theory driven lebih dianjurkan (Hair, dkk. 2010) 4.7.
Uji Efek Moderasi Efek moderasi menunjukkan interaksi antara variabel moderator dengan
variabel independen (prediktor) dalam mempengaruhi variabel dependen (Hartono dan Abdillah, 2009). Dengan kata lain, pengaruh variabel independen terhadap variabel dependen, dipengaruhi oleh variabel moderator. Efek moderasi, menurut
66
Baron & Kenny yang dikutip Hair, dkk. (2010), terjadi ketika variabel/konstruk ketiga mengubah hubungan antara dua variabel/konstruk terkait. Ada dua pendekatan untuk mengukur efek moderasi, pertama dengan metode multigroup analysis sebagaimana ditunjukkan Hair, dkk.(2010) dan yang kedua adalah interaction model approach. Multigroup atau multisampel dilakukan jika variabel moderator bertipe diskrit atau kategori. Pendekatan kedua digunakan ketika variabel moderator bertipe kontinyu. Secara teori, pendekatan model interaksi terbagi lagi menjadi dua, yaitu model indikator tunggal (single indikator) dan model indikator ganda (multiple indikator). 4.7.1. Model indikator ganda Model Kenny dan Judd Kenny dan Judd (1984) pertama kali mengusulkan teknik menghitung efek moderasi dengan teknik indicator ganda. Pada model ini, variable interaksi sebagai produk dari perkalian antara variable bebas dengan variable moderator, dibuat dengan mengalikan setiap indicator variable Be dengan setiap indicator variable Vl. Kedua variable laten memiliki masing-masing dua indicator. Pada contoh ini-dan contoh model interaksi selanjutnya- tidak dilakukan Model Generating (MG) tetapi hanya menggunakan Stricly Confirmatory (SC). Diagram lintasan dari model ini ditunjukkan oleh gambar berikut.
67
Sumber: Wijanto (2008)
Gambar 4.1. Model Kenny dan Judd Model Yang-Jonsson Yang-Jonsson (1998) dan Yang-Wallentin (2001) menyatakan bahwa ketika variabel-variabel laten yang berinteraksi diukur menggunakan pertanyaanpertanyaan dengan isu-isu yang sama, maka akan cukup “natural” untuk hanya menggunakan hasil perkalian dari indicator-indikator yang mempunyai isu yang sama, sebagai indicator-indikator dari variable interaksi yang terbentuk. Pada contoh model BEA, indicator BE1 dan VL1 mempunyai isu yang sama tentang time and effortin search for, gather and organize coupuns, sedangkan BE2 dan VL2 tentang time and effort to plan to use of and actually redeem coupuns in the supermarket. Dengan cara ini, terbentuk variable interaksi yang terdiri dari hanya dua indicator yaitu BE1VL1 dan BE2VL2.
68
Sumber: Wijanto (2008)
Gambar 4.2. Model Yang Johnson 4.7.2. Model indikator tunggal Model Interaksi Ping Model interaksi dengan indicator ganda seperti model Kenny dan Judd menjadi kurang praktis jika sebuah penelitian memiliki variable-variabel laten yang terdiri dari banyak variable teramati. Sebagai contoh jika variable laten A memiliki 7 variabel teramati dan variable laten B memiliki 8 variabel teramati, variable interaksi yang terbentuk akan memiliki variable teramati sebanyak 56 variabel. Ping (1995, 1998) telah meneliti teknik untuk menimisasi persoalan praktis di atas. Ia menyimpulkan bahwa jika pengukuran-pengukuran dari main effect construct cukup unidimensional, maka peneliti dapat mengadopsi satu dari beberapa prosedur untuk mengatasi kesulitan praktis tersebut. Dengan kata lain Ping mengusulkan indikator tunggal untuk variable interaksi sebagai ganti indikator ganda.
69
Sumber: Wijanto (2008)
Gambar 4.3. Indikator Tunggal Ping Sebelum dilakukan perhitungan nilai parameter-parameter variable interaksi, dilakukan centering terhadap variable-variabel teramati xi, x2, …xm, dan z1, z2, …zk. Centering sebuah indikator mengandung proses pengurangan nilai setiap kasus dengan nilai rerata (mean) dari indikator tersebut dan proses ini menghasilkan indikator dengan rerata sama dengan nol. Berikut merupakan diagram lintasan Model BEA teknik Ping:
Sumber: Wijanto (2008)
Gambar 4.4. Model Ping
70
Metode Joreskog Selain menggunakan model Ping (1995,1998) untuk memodelkan variable interaksi dengan teknik indicator tunggal, Latent Variabel Score (LVS) sebagai indicator tunggal untuk memodelkan variable interaksi. Yang Jonsson (1998), dalam membahas pemodelan interaksi dengan LISREL mengindikasikan adanya kemungkinan penggunaan factor score untuk memodelkan variable interaksi. Joreskog (1998) yang sependapat tentang adanya kemungkinan ini, menyarankan untuk diteliti lebih lanjut. Dengan menggunakan model BEA, Joreskog (2000) memberikan contoh pemodelan variable interaksi dengan LVS dan beberapa contoh lain yang dapat dilihat di Joreskog, dkk. (2006). Berbeda dengan teknik yang dilakukan Ping, pada model LVS Joreskog menetapkan muatan factor sama dengan 1 dan variance error sama dengan nol, seperti tampak pada gambar di bawah ini.
Sumber: Wijanto (2008)
Gambar 4.5. Indikator Tunggal Joreskog Jika ditampilkan dalam model BEA secara utuh maka akan tampak seperti gambar di bawah ini.
71
Sumber: Wijanto (2008)
Gambar 4.6. Model Joreskog Dari keempat teknik moderasi menggunakan pendekatan interaksi yang dipaparkan di atas, dapat ditarik kesimpulan bahwa teknik Kenny dan Judd kurang praktis untuk dipakai di penelitian ini. Sementara itu metode Yang Jonsson mutlak memerlukan kesamaan jumlah variabel teramati antarvariabel laten yang tidak bisa dipenuhi dalam penelitian ini. Selain itu, penentuan isu yang sama antara variabel moderator dengan variable laten, tidak bisa dipenuhi dalam penelitian ini. Pada teknik Ping, penggunaan indikator tunggal menyelesaikan masalah yang ada di pendekatan indikator ganda, hanya saja perhitungannya banyak karena melewati beberapa tahapan. Oleh karena itu, penelitian ini menggunakan teknik Joreskog dengan memanfaatkan LVS untuk menguji efek moderasi model. Alasannya, selain lebih praktis, perangkat LISREL 8.80 juga menyediakan fitur untuk menghitung LVS yang sering digunakan untuk estimasi CFA pada second order. Ditambah lagi,
72
metode Joreskog dan Ping memiliki kepekaan yang sama dalam menganalisis variable moderasi sebagaimana hasil penelitian Rahman, dkk.(2013) yang menyatakan: “Penelitian ini bertujuan untuk mengetahui kepekaan metode Ping dan Jöreskog dalam menganalisis variabel moderasi SEM. Berdasarkan tabel tersebut didapatkan 3 data yang mengandung variabel moderasi pada masing-masing metode, yaitu data 1, 2, dan 9. Dengan demikian kedua metode mempunyai kepekaan yang sama”. 4.8.
Analisis Korelasi Dimensi Analisis ini dilakukan dengan bantuan software SPSS 20. Tujuannya untuk
mengetahui dimensi-dimensi apakah pada variabel bebas dan variabel terikat yang berkorelasi paling tinggi dan signifikan. Selain itu juga sebagai analisis penjelas dari sudut pandang korelasi perdimensi dengan menitikberatkan pada temuan empiris dari SEM. Dengan demikian, korelasi antardimensi tetap tunduk dengan hasil SEM dimana dimensi yang tereliminasi karena indikatornya tidak valid juga tidak disertakan dalam analisis. Selain itu, jika variabel yang satu tidak berpengaruh terhadap variabel yang lain, maka tidak dilakukan korelasi antardimensi dari kedua variabel dimaksud. Untuk lebih memperjelas maksud penulis, pada tabel 4.5. di bawah ini disajikan korelasi perdimensi dari masing-masing variabel laten penelitian.
73
Tabel 4.5. Korelasi Antardimensi
Variabel Bebas
Variabel Terikat
Loyalitas
Layanan Layanan pendukung Inti (Y1) (Y2) rX1Y1 rX1Y2 rX2Y1 rX2Y2
rX1Y3 rX2Y3
rX1Y4 rX2Y4
rX3Y1
rX3Y2
rX3Y3
rX3Y4
rX4Y1
rX4Y2
rX4Y3
rX4Y4
Emphaty (X5)
rX5Y1
rX5Y2
rX5Y3
rX5Y4
Prosedural (X6)
rX6Y1
rX6Y2
rX6Y3
rX6Y4
Finansial (X7)
rX7Y1
rX7Y2
rX7Y3
rX7Y4
Relasional (X8)
rX8Y1
rX8Y2
rX8Y3
rX8Y4
Dimensi Tangibility (X1) Reliability (X2) Kualitas Layanan Responsiveness (X3) Assurance (X4)
Biaya Beralih
Kepuasan
Sikap (Y3)
Perilaku (Y4)
Sumber: Penelitian 2014
Koefisien korelasi yang terbentuk, ditafsirkan tingkat kekuatan hubungannya berdasarkan pembagian yang dibuat oleh Sugiyono (2006). Penafsiran tersebut sebagaimana tabel 4.6. di bawah ini:
Tabel 4.6 Interpretasi Koefisien Korelasi Koefisien korelasi
Interpretasi
0,00 - 0,199
Sangat rendah
0,20 - 0,399
Rendah
0,40 - 0,599
Sedang
0,60 - 0,799
Kuat
0,80 - 1,000
Sangat kuat Sumber: Sugiyono (2006)