ESIA SKRIPSI DEPOK. Analisis pengaruh..., Luky Hananto, FT UI, 2011

UNIVER RSITAS INDONE I ESIA

ANAL LISIS PEN NGARUH H FAKTO OR INOV VASI DAN N QUALIT TY OF F SERVIC CE TERH HADAP CUSTOME C ER LOYA ALTY DI METODE PERU USAHAA AN TELEKOMUN NIKASI DENGAN D STRU UCTURA AL EQUATION MO ODELIN NG

SKRIP PSI

LU UKY HAN NANTO 0706274 4804

AS TEKN NIK UNIV VERSITA AS INDON NESIA FAKULTA PRO OGRAM STUDI S TE EKNIK IN NDUSTR RI DEPO OK JUNI 2011

Analisis pengaruh ..., Luky Hananto, FT UI, 2011

UNIVER RSITAS INDONE I ESIA

ANAL LISIS PEN NGARUH H FAKTO OR INOV VASI DAN N QUALIT TY OF F SERVIC CE TERH HADAP CUSTOME C ER LOYA ALTY DI METODE PERU USAHAA AN TELEKOMUN NIKASI DENGAN D STRU UCTURA AL EQUATION MO ODELIN NG

SKRIP PSI Diajukan n sebagai saalah satu syyarat untuk k memperooleh gelar S Sarjana Teknik

L LUKY HAN NANTO

0706274 4804

FAKULTA AS TEKN NIK UNIV VERSITA AS INDON NESIA PRO OGRAM STUDI S TE EKNIK IN NDUSTR RI DEPO OK JUNI 2011


HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama

: Luky Hananto

NPM

: 0706274804

Tanda Tangan : Tanggal

: 20 Juni 2011

ii



KATA PENGANTAR

Syukur Alhamdulillah saya panjatkan kepada Allah SWT, karena hanya atas berkat dan rahmat-Nya, saya dapat menyelesaikan skripsi ini. Penyusunan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Teknik Jurusan Teknik Industri pada Fakultas Teknik Universitas Indonesia. Skripsi ini juga merupakan salah satu bagian dari penelitian yang dilakukan oleh dosen pembimbing, yaitu Bapak Ir. M. Dachyar, M.Sc. Saya menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi saya untuk menyelesaikan skripsi ini. Oleh karena itu, saya mengucapkan terima kasih kepada: 1. Bapak Ir. M. Dachyar, M.Sc, selaku dosen pembimbing skripsi atas seluruh bantuan, bimbingan, dan arahannya kepada saya. 2. Ibu Ir. Isti Surjandari Prajitno MT., MA., Ph.D. selaku pembimbing akademis atas dukungan dan nasehatnya selama masa kuliah. 3. Bapak Prof. Dr. Ir. Teuku Yuri M. Zagloel, MEngSc dan seluruh dosen pengajar Departemen Teknik Industri yang telah mengajarkan berbagai ilmu kepada saya. 4. Ardiansyah, S.T dan Dra. Farida Haryoko dari Universitas Indonesia atas seluruh dukungan, saran, dan masukannya. 5. Seluruh Staf Administrasi Departemen Teknik Industri yang tidak bisa saya sebutkan satu persatu, yang banyak membantu saya selama masa perkuliahan. 6. Seluruh keluarga, kedua orang tua, kakak, dan Indi Puspita atas semangat, do’a, dan dukungannya. 7. Dan seluruh rekan-rekan TI‘07 atas bantuan dan sarannya selama perkuliahan. Akhir kata, penulis berharap Allah SWT berkenan membalas segala kebaikan saudara-saudara semua dan semoga skripsi ini membawa manfaat bagi pengembangan ilmu. Depok, 20 Juni 2011

Penulis

iv


HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini:

Nama

: Luky Hananto

NPM

: 0706274804

Program Studi : Teknik Industri Departemen

: Teknik Industri

Fakultas

: Teknik

Jenis karya

: Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul : “Analisis Pengaruh Faktor Inovasi dan Quality of Service terhadap Customer Loyalty di Perusahaan Telekomunikasi dengan Metode Structural Equation Modeling” beserta perangkat yang ada (bila diperlukan). Dengan Hak Bebas Royalti NonEkslusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelolanya dalam bentuk pangkalan data (database), merawat, dan memublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : 20 Juni 2011 Yang menyatakan

(Luky Hananto)

v


ABSTRAK Nama : Luky Hananto Program Studi : Teknik Industri Judul : Analisis Pengaruh Faktor Inovasi dan Quality of Service terhadap Customer Loyalty di Perusahaan Telekomunikasi dengan Metode Structural Equation Modeling Penelitian ini bertujuan untuk mengetahui pengaruh faktor-faktor inovasi dan quality of service terhadap loyalitas pelanggan pada PT Indosat Tbk., PT Telkomsel, dan PT XL Axiata. Faktor inovasi yang digunakan yaitu inovasi produk, layanan, teknologi, dan pemasaran. Faktor quality of service yang digunakan yaitu kualitas jaringan, jangkauan, kejernihan suara, data transfer, dan customer service. Sedangkan loyalitas pelanggan tersusun dari beberapa variabel, yaitu customer expectation, perceived value, corporate image, perceived ease of use, customer satisfaction, customer trust, customer commitment, customer complaint, dan customer loyalty. Dengan menggunakan Structural Equation Modeling (SEM) didapatkan bahwa ternyata faktor inovasi dan quality of service tidak memiliki pengaruh langsung yang signifikan terhadap loyalitas pelanggan, namun tetap memiliki pengaruh tidak langsung yang signifikan melalui pengaruhnya terhadap loyalitas, melalui anteseden seperti customer commitment, customer trust, dan customer satisfaction. . Kata Kunci: Inovasi, quality of service, kepuasan pelanggan, loyalitas pelanggan, customer relationship management, structural equation modeling, telekomunikasi

vi Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

ABSTRACT Name : Luky Hananto Study Program : Industrial Engineering Title : The Effect Analysis of Innovation and Quality of Service Factors to Customer Loyalty in Indonesian Telecommunication Company by using Structural Equation Modeling Method This study aimed to investigate the influence of innovation and quality of service factors to customer loyalty in the telecommunication companies. Telecommunication companies which become object of the research is PT Indosat Tbk., PT Telkomsel, and PT XL Axiata. Innovation factors which used are being viewed from product, service, technology, and marketing innovation. Quality of service factors which used are being viewed from network, coverage, voice limpidity, data transfer rate, and customer service quality. While customer loyalty is composed of several antecedents, namely customer expectation, perceived quality, perceived value, corporate image, perceived ease of use, customer satisfaction, customer trust, customer commitment, customer complaint, and customer loyalty. Structural Equation Modeling (SEM) using showed that in fact innovation factors has no significant direct influence on customer loyalty, but still has indirect effect through its influence on the antecedents of loyalty, as customer commitment, customer trust, and customer satisfaction.

Key Words: Innovation, quality of service, customer satisfaction, customer loyalty, customer relationship management, structural equation modeling, telecommunication

vii Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

DAFTAR ISI HALAMAN JUDUL................................................................................................ i HALAMAN PERNYATAAN ORISINALITAS.................................................... ii HALAMAN PERSETUJUAN ............................................................................... iii KATA PENGANTAR ........................................................................................... iv LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ................................................................v ABSTRAK ............................................................................................................. vi ABSTRACT .......................................................................................................... vii DAFTAR ISI ........................................................................................................ viii DAFTAR GAMBAR ............................................................................................. xi DAFTAR TABEL ................................................................................................ xiii BAB 1 PENDAHULUAN ......................................................................................1 1.1 Latar Belakang ...................................................................................................1 1.1.1 Pentingnya Quality of Service, Inovasi, dan Loyalitas Pelanggan...........3 1.2 Diagram Keterkaitan Masalah ...........................................................................4 1.3 Perumusan Masalah ...........................................................................................5 1.4 Tujuan Penelitian ...............................................................................................6 1.5 Batasan Permasalahan ........................................................................................6 1.6 Metodologi Penelitian ........................................................................................7 1.7 Sistematika Penulisan ......................................................................................11 BAB 2 TINJAUAN PUSTAKA ...........................................................................12 2.1 Customer Relationship Management ...............................................................12 2.2 Customer Satisfaction ......................................................................................17 2.3 Customer Loyalty .............................................................................................19 2.4 Quality of Service .............................................................................................22 2.5 Inovasi ..............................................................................................................22 2.6 Hubungan Antara Inovasi, Kepuasan Pelanggan, dan Loyalitas Pelanggan ....25 2.7 Langkah Rancangan Penelitian ........................................................................28 2.7.1 Desain Kuesioner ...................................................................................29 2.7.2 Skala Data dan Pengukuran ...................................................................31 2.7.2.1 Jenis-Jenis Skala Data ...............................................................31 2.7.2.2 Skala Likert................................................................................32 2.7.3 Metode Sampling ...................................................................................32 2.8 Uji Reliabilitas dan Uji Validitas .....................................................................34 2.8.1 Uji Reliabilitas .......................................................................................34 2.8.2 Uji Validitas ...........................................................................................35 2.9 Model Strukutral ..............................................................................................36 2.10 Model Persamaan Struktural (Structural Equation Modeling) ......................38 2.10.1 Overview dan Perkembangan Penggunaan SEM .................................34 2.10.2 Konsep Dasar SEM ..............................................................................34 2.10.2.1 Variabel dalam SEM ...............................................................31 2.10.2.1 Model dalam SEM ...................................................................31 2.10.2.3 Kesalahan yang terjadi dalam SEM.........................................45

viii Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

2.10.2.4 Bentuk Umum SEM ................................................................48 2.10.2.5 Model Lintasan ........................................................................51 2.10.2.6 Confirmatory Factor Analysis (CFA) ......................................51 2.10.2.7 Direct, Indirect, dan Total Effect.............................................52 2.10.3 Langkah Analisis SEM ........................................................................53 2.10.3.1 Perbedaan Orientasi SEM dan Analisis Multivariat ................53 2.10.3.2 Hipotesis Fundamental ............................................................53 2.10.3.3 Tahapan dalam Prosedur SEM ................................................54 2.10.3.4 Spesifikasi Model ....................................................................55 2.10.3.5 Identifikasi Model....................................................................56 2.10.3.6 Estimasi Model ........................................................................57 2.10.3.7 Uji Kecocokan Model ..............................................................59 2.10.3.8 Respesifikasi Model ................................................................63

BAB 3 PENGUMPULAN DAN PENGOLAHAN DATA ................................65 3.1 Profil Perusahaan .............................................................................................65 3.1.1 Profil Perusahaan PT Telkomsel. ..........................................................65 3.1.2 Profil Perusahaan PT XL Axiata ...........................................................66 3.1.3 Profil Perusahaan PT Indosat. ...............................................................67 3.1.4 Corporate Social Responsibility (CSR).................................................68 3.2 Desain, Jenis, dan Populasi Penelitian .............................................................69 3.2.1 Desain dan Jenis Penelitian ...................................................................69 3.2.2 Populasi dan Sampel Penelitian.............................................................69 3.3 Model dan Hipotesis Awal Penelitian ..............................................................70 3.4 Definisi Operasional Variabel Penelitian .........................................................73 3.4.1 Pendefinisian Dimensi Inovasi ..............................................................73 3.4.2 Pendefinisian Dimensi Quality of Service (Perceived Quality) ............74 3.4.3 Pendefinisian Variabel Teramati Keseluruhan Variabel Pengukuran ...75 3.5 Penyusunan dan Penyebaran Kuesioner ..........................................................79 3.5.1 Bentuk Umum Kuesioner ......................................................................79 3.5.2 Penentuan Skala Pengukuran Kuesioner ...............................................80 3.5.3 Penyebaran Kuesioner ...........................................................................80 3.5.3.1 Uji Reliabilitas Kuesioner Awal ................................................81 3.5.3.2 Uji Kecukupan Sampel Kuesioner.............................................85 3.5.3.3 Uji Reliabilitas Kuesioner Sesuai Kecukupan Data ..................86 3.5.3.4 Uji Validitas Keseluruhan Kuesioner ........................................86 3.6 Pengolahan Data Kuesioner .............................................................................91 3.6.1 Stratifikasi Responden ...........................................................................91 3.6.2 Statistik Deskriptif Tingkat Kepuasan dan Kesetujuan Pelanggan .......94 3.6.2.1 Statistik Deskriptif Tingkat Kepuasan Pelanggan .....................95 3.6.2.2 Statistik Deskriptif Tingkat Kesetujuan Pelanggan .................100 3.6.3 Normalitas Data Kepuasan dan Kesetujuan Pelanggan .......................103 3.7 Pengolahan Data dengan Structural Equation Modeling (SEM) ...................105 3.7.1 Spesifikasi Model ................................................................................105 3.7.2 Identifikasi Model................................................................................109 3.7.3 Estimasi Model ....................................................................................109 3.7.4 Uji Kecocokan dan Respesifikasi Model.............................................110

ix Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

3.7.4.1 Uji Kecocokan dan Respesifikasi Model Pengukuran.............110 3.7.4.2 Uji Kecocokan dan Respesifikasi Model Struktural ................113 BAB 4 ANALISIS DATA ..................................................................................118 4.1 Analisis Pengaruh Atribut Dimensi Inovasi dan Quality of Service terhadap Loyalitas Pelanggan .......................................................................................118 4.1.1 Analisis Model Pengukuran Atribut Dimensi Inovasi .........................118 4.1.2 Analisis Model Pengukuran Dimensi Quality of Service ....................121 4.1.3 Analisis Model Pengukuran 9 Variabel Model Loyalitas Pelanggan ..123 4.1.4 Analisis Model Struktural Keseluruhan ..............................................129 BAB 5 KESIMPULAN ......................................................................................136 DAFTAR REFERENSI .....................................................................................137

x Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

DAFTAR GAMBAR Gambar 1.1 Gambar 1.2 Gambar 1.3 Gambar 1.4 Gambar 2.1 Gambar 2.2 Gambar 2.3 Gambar 2.4 Gambar 2.5 Gambar 2.6 Gambar 2.7 Gambar 2.8 Gambar 2.9 Gambar 2.10 Gambar 2.11 Gambar 2.12 Gambar 2.13 Gambar 2.14 Gambar 2.15 Gambar 2.16 Gambar 2.17 Gambar 2.18 Gambar 2.19 Gambar 2.20 Gambar 2.21 Gambar 2.22 Gambar 2.23 Gambar 2.24 Gambar 2.25 Gambar 2.26 Gambar 2.27

Jumlah Pelanggan 3 Operator Seluler Terbesar di Indonesia ...........2 Diagram Keterkaitan Masalah ..........................................................5 Diagram Alir Metode Penelitian ......................................................9 Diagram Alir Metode Penelitian (sambungan)...............................10 Konsep Awal CRM ........................................................................12 Konsep Lanjutan Perkembangan CRM ..........................................13 Aktivitas Kegiatan CRM ................................................................13 Elemen-elemen Customer Relationship Management ...................14 Company-Centric BSC vs Customer-Centric BSC ........................15 Pengukuran Customer Knowledge .................................................16 Pengukuran Customer Interaction ..................................................16 Pengukuran Customer Value ..........................................................17 Pengukuran Customer Satisfaction.................................................19 Integrative Framework Loyalitas Pelanggan .................................26 Model Pengaruh Inovasi Terhadap Loyalitas Pelanggan ...............26 Model Loyalitas Pelanggan Perusahaan Asuransi di Yunani .........27 Model Pengaruh Inovasi Terhadap Loyalitas Pelanggan ...............28 Model Pengaruh Kualitas Terhadap Loyalitas Pelanggan..............29 Contoh Sederhana Model Struktural antara Supervisor .................37 Contoh Model Struktural ................................................................44 Reciprocal Causation .....................................................................44 Unanalyzed Association .................................................................44 Notasi Matematik Model Struktural Gambar 2.16 .........................44 Model Pengukuran..........................................................................45 Notasi Matematik Model Pengukuran Gambar 2.20 ......................45 Kesalahan Struktural ......................................................................46 Notasi Matematik Kesalahan Struktural Gambar 2.22 ...................46 Diagram Lintasan Kesalahan Pengukuran......................................47 Notasi Matematik Kesalahan Pengukuran Gambar 2.24 ................48 Diagram Lintasan Full atau Hybrid Model ....................................48 Notasi Matematik Full atau Hybrid Model ....................................48

Gambar 3.1 Gambar 3.2 Gambar 3.3 Gambar 3.4 Gambar 3.5 Gambar 3.6 Gambar 3.7 Gambar 3.8 Gambar 3.9 Gambar 3.10 Gambar 3.11 Gambar 3.12 Gambar 3.13 Gambar 3.14

Model Awal Penelitian ...................................................................71 Pie Chart Jenis Kelamin Responden ..............................................93 Pie Chart Usia Responden .............................................................93 Pie Chart Tempat Tinggal Responden ...........................................94 Pie Chart Tingkat Pendidikan Responden .....................................95 Pie Chart Status Pernikahan Responden ........................................96 Pie Chart Operator Selular GSM yang digunakan Responden ......97 Pie Chart Pertimbangan Pemilihan Provider .................................97 Pie Chart Tujuan Penggunaan Operator Seluler ............................98 Pie Chart Pengeluaran Pulsa Bulanan oleh Responden .................99 Pie Chart Metode Pengisian yang dilakukan Responden ............100 Bar Chart Rata-rata Pernyataan Kesetujuan Pelanggan ...............101 Bar Chart Standar Deviasi Pernyataan Kesetujuan Pelanggan ....102 Program SIMPLIS untuk Model Pengukuran ..............................111 xi Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

Gambar 3.15 Gambar 3.16 Gambar 3.17 Gambar 3.18 Gambar 3.19 Gambar 3.20 Gambar 3.21 Gambar 3.22 Gambar 3.23 Gambar 3.24 Gambar 3.25 Gambar 3.26 Gambar 4.1 Gambar 4.2 Gambar 4.3 Gambar 4.4

Output t-value Model Pengukuran ...............................................112 Program SIMPLIS untuk Hubungan Struktural ...........................114 Path Diagram t-value pada Model Hybrid ...................................115 Program SIMPLIS untuk Model Pengukuran ............................108 Output t-value Model Pengukuran ...............................................109 Output Standardized Loading Factor Model Pengukuran .......... 110 Output t-value Model Pengukuran Setelah Uji Validasi ..............111 Output Standardized Loading Factor Model Pengukuran Setelah Uji Validasi ...................................................................................112 Program SIMPLIS untuk Hubungan Struktural ...........................116 Path Diagram t-value pada Model Hybrid ...................................117 Program SIMPLIS untuk Hubungan Struktural (Setelah Respesifikasi) ...............................................................................118 Path Diagram t-value pada Model Hybrid Setelah Respesifikasi Model............................................................................................122 t-value Variable Laten pada Model Struktural .............................130 Path Diagram Variable Laten pada Model Struktural .................131 Standardized Solution dari tiap variable teramati pada Model Struktural ......................................................................................132 Path Diagram Baru Pengaruh Variabel Inovasi dan Kualitas terhadap Loyalitas Pelanggan Pada Model Struktural .................135

xii Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

DAFTAR TABEL Tabel 2.1 Tabel 2.2 Tabel 2.3 Tabel 2.4 Tabel 2.5 Tabel 3.1 Tabel 3.2 Tabel 3.3 Tabel 3.4 Tabel 3.5 Tabel 3.6 Tabel 3.7 Tabel 3.8 Tabel 3.9 Tabel 3.10 Tabel 3.11 Tabel 3.12 Tabel 3.13 Tabel 3.14 Tabel 3.15 Tabel 3.16 Tabel 3.17 Tabel 3.18 Tabel 3.19 Tabel 3.20 Tabel 3.21 Tabel 3.22 Tabel 3.23 Tabel 3.24 Tabel 3.25 Tabel 3.26 Tabel 3.27 Tabel 3.28 Tabel 3.29 Tabel 3.30 Tabel 3.31 Tabel 3.32 Tabel 3.33 Tabel 3.34 Tabel 3.35 Tabel 3.36 Tabel 3.37 Tabel 3.38 Tabel 3.39

Perbedaan CRM dengan Marketing ....................................................14 Model Umum SEM .............................................................................50 Model Umum SEM (Sambungan) ......................................................50 Perbandingan Ukuran-ukuran GOF ....................................................61 Perbandingan Ukuran-ukuran GOF (Sambungan) ..............................62 Atribut Pengukuran Dimensi Variabel Inovasi ...................................74 Atribut Pengukuran Dimensi Variabel Quality of Service ..................74 Variabel Teramati dari Variabel Inovasi .............................................75 Variabel Teramati dari Variabel Perceived Quality............................76 Variabel Teramati dari Variabel Model Loyalitas Pelanggan.............77 Variabel Teramati dari Variabel Model Loyalitas Pelanggan (Sambungan) .......................................................................................78 Variabel Teramati dari Variabel Loyalitas Pelanggan ........................79 Dimensi Pengukuran yang digunakan dalam Penilaian Respon Pelanggan terhadap Operator Seluler yang digunakan .......................80 Hasil Uji Reliabilitas Inovasi Produk 46 Kuesioner Awal..................82 Hasil Uji Reliabilitas Inovasi Proses 46 Kuesioner Awal ...................82 Hasil Uji Reliabilitas Inovasi Teknologi 46 Kuesioner Awal .............82 Hasil Uji Reliabilitas Inovasi Pemasaran 46 Kuesioner Awal ............82 Hasil Uji Reliabilitas Perceived Value 46 Kuesioner Awal................82 Hasil Uji Reliabilitas Kualitas Jaringan 46 Kuesioner Awal ..............83 Hasil Uji Reliabilitas Kualitas Jangkauan 46 Kuesioner Awal ...........83 Hasil Uji Reliabilitas Kualitas Kejernihan Suara 46 Kuesioner Awal 83 Hasil Uji Reliabilitas Kualitas Data Transfer Rate 46 Kuesioner ......83 Hasil Uji Reliabilitas Kualitas Customer Service 46 Kuesioner .........83 Hasil Uji Reliabilitas Customer Expectation 46 Kuesioner Awal ......83 Hasil Uji Reliabilitas Corporate Image 46 Kuesioner Awal ..............84 Hasil Uji Reliabilitas Perceived Ease of Use 46 Kuesioner Awal ......84 Hasil Uji Reliabilitas Customer Satisfaction 46 Kuesioner Awal.......84 Hasil Uji Reliabilitas Customer Trust 46 Kuesioner Awal .................84 Hasil Uji Reliabilitas Customer Complaints 46 Kuesioner Awal .......84 Hasil Uji Reliabilitas Customer Commitment 46 Kuesioner Awal .....84 Hasil Uji Reliabilitas Attitudinal Loyalty 46 Kuesioner Awal ............85 Hasil Uji Reliabilitas Behavioral Loyalty 46 Kuesioner Awal ...........85 Hasil Uji Reliabilitas Variabel Keseluruhan Kuesioner......................86 Hasil Uji Validitas untuk Variabel Inovasi Produk.............................87 Hasil Uji Validitas untuk Variabel Inovasi Proses ..............................87 Hasil Uji Validitas untuk Variabel Inovasi Teknologi ........................87 Hasil Uji Validitas untuk Variabel Inovasi Pemasaran .......................87 Hasil Uji Validitas untuk Variabel Perceived Value...........................88 Hasil Uji Validitas untuk Variabel Kualitas Jaringan .........................88 Hasil Uji Validitas untuk Variabel Kualitas Jangkauan ......................88 Hasil Uji Validitas untuk Variabel Kualitas Kejernihan Suara ...........88 Hasil Uji Validitas untuk Variabel Kualitas Data Transfer Rate .......88 Hasil Uji Validitas untuk Variabel Kualitas Customer Service ..........89 Hasil Uji Validitas untuk Variabel Customer Expectation .................89 xiii Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

Tabel 3.40 Tabel 3.41 Tabel 3.42 Tabel 3.43 Tabel 3.44 Tabel 3.45 Tabel 3.46 Tabel 3.47 Tabel 3.48 Tabel 3.49 Tabel 3.50 Tabel 3.51 Tabel 3.52 Tabel 3.53 Tabel 3.54 Tabel 3.55 Tabel 3.56 Tabel 3.57 Tabel 3.58 Tabel 3.59 Tabel 3.60 Tabel 3.61 Tabel 3.62 Tabel 3.63 Tabel 3.64 Tabel 3.64 Tabel 4.1 Tabel 4.2 Tabel 4.3 Tabel 4.4 Tabel 4.5 Tabel 4.6 Tabel 4.7 Tabel 4.8 Tabel 4.9 Tabel 4.10

Hasil Uji Validitas untuk Variabel Corporate Image .........................89 Hasil Uji Validitas untuk Variabel Perceived Ease of Use .................89 Hasil Uji Validitas untuk Variabel Customer Satisfaction..................89 Hasil Uji Validitas untuk Variabel Customer Trust ............................90 Hasil Uji Validitas untuk Variabel Customer Complaints ..................90 Hasil Uji Validitas untuk Variabel Customer Commitment ................90 Hasil Uji Validitas untuk Variabel Attitudinal Loyalty .......................90 Hasil Uji Validitas untuk Variabel Behavioral Loyalty ......................90 Hasil Uji Validitas Variabel Keseluruhan Kuesioner .........................91 Rekapitulasi Jenis Kelamin Responden ..............................................92 Rekapitulasi Usia Responden ..............................................................93 Rekapitulasi Tempat Tinggal Responden ...........................................94 Rekapitulasi Tingkat Pendidikan Responden......................................95 Rekapitulasi Status Pernikahan Responden ........................................95 Rekapitulasi Operator Selular GSM yang digunakan Responden ......96 Rekapitulasi Pertimbangan Pemilihan Provider..................................97 Rekapitulasi Tujuan Penggunaan Tujuan Penggunaan Operator Seluler ..................................................................................98 Rekapitulasi Pengeluaran Pulsa Bulanan oleh Responden .................99 Rekapitulasi Metode Pengisian Pulsa yang dilakukan Responden ...100 Hasil Uji Normalitas Data .................................................................103 Hasil Uji Normalitas Data (Sambungan) ..........................................104 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel .......106 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel (Sambungan) .....................................................................................107 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel (Sambungan) .....................................................................................108 Goodness of Fit Model Struktural .....................................................116 Goodness of Fit Model Struktural .....................................................116 Output Model Pengukuran Atribut Dimensi Inovasi ........................119 Output Model Pengukuran Atribut Dimensi Quality of Service .......121 Output Model Pengukuran Atribut Dimensi Quality of Service (Sambungan) .....................................................................................122 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas.......123 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (sambungan) ......................................................................................124 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (sambungan) ......................................................................................125 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (sambungan) ......................................................................................126 Nilai Loading Factor Variabel Teramati ..........................................132 Nilai Loading Factor Variabel Teramati (sambungan) ....................133 Nilai Loading Factor Variabel Teramati (sambungan) ....................134

xiv Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

BAB 1 PENDAHULUAN

1.1

Latar Belakang Pertumbuhan industri telekomunikasi di Indonesia pada tahun 2011 di

prediksi akan terus meningkat. Seiring dengan semakin bertambahnya jumlah produk

dan

inovasi

yang

ditawarkan

oleh

masing-masing

operator

telekomunikasi, persaingan antar operator telekomunikasi di Indonesia pun akan semakin pesat pula. Hal ini ditandai juga dengan meningkatnya jumlah pelanggan dari masing-masing operator telekomunikasi di Indonesia. Jumlah pelanggan PT XL Axiata Tbk, misalnya, hingga kuartal III-2010 sudah mencapai 38,5 juta. Jumlah ini meningkat 44% di banding periode sama tahun lalu. Jumlah pelanggan XL itu tidak terpaut jauh dari Indosat yang pada periode sama mencatat pelanggan sebanyak 39,7 juta. Sementara di posisi puncak, posisi Telkomsel belum tergeser di urutan pertama dengan jumlah pelanggan sebanyak 94 juta dari tahun sebelumnya 82 juta. Sedangkan pada operator Indosat, akhir tahun 2010 menargetkan jumlah pelanggan mencapai 40 juta, tapi target itu sudah lebih dulu tercapai pada akhir Oktober 2010. Dari segi infrastruktur pendukung jaringan telekomunikasi seluler di Indonesia, masing operator telekomunikasi terus menambah jumlah stasiun pemancarnya. Stasiun pemancar yang dimiliki XL malah sudah melebihi pemancar yang dimiliki Indosat. Hingga kuartal III-2010, XL memiliki 21.623 pemancar, sedangkan Indosat hanya memiliki 17.372 pemancar.

1 Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

2

Jumlaah Pelanggan n 3 Operator Seluler Terbesar d di Indonesia

JJumlah Pelanggan l hP l (dalam juta)

120 100 80 60 40

XL Indosat Telkomsel

20 0 2007

2 2008

20 009

2010

XL

15.5

26

31 1.4

40.1 1

Targett 2011 44

Indosat

24.5

3 36.5

33 3.1

42

44.7

Telkomsel

47.8

6 65.3

8 82

95

115

Gam mbar 1.1 Jum mlah Pelangggan 3 Operrator Seluler Terbesar ddi Indonesiaa Sum mber : Sumbber: Media In ndonesia (M Maret 2011)

Baahkan, Mannajer Frost & Sullivan n Eugene van v de Weeerd mengaatakan bahwa passar telekom munikasi seluular indoneesia telah menunjukkan m n kemajuan yang signifikann dalam limaa tahun teraakhir, terlihaat hingga akkhir 2008 teerdapat lebih h dari 150 juta mobile devvice (peranggkat bergerrak) aktif di d pasaran dan pendaapatan m (Meedia Indonessia, 2009) industri tuumbuh hamppir US$80 milyar. Meeskipun teerdapat peerkiraan melambatnya m a perkembbangan ind dustri telekomunnikasi sebaggai akibat dari tekanaan krisis keeuangan gloobal pada tahun 2009, nam mun pasar industri i teleekomunikassi di dalam negeri massih menjanjjikan. Jumlah peenduduk Inndonesia yaang mencap pai 240 juuta orang m merupakan pasar potensial bagi perkembangan inndustri teleekomunikasii apalagi iindustri ini telah k yaang sangat mendasar m pada p saat inii. (Bisnisukm m, 2009) menjadi kebutuhan Peerkembangaan pasar ini juga j tak lup put dari penningkatan pengguna intternet dunia. Daari data Intternet Worlld Stats yaang diperbaarui per Junni 2009, ju umlah pengguna internet di d dunia diperkirakan n 1,66 miliiar orang ((24,7%) deengan 6 miliar orang. Daari data Inteernet Worlld Stats itu juga perkiraan populasi 6,76 ngguna inteernet yang tterbesar. Daari 20 dicantumkkan 20 negaara dengan jumlah pen negara ituu jumlah pengguna p innternet dipeerkirakan 1,27 1 miliar orang (29 9,5%). (Kompas, 2010) u ke-115. Dari ju umlah Daari 20 negara itu, Inndonesia menempati urutan populasi sekitar 2400 juta oranng, penggun na internet di Indonesia diperkirakan buhan jumlaah penggunna internet yang mencapai 25 juta orrang. Dengaan pertumb besar

paada

masa-masa

menndatang,

kebutuhan k

akan

prooduk

tekn nologi

Univ versitas Indo onesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

3

telekomunikasi yang inovatif, berkecepatan tinggi, dan layanan yang variatif pun akan semakin besar. Sehingga, kompetisi perusahaan penyedia solusi jaringan telekomunikasi, termasuk operator telekomunikasi pun semakin ketat untuk meraih konsumen dan memberikan layanan yang prima. Saat ini Indonesia mempunyai 11 buah operator atau provider, yaitu Telkom, Telkomsel, Indosat, Bakrie Telecom, XL Axiata, Mobile-8, Smart, Sampoerna TI, NTS dan Hutchinson. Dari sebelas operator tersebut, sebagian besar market share pasar telekomunikasi GSM dipegang oleh tiga operator utama, yaitu Telkomsel, Indosat dan XL Axiata. Ditambah lagi, dengan perkembangan teknologi komunikasi yang semakin pesat menyebabkan penyerapan pasar Indonesia semakin intensif. Bahkan, dengan berkembangnya berbagai macam teknologi seperti 3G, WiMax, dan Modem persaingan tidak lagi berfokus kepada perang tarif, namun sudah berfokus kepada kualitas layanan dan keunggulan inovasi yang diberikan. Akibat dari pasar yang kompetitif ini adalah tingginya angka churn rate. Churn rate merupakan tingkat perpindahan pelanggan dari satu operator telekomunikasi ke operator lain. Hal ini mengakibatkan menurunnya jumlah ratarata pendapatan yang diterima operator, karena pelanggannya sering berganti operator atau membagi penggunaan ponsel ke beberapa operator. Efek lain yang timbul adalah menurunnya tingkat ARPU (Average Revenue Per Unit) dari operator telekomunikasi seluler di Indonesia. Berbagai macam inovasi layanan (tarif murah, layanan internet murah, paket internet unlimited, RBT variatif, paket pulsa variatif, 3G, blackberry, dan e-payment) yang bertujuan untuk meningkatkan pangsa pasar, memberikan dampak negatif dengan menurunnya tingkat ARPU dari operator sendiri. Kondisi ini menyebabkan keadaan yang kurang optimal, karena walaupun mampu meningkatkan pangsa pasar, pendapatan yang dihasilkan tidak sebanding dengan itu.

1.1.1

Pentingnya Quality of Service, Inovasi, dan Loyalitas Pelanggan Di era perkembangan teknologi dan telekomunikasi seperti sekarang,

pelanggan tidak hanya melihat keunggulan sebuah provider telekomunikasi berdasarkan tarif yang ditawarkan, melainkan juga dari kualitas layanan (quality

Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

4

of service) serta inovasi yang diberikan provider. Faktor-faktor tersebut akan mempengaruhi tingkat kepuasan yang diterima setiap pelanggan. Dalam pasar yang kompetitif seperti sekarang, dimana kompetitor semakin banyak dan kemampuan teknologi semakin maju, sangat susah untuk mempertahankan keunggulan kompetitif (competitive advantage) perusahaan. Karena kompetitor akan selalu melakukan imitasi terhadap strategi dan produk perusahaan berhasil di pasaran.1 Layanan yang inovatif, berkelanjutan, serta memperhatikan kebutuhan dan ekspektasi pelanggan merupakan jalan bagi perusahaan telekomunikasi, yang pada akhirnya akan meningkatkan pendapatan yang dihasilkan. Dengan selalu melakukan inovasi yang efektif, perusahaan telekomunikasi dapat menjadi market leader dan dapat menjaga keunggulan kompetitifnya, sehingga tercipta sustainable competitive advantage. Selain itu, dengan memberikan layanan yang inovatif, yang dapat memenuhi kebutuhan dan ekspektasi pelanggan, perusahaan telekomunikasi dapat meningkatkan kepuasan pelanggan, yang selanjutnya akan berdampak kepada loyalitas pelanggan terhadap produk dan layanan yang diberikan oleh perusahaan telekomunikasi atau biasa disebut operator seluler. Bahkan, hal ini memungkinkan terjadinya loyalitas terhadap perusahaan itu sendiri, bukan hanya terhadap brand yang dihasilkan. Inovasi, quality of service, kepuasan dan loyalitas pelanggan merupakan variabel yang sulit diukur secara langsung, yang sering disebut sebagai latent variable, maka untuk menganalisisnya perlu menggunakan metode Structural Equation Modeling (SEM). Dalam SEM, variabel yang tidak dapat diukur secara langsung akan dijelaskan oleh beberapa indikator (manifest variable) yang akan diteliti secara langsung melalui survey yang dilakukan kepada responden.

1.2

Diagram Keterkaitan Masalah Berikut ini merupakan diagram keterkaitan masalah dari penelitian ini.

Diagram ini memberikan informasi mengenai latar belakang permasalahan, perumusan masalah, dan tujuan serta solusi yang diharapkan dari penelitian ini. 1 White, Margaret A & Burton, Garry D (2007). “The Management of Technology and Innovation: A Strategic Approach”, Thomson South-Western, Hal. 328.


5 Market share & pendapatan perusahaan telekomunikasi meningkat

Model bisnis inovasi dan kualitas layanan yang efektif dengan memperhatikan kebutuhan serta ekspektasi pelanggan

Kepuasan dan loyalitas pelanggan meningkat

Faktor-faktor inovasi dan kualitas layanan yang signifikan terhadap tingkat kepuasan dan loyalitas pelanggan Analisis faktor-faktor inovasi dan kualitas layanan yang berpengaruh terhadap peningkatan kepuasan dan loyalitas pelanggan pada perusahaan telekomunikasi dengan metode Structural Equation Modeling (SEM)

Diperlukan analisis inovasi dan kualitas layanan yang efektif dan dapat meningkatkan kepuasan serta loyalitas pelanggan

Semakin sulit mempertahankan keunggulan kompetitif perusahaan di dalam keadaan persaingan dalam industri telekomunikasi yang semakin tinggi Rendahnya tingkat kepuasan dan loyalitas pelanggan

Pendapatan perusahaan menurun

Perlunya analisis tentang inovasi dan kebutuhan pelanggan akan layanan dari operator telekomunikasi

Jumlah pengguna layanan jasa pada perusahaan telekomunikasi menurun

Pelanggan berpindah ke penyedia layanan telekomunikasi yang lain

Tidak tercapainya tingkat loyalitas pelanggan yang tinggi

Produk/Layanan yang diberikan kepada pelanggan tidak dapat memenuhi kebutuhan pelanggan secara keseluruhan

Pelanggan tidak puas dengan layanan yang diberikan

Layanan koneksi tidak stabil

Layanan kualitas suara yang kurang jernih

Kurangnya aktivitas inovasi dalam memenuhi kebutuhan pelanggan

Gambar 1.2 Diagram Keterkaitan Masalah

1.3

Perumusan Masalah Dari uraian latar belakang dan diagram keterkaitan di atas, dapat

disimpulkan bahwa pokok permasalahan yang akan dibahas dalam penelitian ini adalah analisis tentang faktor-faktor inovasi dan quality of service serta


6

pengaruhnya terhadap tingkat kepuasan dan loyalitas pelanggan pada perusahaan telekomunikasi dengan menggunakan metode Structural Equation Modeling.

1.4

Tujuan Penelitian Tujuan dari penelitian ini adalah untuk memperoleh faktor-faktor inovasi

dan quality of service yang berpengaruh terhadap peningkatan loyalitas pelanggan, serta untuk mendapatkan model keterkaitan faktor-faktor inovasi, quality of service, dan faktor lain yang efektif meningkatkan loyalitas sesuai dengan kebutuhan dan ekspektasi pelanggan sebagai langkah peningkatan market share dan pendapatan perusahaan agar terjaganya keunggulan kompetitif perusahaan.

1.5

Batasan Permasalahan Dalam melakukan penelitian ini, dilakukan pembatasan masalah agar

penelitian lebih terfokus dan hasil yang didapatkan sesuai dengan tujuan awal yang telah dirumuskan. Adapun penelitian ini akan dilakukan dengan batasan sebagai berikut: 1. Penelitian hanya dilakukan pada pelanggan operator telekomunikasi seluler yang berada di daerah Jabodetabek. 2. Perusahaan Telekomunikasi yang dijadikan objek penelitian adalah tiga operator telekomunikasi dengan jumlah pelanggan terbesar di Indoneisa yaitu Telkomsel, Indosat, dan XL. 3. Dimensi inovasi yang digunakan dalam penelitian ini berdasarkan pada dimensi inovasi yang diperkenalkan oleh Rogers (1995). 4. Indikator quality of service berdasarkan Peraturan Menteri Komunikasi dan Informatika

Tahun

2007

Tentang

Standar

Wajib

Kinerja

Operasi

Penyelenggaraan Jaringan dan Jasa Telepon Bergerak Selular. 5. Hasil dari penelitian ini adalah signifikansi dan pengaruh faktor-faktor inovasi dan quality of service serta variabel lain terhadap loyalitas pelanggan operator telekomunikasi seluler.


7

1.6

Metodologi Penelitian

Dalam penelitian ini terdapat 4 tahap yang harus dilakukan, yaitu tahap perumusan masalah, tahap pengumpulan data, tahap pengolahan data dan analisis, serta tahap identifikasi kesimpulan. 1. Tahap perumusan masalah meliputi identifikasi area masalah dari latar belakang, perumusan masalah, tujuan, dan batasan penelitian yang akan dilakukan. Selain itu, dalam tahap ini juga dilakukan studi literatur tentang teori yang dijadikan landasan dalam pelaksanaan penelitian, diantaranya tentang inovasi, quality of service, kepuasan dan loyalitas pelanggan, model rancangan penelitian, uji hipotesis, reliabilitas, dan validitas, model struktural, dan Structural Equation Modeling (SEM). 2. Tahap pengumpulan data. Dalam penelitian ini data dikumpulkan melalui survey terhadap pengguna Telkomsel, Indosat, dan XL dengan media kuesioner. Ada beberapa tahapan dalam penyusunan dan penyebaran kuesioner ini, yaitu: •

Menentukan indikator inovasi dan quality of service yang berhubungan dengan kepuasan dan loyalitas pelanggan, berdasarkan dimensi inovasi dan quality of service.

•

Penentuan calon responden, jumlah responden, dan wilayah yang akan diberikan kuesioner.

•

Pembuatan kuesioner yang terbagi menjadi 2 bagian. Bagian pertama berisi informasi identitas responden, kemudian bagian kedua berisi pernyataan kesetujuan pelanggan mengenai produk dan layanan yang diberikan oleh perusahaan telekomunikasi atau operator seluler yang digunakan responden

•

Penentuan metode sampling yang digunakan dalam penelitian ini.

•

Penyebaran kuesioner untuk pilot test kepada responden yang telah ditentukan.

•

Melakukan uji reliabilitas dan validitas terhadap data pilot test.

•

Penyebaran kuesioner sesuai jumlah uji kecukupan data.

3. Tahap pengolahan data dan analisis. Setelah semua data terkumpul dari penyebaran kuesioner, langkah selanjutnya adalah mengolah dan menganalisis


8

data yang ada dengan metode Structural Equation Modeling (SEM). Adapun Prosedur SEM terdiri dari beberapa tahap yaitu sebagai berikut: •

Membuat spesifikasi model penelitian yang akan diestimasi.

•

Melakukan identifikasi terhadap persamaan simultan yang mewakili model yang dispesifikasikan.

•

Melakukan estimasi untuk memperoleh nilai dari parameter-parameter yang ada di dalam model.

•

Melakukan uji kecocokan antara data dengan model. Pengujian kecocokan data dengan model ini dilakukan melalui beberapa tahapan, yaitu:

•

Kecocokan keseluruhan model

•

Kecocokan model pengukuran

•

Kecocokan model struktural

•

Respesifikasi dari model. Merupakan tahapan yang dilakukan jika model yang dihipotesiskan belum mencapai model yang fit.

4. Tahap identifikasi kesimpulan. Tahapan ini berisi kesimpulan dari keseluruhan penelitian serta saran yang berguna bagi pengembangan strategi perusahaan telekomunikasi di Indonesia. Berikut ini merupakan diagram alir metodologi penelitian yang digunakan dalam penelitian ini:


9

Gambar 1.3 Diagram Alir Metode Penelitian


10

Gambar 1.4 Diagram Alir Metode Penelitian (Sambungan)


11

1.7

Sistematika Penulisan Sesuai dengan standar baku penulisan tugas akhir mahasiswa, penulisan

tugas akhir ini dibuat dalam lima bab yang memberikan gambaran sistematis penelitian dari awal hingga tercapainya tujuan penelitian. Bab pertama merupakan pendahuluan. Bab ini memberikan gambaran mengenai latar belakang pemilihan tema, diagram keterkaitan masalah, tujuan penelitian, batasan permasalahan, metodologi penelitian, serta sistematika penulisan laporan yang merupakan bagian dari tahap penyusunan masalah. Bab kedua merupakan tinjauan mengenai teori-teori atau literatur yang digunakan sebagai landasan berpikir dalam penelitian. Adapun beberapa teori yang dibahas di sini meliputi inovasi, kepuasan dan loyalitas pelanggan, model rancangan penelitian, uji reliabilitas dan validitas, model struktural, dan Structural Equation Modeling (SEM). Bab ketiga merupakan pengumpulan dan pengolahan data. Dalam bab ini akan sedikit dibahas mengenai tiga perusahaan telekomunikasi atau operator seluler dengan jumlah pelanggan terbesar di Indonesia yaitu Telkomsel, Indosat, dan XL serta pengumpulan data kuesioner yang disebarkan kepada pelanggan dari ketiga operator seluler tersebut dan pengolahan datanya dengan menggunakan Structural Equation Modeling. Bab keempat merupakan analisis data. Pada bab ini dilakukan analisis terhadap hasil pengolahan data yang ada, untuk memenuhi tujuan dari penelitian. Bab kelima berisi kesimpulan dan saran dari hasil penelitian. Kesimpulan yang ada meliputi signifikansi dan pengaruh faktor-faktor inovasi dan quality of service

terhadap

tingkat

kepuasan

dan

loyalitas

pelanggan

operator

telekomunikasi seluler, yang dapat digunakan dalam pengembangan strategi inovasi dan quality of service yang lebih baik.


BAB 2 TINJAUAN PUSTAKA

2.1

Customer Relationship Management Customer Relationship Management (CRM) didefinisikan sebagai suatu

kegiatan manajerial untuk mengatur interaksi dengan customer dalam sebuah bisnis dengan menggabungkan proses bisnis dan teknologi untuk dapat memahami customer secara keseluruhan2. Kemudian hal ini dengan pernyataan yang menyatakan beberapa keuntungan yang dapat diperoleh dengan menjalankan CRM dalam suatu bisnis (Jutla, Craig, & Bodorik, 2001; Stone, Woodcock, & Wilson, 1996), yaitu : •

Meningkatkan customer retention & loyalty

•

Meningkatkan keuntungan dari customer

•

Menciptakan suatu nilai tersendiri bagi customer

•

Dengan proses yang mudah, menghasilkan kualitas produk dan layanan yang tinggi

Konsep awal CRM dapat dijelaskan dengan bagan sebagai berikut.

Gambar 2.1 Konsep Awal CRM Sumber Jong Hyeok Kim (2003)

Kemudian, seiring berkembangnya zaman, para pelanggan mulai melakukan pencarian terhadap barang atau jasa yang menurut mereka dapat memenuhi kebutuhan dan melebihi ekspektasi mereka dalam pencapaian suatu 2 Kim, Jonghyeok., & Hwang, Hyunseok. (2003). “A Model for Evaluating Effectiveness of CRM Using Balance Score Card”, Journal of Interactive Marketing, vol. 17, no.2. Wiley Periodicals, Inc. and Direct Marketing Educational Foundation, Inc.


13

kebutuhan. Konsep lanjutan dari konsep awal CRM dapat dijelaskan oleh bagan berikut.

Gambar 2.2 Konsep Lanjutan Perkembangan CRM CRM merupakan sebuah konsep dasar dari proses bisnis yang dapat diintergrasikan dengan berbagai variable pendukung dalam pembangunan system proses bisnis yang optimal. Seperti yang dijelaskan pada gambar di bawah, CRM terdiri dari tiga unsure utama yaitu Customer, Relationship, dan Management.

Gambar 2.3 Aktivitas Kegiatan CRM


14

Akan tetapi banyak orang yang berpendapat bahwa CRM merupakan salah satu aktivitas Marketing dalam suatu proses bisnis. Untuk itu, pada tabel berikut dijelaskan perbedaan antara CRM dengan Marketing.

CRM Konsep lebih luas Meliputi kegiatan marketing Membutuhkan organisasional dan pendekatan bisnis yang berorientasi kepada customer

Marketing Konsep lebih sempit Bagian dari kegiatan CRM Menjalankan bisnis menggunakan strategi marketing yang sederhana

Tabel 2.1 Perbedaan CRM dengan Marketing Selanjutnya, dapat lebih dijelaskan lebih spesifik mengenai elemen-elemen yang berada di dalam aktivitas Customer Relationship Management yang juga dapat menunjukkan elemen marketing dalam suatu aktivitas Customer Relationship Management.

Gambar 2.4 Elemen-elemen Customer Relationship Management Sumber Jong Hyeok Kim (2003)


15

Pada gambar di atas dapat dilihat elemen-elemen yang berada di dalam proses penggunaan CRM dalam suatu perusahaan dan salah satunya adalah Marketing Management. Sehingga dapat disimpulkan bahwa kegiatan marketing adalah bagian dari Customer Relationship Management (CRM). Pengukuran efektifitas dari penggunaan CRM dalam suatu proses bisnis dirasa perlu dilakukann dalam sebuah perusahaan karena sulit untuk menunjukkan hasil yang nyata (tangible) dari sumber daya yang telah dikerjakan dalam mengoperasikan CRM tersebut. Untuk itu, digunakan customer-oriented evaluation model berdasarkan metode Balanced Score Card. Dijelaskan ada dua jenis BSC yaitu Company-Centric BSC dan Customer-Centric BSC.

Gambar 2.5 Company-Centric BSC vs Customer-Centric BSC Sumber Jong Hyeok Kim (2003)

Perspekif yang digunakan pada masing-masing BSC berbeda-beda. Pada Company-Centric BSC digunakan perspektif antara lain : Financial perspective, Customer perspective, Internal Business perspective, Innovation and learning perspective. Sedangkan pada Customer-Centric BSC menggunakan perspektif antara lain : Customer value, Customer satisfaction, Customer interaction, Customer knowledge. Di dalam konsep CRM, akan lebih ditekankan pada Customer-Centric BSC yang akan dijelaskan lebih lanjut mengenai pengukuran dalam pencapaian parameter tersebut. •

Customer Knowledge Hal yang dapat diukur dalam perspektif customer knowledge

adalah

sebagai berikut


16

Gambar 2.6 Pengukuran Customer Knowledge Sumber Jong Hyeok Kim (2003)

•

Customer Interaction Sedangkan pada perspektif customer interaction, hal yang dapat diukur

antara lain sebagai berikut

Gambar 2.7 Pengukuran Customer Interaction Sumber Jong Hyeok Kim (2003)

•

Customer Value Untuk customer value, pengukuran yang dapat dilakukan antara lain

sebagai berikut.


17

Gambar 2.8 Pengukuran Customer Value Sumber Jong Hyeok Kim (2003)

2.2

Customer Satisfaction Kepuasan pelanggan (customer satisfaction) merupakan pengukuran yang

merepresentasikan performa dari suatu perusahaan berdasarkan perspektif kebutuhan pelanggan3. Pada umumnya

pengukuran kepuasan pelanggan ini

berdasarkan kepada kualitas dari pelayanan yang disediakan oleh perusahaan. Pelanggan memberikan pandangan dan pendapat mereka tentang pelayanan yang diberikan perusahaan dengan memberikan penilaian terhadap aspek-aspek pelayanan yang ada berdasarkan pengalaman yang dialaminya. Day (Tse dan Wilton, 1988) menyatakan bahwa kepuasan atau ketidakpuasan adalah respon pelanggan terhadap evaluasi ketidaksesuaian/diskonfirmasi yang dirasakan antara harapan sebelumnya (atau norma kinerja lainnya) dan kinerja aktual dari produk yang dirasakan setelah pemakaiannya. Engel (1990) mengungkapkan bahwa kepuasan pelanggan merupakan evaluasi purnabeli di mana alternatif yang dipilih sekurang-kurangnya memberikan hasil yang sama atau melampaui harapan pelanggan, sedangkan ketidakpuasan timbul apabila hasil yang diperoleh tidak memenuhi harapan pelanggan. Dalam konteks kualitas produk (barang atau jasa) dan kepuasan, telah tercapai konsensus bahwa harapan pelanggan memiliki peranan yang besar sebagai standar perbandingan dalam evaluasi kualitas maupun kepuasan. Menurut Olson dan Dover (Zeithaml et al., 1993), harapan pelanggan merupakan 3

“Hill et al. 2003” dalam Laura Eboli and Gabriella Mazzulla, “A New Customer Satisfaction Index for Evaluating Transit Service Quality”, Journal of Public Transportation, Vol. 12, No. 3, 2009, Hal. 22.


18

keyakinan pelanggan sebelum mencoba atau membeli produk, yang dijadikan standar atau acuan dalam menilai kinerja produk tersebut. Meskipun demikian, dalam beberapa hal belum tercapai kesepakatan, seperti mengenai sifat standar harapan yang spesifik, jumlah standar yang digunakan maupun sumber harapan. Dua hal yang sebenarnya diharapkan ketika pelanggan mau menukar uang yang dicarinya dengan susah payah adalah rasa senang dan puas, serta pemecahan atas masalah yang ada. Pengukuran kepuasan pelanggan merupakan elemen penting dalam menyediakan pelayanan yang lebih baik, lebih efisien dan lebih efektif. Apabila pelanggan merasa tidak puas terhadap pelayanan yang disediakan, maka pelayanan tersebut dapat dipastikan tidak efektif dan tidak efisien. Hal ini terutama sangat penting bagi pelayanan publik. Instrument pengukuran yang digunakan dalam pengukuran kepuasan pelanggan yaitu SERVQUAL4 yang memiliki definisi pengukuran quality of service yang diberikan oleh suatu perusahaan kepada customer agar dapat diketahui perceived of service oleh customer dan expected service dari customer. Ada lima dimensi pengukuran CRM dalam instrumen SERVQUAL yaitu : •

Assurance

•

Reliability

•

Empathy

•

Responsiveness

•

Tangibles SERVQUAL terfokus pada gap-based scale untuk mengukur service

quality.

Kemudian

dijelaskan

lebih

lanjut

pada

penjelasan

intstrumen

SERVQUAL tersebut. •

Tangible lebih fokus kepada kualitas infrastruktur secara fisik yang dapat memberikan pelayanan yang baik bagi customer.

•

Reliability lebih tertuju pada keakuratan servis yang diberikan oleh provider kepada customer

4

Parasuraman, A., Valerie A. Zeithaml, and Leonard L. Berry (1988). “SERVQUAL: A MultipleItem Scale for Measuring Consumer Perceptions of Service Quality”. Journal of Retailing, Vol. 64, No. 1,.12.


19

•

Responsiveness mengarah kepada bagaimana perusahaan dapat merespon keinginan dan kebutuhan customer

•

Assurance lebih kepada kemampuan untuk dapat mengatasi berbagai macam masalah yang akan terjadi diluar service yang diberikan.

•

Empathy memfokuskan pada proses pelayanan yang maksimal kepada customer agar dapat tercapai tingkat customer satisfaction yang optimal

Gambar 2.9 Pengukuran Customer Satisfaction Sumber Jong Hyeok Kim (2003)

2.3

Customer Loyalty Keberhasilan penyedia layanan tergantung pada kualitas hubungan tinggi

dengan pelanggan (Panda, 2003) yang menentukan kepuasan dan loyalitas pelanggan (Jones, 2002 sebagaimana dikutip oleh Lymperopoulos dkk., 2006). Penelitian berulang kali menunjukkan bahwa kualitas pelayanan mempengaruhi hasil organisasi seperti keunggulan kinerja (Poretla & Thanassoulis, 2005), meningkatkan penjualan laba (Levesque & Mc Dougal, 1996;. Kish, 2000; Duncan & Elliot, 2002) dan pangsa pasar (Fisher, 2001), meningkatkan hubungan pelanggan, meningkatkan citra perusahaan dan meningkatkan loyalitas pelanggan (Newman, 2001; Szymigin & Carrigan, 2001; Caruana, 2002; Ehigie, 2006). Selain itu, kualitas pelayanan dan kepuasan pelanggan ditemukan berhubungan dengan loyalitas pelanggan melalui niat pembelian kembali (Levesque & Mc Dougall, 1996;. Newman, 2001; Caruana, 2002). Memberikan kualitas pelayanan kepada pelanggan adalah suatu keharusan untuk sukses dan bertahan hidup dalam persaingan penyedia layanan saat ini.


20

Loyalitas dikembangkan selama periode waktu dari catatan yang konsisten pertemuan, dan kadang-kadang bahkan melebihi harapan pelanggan (Teich, 1997). Kotler et al. (1999) menyatakan biaya menarik pelanggan baru dapat lima kali biaya menjaga pelanggan yang bahagia. Gremler & Brown (1996) menawarkan satu definisi pelanggan loyalitas yang berhubungan dengan tujuan kami dalam penelitian ini: sejauh mana pelanggan menunjukkan ulangi beli perilaku dari penyedia layanan, memiliki disposisi sikap positif terhadap penyedia jasa, dan mempertimbangkan hanya menggunakan operator ini ketika kebutuhan untuk layanan ini ada. Menurut Bloemer & Kasper (1995), loyalitas diartikan sebagai kesetiaan yang sebenarnya dibandingkan dengan mengulang pembelian perilaku, yang merupakan re-aktual membeli produk, terlepas dari komitmen. Zeithaml et al. (1996) menyatakan kesetiaan adalah multi-dimensi membangun dan mencakup baik respon positif dan negatif. Namun, setia pelanggan belum tentu pelanggan yang puas. Colgate et al. (1996) juga mencatat bahwa tidak selalu kasus pembelotan pelanggan adalah terbalik loyalitas, sementara Levesque dan Mc Dougall (1993) menyatakan bahwa, "even a problem is not solved, approximately half of the customers would remain with the firm". Ini mungkin disebabkan karena biaya switching, kurangnya diferensiasi dirasakan alternatif, kendala lokasi pada pilihan, waktu atau uang kendala, kebiasaan atau inersia yang tidak berhubungan dengan loyalitas (Bitner, 1990; Ennew & Binks, 1996). Jika kita artikan secara harfiah, loyal berarti setia sehingga loyalitas bisa kita artikan sebagai suatu kesetiaan yang timbul tanpa adanya paksaan namun bersumber dari kesadaran sendiri berdasarkan pengalaman yang dirasakan pada masa lalu. Loyalitas telah menjadi bagian yang sangat penting dalam kesuksesan bisnis dan sumber keuntungan perusahaan. Loyalitas ditunjukkan dalam beragam respon pelanggan terhadap perusahaan, merek, dan layanan yang diberikan. Respon-respon ini biasanya diekspresikan dalam tingkah laku (behaviour), sikap (attitude), dan gabungan antar keduanya5 (Jacoby dan Chestnut, 1978). Dalam konteks tingkah laku psikologis, pelanggan dikatakan setia bila dia membeli suatu merek secara 5

Lichtlé, Marie-Christine & Plichon, Véronique (2008). “Understanding Better Consumer Loyalty”. Recherche et Applications en Marketing. Vol. 23. No. 4. Hal. 122.


21

kontinu (Sheth, 1968). Berdasarkan persepsi tersebut, loyalitas kemudian diukur dengan pola tingkah laku konsumen dalam melakukan pembelian barang, diantaranya purchase sequence, retention rate, RFM (Recency, Frequency, Monetary Value) dan purchase probability6. Sedangkan dalam konteks sikap, pelanggan yang loyal merupakan pelanggan yang telah menunjukkan sikap kesetiaan terhadap suatu merek dagang, salah satu pengukuran yang sering digunakan adalah repurchase intention. Menurut Liddy, loyalitas sikap penting karena mengindikasikan kecenderungan untuk menampilkan perilaku tertentu, misalnya kemungkinan pemakaian di masa mendatang. Sedangkan loyalitas perilaku merupakan pembelian yang berulang oleh pelanggan dari suatu organisasi, keinginan pelanggan untuk merekomendasikan organisasi, dan sensitivitas yang rendah terhadap harga. Menurut Schultz dan Bailey, loyalitas perilaku penting karena berfokus pada nilai pelanggan terhadap suatu merek. Hubungan yang kuat antara kepuasan pelanggan dan loyalitas telah banyak dikemukakan sebelumnya melalui penelitian, seperti yang dilakukan oleh Anderson dan Sullivan (1993), Fornell (1992), Spiteri dan Dion (2004), Szymanski dan Henard (2001). Dalam pemasaran modern, loyalitas merupakan salah satu tujuan inti yang sangat diperhatikan oleh perusahaan, karena berhubungan langsung dengan kelangsungan bisnis perusahaan, baik dalam pasar tradisional maupun dalam konteks e-commerce7. Ketidaksanggupan

perusahaan

untuk

memuaskan

pelanggan

akan

berdampak pada munculnya feedback dari pelanggan. Hirschman menyatakan bahwa ada dua jenis mekanisme feedback yang mungkin muncul, yaitu exit dan voice. Exit menunjukkan bahwa pelanggan berhenti membeli produk/layanan perusahaan, sedangkan voice menunjukkan keluhan pelanggan yang menyatakan ketidakpuasan pelanggan secara langsung kepada perusahaan, yang berujung kepada disloyalty (ketidakloyalan) pelanggan terhadap perusahaan.8 Sedangkan 6

Robert East et. al.(2000), “Loyalty: Definition and Explanation”, ANZMAC 2000 Visionary Marketing for the 21st Century: Facing The Challenge. 7 “Reichheld and Schefter, (2005)” dalam Marcel Van Birgelen, Paul Ghijsen dan Janjaap Semeijn, Managing Service Quality. Vol. 15, No. 6. ABI/INFORM Global. Hal. 539. 8 Joe R. Hulett (1986), “A Review of Exit, Voice, and Loyalty: Responses to Decline in Firms, Organizations, and States by Albert O. Hirschman”,.ABI/INFORM Global. Hal. 118.


22

beralihnya pelanggan akan berpengaruh pada penghasilan jangka panjang perusahaan.

2.4

Quality of Service Definisi

kualitas

pelayanan

memegang

bahwa

ini

adalah

hasil

perbandingan bahwa pelanggan membuat antara mereka dan harapan tentang layanan dan persepsi mereka tentang layanan cara telah dilakukan (Lehtinen & Lehtinen, 1982; Lewis & booming, 1983, Gronroos, 1984; Parasuraman et al, 1985;. 1988; Caruana, 2002). Kualitas pelayanan didefinisikan sebagai tingkat perbedaan antara harapan normatif pelanggan untuk layanan dan mereka persepsi kinerja pelayanan. Definisi kualitas pelayanan selanjutnya dikembangkan sebagai “ The overall evaluation of a specific service firm that results from comparing that firm’s performance with the customer’s general expectations of how firms in that industry should perform.” (Parasuraman et al, 1985.)

2.5

Inovasi Secara umum, inovasi dapat diartikan sebagai aplikasi ide atau metode

baru terhadap produk, proses, dan bagian lain dari sebuah perusahaan atau organisasi. Inovasi merupakan cara atau metode baru yang digunakan dalam melakukan sesuatu, atau bisa juga dikatakan bahwa inovasi adalah sesuatu yang baru yang memiliki nilai guna tertentu. Inovasi bisa juga diterjemahkan sebagai peningkatan atau perubahan revolusioner dalam pola pikir, produk, proses, dan organisasi (Josep Schumpeter, 1934). Schumpeter membagi inovasi menjadi beberapa definisi turunan9, yaitu: •

Pengenalan produk baru atau perubahan kualitatif yang dilakukan pada produk yang sebelumnya sudah ada.

•

Pengembangan proses baru yang dilakukan dalam industri.

•

Pembukaan / pengembangan pasar baru dalam industri.

•

Pengembangan sumber baru dari raw material maupun input industri yang lain.

9

Rogers, Mark. “The Definition and Measurement of Innovation”. Melbourne Institute Working Paper No. 10. 1998. Hal. 6.


23

•

Perubahan struktur organisasi dalam industri. Dari perspektif organisasi, inovasi secara konsisten dapat didefinisikan

sebagai proses adopsi dari suatu ide atau tingkah laku yang baru bagi suatu perusahaan/organisasi (Damanpour, 1991; Daft & Becker, 1978; Hage, 1980; Hage & Aiken, 1970; Zaltman, Duncan & Holbek, 1973; Oerlemans et. al., 1998; Wood, 1998; Zummato & O'Connor, 1992)10. Dalam perkembangan selanjutnya, Luecke dan Katz (2003) mendefinisikan inovasi sebagai perkenalan atau pengembangan sebuah produk atau metode yang baru, yang memberikan dampak positif. Inovasi merupakan perwujudan, kombinasi, atau sintesis pengetahuan yang original, relevan, dan memberikan nilai tambah terhadap produk, proses, maupun layanan. Untuk menghasilkan sebuah inovasi, tidak hanya cukup berdasarkan ide kreatif saja namun diperlukan adanya tindakan yang dapat menghasilkan sebuah perubahan baru terhadap proses bisnis suatu organisasi, atau perubahan dalam hal produk dan layanan yang diberikan. Sama halnya dengan fungsi bisnis yang lain, inovasi merupakan proses manajemen yang membutuhkan alat-alat, peraturan, dan disiplin tertentu. Berdasarkan sudut pandang ini, dapat kita katakan bahwa kreatifitas merupakan basis utama dalam melakukan inovasi, dan inovasi merupakan implementasi nyata dari kreatifitas dan ide dalam sebuah organisasi. Pada dasarnya, pendefinisian dari inovasi itu sendiri masih menjadi problematika, karena tidak ada definisi yang secara tepat dapat menjelaskannya. Untuk itu, perlu adanya pendefinisian secara relatif mengenai inovasi itu sendiri sebelum kita melakukan penelitian maupun survei terhadap responden, agar tidak terjadi perbedaan interpretasi antar responden. The Department of Industry Science and Tourism (DIST, 1996 dan Gibbons et. al., 1994) mendefinisikan inovasi sebagai aplikasi dari ide-ide baru dalam suatu perusahaan, dimana ide-ide ini bisa berkaitan dengan produk, proses, layanan, kinerja organisasi, maupun sistem manajemen dan pemasarannya. Sedangkan Business Council of Australia (1993) mendefinisikan inovasi sebagai sesuatu yang baru maupun yang telah mengalami perbaikan yang signifikan, yang 10

Hage, J. T. (1999), “Organizational Innovation and Organizational Change”. Annual Review of Sociology. Vol. 25. Hal. 599.


24

telah dilakukan oleh perusahaan untuk memberikan nilai tambah langsung terhadap perusahaan maupun secara tidak langsung kepada konsumen11. Definisi dan pandangan ini memberikan gambaran bahwa aktivitas yang inovatif membutuhkan bentuk usaha yang substansial dari semua aspek dalam perusahaan, sehingga dapat mewujudkan sebuah perusahaan yang inovatif yang dapat menghasilkan inovasi secara konsisten dalam kurun waktu tertentu. Seperti yang diungkapkan oleh DIST bahwa perusahaan yang inovatif adalah perusahaan yang memiliki strategi, value, bentuk organisasi, dan proses yang dapat menghasilkan inovasi yang konsisten dan perbaikan secara kontinu. Dalam prakteknya, terdapat beberapa perusahaan yang telah mengintegrasikan inovasi sebagai bagian dari sistem manajemennya, seperti TQM. Ada pula yang mengadopsinya ke dalam sistem lean manufacturing, serta tidak sedikit juga yang menggunakan ini sebagai media untuk meningkatkan kinerja dan partisipasi karyawan melalui kerjasama tim. Dalam perkembangannya, ekonomi yang semakin maju menyebabkan perbaikan dan pengembangan produk baru menjadi sangat penting. Untuk itu, pemerintah menjadi lebih memperhatikan proses inovasi. Karena selain dapat memberikan efek positif terhadap keseimbangan perdagangan dan pertumbuhan, produk dan pelayanan yang baru juga dapat membuka kesempatan kerja baru yang pada akhirnya dapat menjaga standar hidup suatu negara. Namun, di sini kita tidak akan berbicara lebih jauh mengenai efek makro dari inovasi tersebut, tetapi kita akan berfokus kepada inovasi organisasi, misalnya inovasi yang berhubungan dengan penemuan baru dalam ilmu pengetahuan, seperti pengembangan peralatan militer superior, maupun pengembangan proses belajar mengajar pada jenjang pendidikan lanjutan (Blau, 1973). Banyak penelitian telah dilakukan untuk mempelajari lebih jauh mengenai proses inovasi. Seperti yang telah dilakukan oleh Damanpour (1991) yang melakukan metaanalisis mengenai hubungan antara inovasi dan konsistensi dari penemuannya. Dalam analisisnya, Damanpour menjelaskan bahwa semakin besar jumlah inovasi yang diperhitungkan dalam penelitian, semakin konsisten hasil penemuannya. 11

Mark Rogers, Op Cit, Hal. 8.


25

Berbagai pendapat tersebut memberikan sebuah gambaran umum mengenai inovasi, seperti yang diungkapkan oleh Peter F. Drucker bahwa inovasi merupakan usaha untuk menciptakan sebuah tujuan yang berfokus pada perubahan dalam organisasi baik secara ekonomi maupun sosial. Terdapat beberapa kata kunci dalam inovasi, yaitu usaha, tujuan, dan perubahan. Ketiga faktor ini merupakan syarat yang harus dipenuhi untuk melakukan inovasi. Tanpa adanya tujuan, suatu usaha tidak bisa dikatakan sebagai inovasi, begitu juga usaha yang memiliki tujuan pun tidak bisa dikatakan sebagai sebuah inovasi jika tidak memberikan suatu perubahan pada organisasi. Inovasi merupakan elemen kunci untuk menciptakan pertumbuhan yang agresif, baik dari sisi top-line maupun bottom-line. Pertumbuhan apa yang ditimbulkan oleh sebuah inovasi bergantung kepada kebutuhan dan kompetensi dari organisasi itu sendiri, apakah itu berupa pertumbuhan pendapatan, peningkatan keterampilan dari sisi bottom-line, maupun peningkatan hubungan dengan pelanggan.

2.6.

Hubungan Antara Inovasi, Kepuasan Pelanggan, dan Loyalitas Pelanggan Dalam penelitiannya Marie-Christine Lichtlé dan Véronique Plichon

(2008)12 membangun sebuah integrative framework dari loyalitas pelanggan, dan mengungkapkan bahwa loyalitas pelanggan (loyalitas sikap dan perilaku) berasal dari komitmen dan kepercayaan/keyakinan pelanggan, yang terbentuk akibat adanya suatu perasaan puas terhadap pembelian maupun pemakaian terhadap suatu barang.

12

Lichtlé, Marie-Christine & Plichon, Véronique (2008). “Understanding Better Consumer Loyalty”. Recherche et Applications en Marketing. Vol. 23. No. 4. Hal. 122.


26

Gambar 2.10 Integrative Framework Loyalitas Pelanggan Sumber : Marie-Christine Lichtlé dan Véronique Plichon (2008)

Selain beberapa pendapat mengenai hubungan antara kepuasan pelanggan dan loyalitas pelanggan, ada juga beberapa peneliti yang membuktikan hubungan antara faktor inovasi dan loyalitas pelanggan, seperti yang dilakukan oleh Dr. Yao-kuei Lee dan Dr. Tsai-lung Liu (2008)13. Dalam penelitiannya, Dr. Yao-kuei Lee dan Dr. Tsai-lung Liu menemukan hubungan yang signifikan antara atributatribut inovasi, kepuasan, dan loyalitas pelanggan pada sebuah supermarket di Taiwan.

Gambar 2.11 Model Pengaruh Inovasi Terhadap Loyalitas Pelanggan Sumber : Dr. Yao-kuei Lee dan Dr. Tsai-lung Liu (2008)

13

Lee, Dr. Yao-kuei & Liu, Dr. Tsai-lung (2008). Tajen University. Taiwan. “The Effects of Innovation Diffusion on Customer Loyalty”. The Business Review, Cambridge Vol. 10. Summer.


27

Selanjutnya dilakukan studi literatur lain tentang hubungan agregat antara kualitas layanan, pelanggan kepuasan dan loyalitas. Dengan menguji model yang mencakup dimensi kualitas pelayanan, sebagaimana tercantum dalam kedua tahap analisis, dan dimensi loyalitas seperti yang dijelaskan dalam literatur.

Gambar 2.12 Model Loyalitas Pelanggan Perusahaan Asuransi di Yunani Sumber : Evangelos Tsoukatos and Graham K. Rand (2006)

Metode penelitian survey yang berdasarkan GIQUAL kemudian dilanjutkan dengan analisis modeling dari proses bisnis yang akan dijalankan dalam prosedur proses kerja perusahaan asuransi di Yunani14. Berdasarkan model penelitian yang telah dikembangkan oleh Dr. Yao-kuei Lee dan Dr. Tsai-lung Liu, dalam jurnal “The Effects of Innovation Diffusion on Customer Loyalty”, serta model integratif dari loyalitas pelanggan yang dikembangkan oleh Marie-Christine Lichtlé dan Véronique Plichon dalam jurnal “Understanding better Consumer Loyalty”, kemudian peneliti sebelumnya mencoba membangun model penelitian dengan mengadopsi variabel-variabel yang ada pada kedua model tersebut, dan menyederhanakannya menjadi model penelitian yang akan diuji hubungan keterkaitannya dalam penelitian ini. Model hubungan keterkaitan ini dapat dilihat pada gambar di bawah.

14

Tsoukatos, Evangelos & K. Rand , Graham (2006).”Path analysis of perceived service quality, satisfaction and loyalty in Greek insurance”. Managing Service Quality Vol. 16 No. 5 pp. 501-519 Emerald Group Publishing Limited.


28

Gambar 2.13 Model Pengaruh Inovasi Terhadap Loyalitas Pelanggan Sumber : Fatkhurrohman (2010)

Di

dalam

jurnal

yang

selanjutnya

yaitu

Customer

relationship

management and firm performance: the mediating role of business strategy dijelaskan bagaimana pengaruh CRM dalam kinerja suatu perusahaan dengan cara memodelkan efek-efek baik secara langsung, tidak langsung, dan kondisional menggunakan Structural Equation Modeling untuk dapat mengestimasi pencapaian

satisfactory

value

dalam

kinerja

perusahaan

setelah

mengimplementasikan CRM dalam proses bisnisnya. Penelitian ini dilakukan seiring dengan munculnya beberapa riset lain yang menyatakan bahwa implementasi CRM dalam proses bisnis tidak memberikan pengaruh yang banyak kepada kinerja perusahaan baik itu diteliti dari sektor keuangan (profit) perusahaan maupun hubungan antara perusahaan dan customer dalam sebuah proses bisnis yang terjadi. Berikut diberikan beberapa studi literatur yang dijelaskan dalam table mengenai pengaruh CRM dalam memberikan efek kepada perusahaan.


29

Di dalam literatur yang terakhir yang digunakan sebagai literatur pembuatan model pengaruh inovasi dan quality of service terhadap loyalitas pelanggan yaitu “Exploring Customer Satisfaction, Perceived Quality and Image: An Empirical Study in the Mobile Services Industry” oleh Dr. Feng-Cheng Tung15 yang dapat dilihat pada gambar berikut.

Gambar 2.14 Model Pengaruh Kualitas Terhadap Loyalitas Pelanggan Sumber : Dr. Feng-Cheng Tung (2010)

2.7

Langkah Rancangan Penelitian

2.7.1

Desain Kuesioner Kuesioner merupakan metode pengumpulan data yang paling sering

digunakan dalam penelitian. Untuk mendesain sebuah kuesioner yang baik, diperlukan perhatian khusus mengenai beberapa poin yang harus diperhatikan agar kuesioner dapat memberikan hasil yang optimal. Pertama, kita harus mengetahui data seperti apa yang harus dikumpulkan agar tujuan penelitian dapat tercapai. Kedua, pertanyaan seperti apa yang harus diajukan untuk mendapatkan data-data tersebut, dan yang terakhir adalah format kuesioner seperti apa yang dapat memudahkan responden dalam mengisinya. Berikut merupakan langkah umum dalam mendesain kuesioner yang efektif: 1. Menentukan informasi apa yang dibutuhkan untuk penelitian yang dilakukan. 15 Cheng Tung, Dr. Feng (2010). “Exploring Customer Satisfaction, Perceived Quality and Image: An Empirical Study in the Mobile Services Industry” . The Business Review, Cambridge. Vol. 14.


30

2. Mencari penelitian serupa yang pernah dilakukan, jika penelitian tersebut menggunakan kuesioner maka review kuesioner tersebut (dengan ijin penyusun). 3. Membuat draft kuesioner atau melakukan modifikasi terhadap kuesioner yang sudah ada. 4. Menempatkan pertanyaan sesuai urutan agar memudahkan responden dalam mengisinya. 5. Teliti kembali kuesioner yang telah disusun, tambahkan informasi maupun intruksi jika diperlukan. 6. Membuat kuesioner dengan format yang mudah, dapat dibaca, dan konten yang mudah dimengerti. 7. Jika ada waktu, lakukan evaluasi dengan meminta orang lain untuk mengisi kuesioner yang telah disusun, dan melakukan perbaikan jika diperlukan. 8. Implementasikan kuesioner kepada responden. Untuk memudahkan responden dalam mengisi kuesioner, maka diperlukan format dan layout kuesioner yang mudah dimengerti. Beberapa tips dalam penyusunan format kuesioner diantaranya: 1. Usahakan untuk memulai dengan kalimat pembuka yang jelas, yang berisi tujuan penelitian dan penggunaan data yang terkumpul, serta pastikan responden mengisi informasi personal yang benar. 2. Buatlah format ketikan yang mudah dibaca, dan berikan blank space di antara pertanyaan. 3. Usahakan untuk tidak memisahkan pertanyaan karena keterbatasan halaman kertas. 4. Gunakan italic atau bold untuk intruksi dan informasi tambahan. 5. Susun jawaban dengan rapih, sesuai dengan urutan. 6. Jika dibutuhkan, berikan kalimat penjelasan dan definisi setelah kalimat pertanyaan.


31

2.7.2

Skala Data dan Pengukuran

2.7.2.1 Jenis-Jenis Skala Data Dalam melakukan pengukuran, diperlukan suatu prosedur yang dapat membantu, yang biasa disebut sebagai skala. Skala merupakan suatu prosedur pemberian angka atau simbol lain pada sejumlah ciri dari suatu obyek. Terdapat empat skala pengukuran yang umum digunakan dalam statistik, yaitu: 1.

Skala Nominal (skala data kategori atau atribut) Dalam skala nominal, nomor berperan hanya sebagai label dari suatu

kategori objek. Skala nominal biasanya digunakan untuk klasifikasi dan identifikasi. Yang harus diperhatikan dalam skala ini adalah jangan memberi nomor yang sama untuk dua objek yang berbeda, dan jangan memberikan nomor yang berbeda untuk objek yang sama. Contoh penggunaan skala nominal adalah untuk data gender, warna, pilihan ya atau tidak, dan lain-lain. 2.

Skala Ordinal (data tingkatan) Pengukuran dengan skala ordinal adalah pengukuran di mana nomor-

nomor dialokasikan pada data dengan dasar pengurutan tertentu (misalnya lebih dari, lebih baik dari, dll). Skala ordinal memperlihatkan hubungan tingkatan antara beberapa objek. Contohnya adalah data pendidikan. 3.

Skala Interval Skala interval meliputi penggunaan nomor-nomor untuk mengurutkan

objek-objek di mana jarak antara koresponden numeral hingga jarak antara karakteristik masing-masing objek diukur. Pengukuran dengan menggunakan skala interval ini memungkinkan pembandingan dari ukuran yang berbeda antara beberapa objek. Dalam penelitian sosial, skala sifat biasanya diasumsikan berskala interval. 4.

Skala Rasio Skala rasio memiliki seluruh properti skala interval ditambah dengan

keberadaan “zero absolute point”. Dengan pengukuran rasio, hanya satu nomor yang dialokasikan pada sebuah unit pengukuran atau jarak. Dan setelah ini ditentukan, pengalokasikan numerikal yang lain juga dapat ditentukan. Contohnya ukuran rasio adalah ukuran berat badan, ukuran tinggi badan, dan lain-lain.


32

2.7.2.2 Skala Likert Skala likert, yang pertama kali diperkenalkan oleh Rensis Likert (1932) telah banyak digunakan oleh disiplin ilmu, terutama bidang marketing dalam mengukur perilaku dan image (Jacoby, 1971). Skala likert sering digunakan karena sudah terbukti mudah dimengerti oleh responden dalam memberikan penilaian terhadap suatu atribut pengukuran. Skala likert bisa digunakan sebagai summated scale dan individual scale. Ketika digunakan sebagai summated scale, biasanya nilai dari setiap item akan dijumlahkan untuk mendapatkan suatu indeks penilaian. Sedangkan penggunaan skala likert sebagai skala individu biasanya untuk menjelaskan variabel laten, seperti dalam analisis menggunakan Confirmatory Factor Analysis (CFA) dan Structural Equation Modeling (SEM). Terdapat banyak kontroversi yang terjadi dalam pemakaian skala likert, apakah skala tersebut mewakili skala interval atau skala ordinal, walaupun Rensis Likert sendiri mengatakan bahwa skala ini merupakan skala interval namun banyak yang berpendapat bahwa skala ini merupakan skala ordinal (Elene & Seaman, 2007), sehingga menggunakannya sebagai skala interval atau rasio masih mengundang keraguan. Karena sifat skala tersebut yang ordinal, Elena dan Seaman (1997) mengatakan bahwa skala likert sangat cocok jika digunakan dalam analisis menggunakan prosedur nonparametrik seperti frekuensi, tabulasi, chisquare, dan Kruskall-Wallis16. Walaupun terjadi kontroversi, banyak ahli pemasaran dan psikologi tetap menggunakan skala likert sebagai skala interval bukan hanya karena yakin bahwa mereka sudah pasti mengukurnya dalam skala interval, namun karena menggunakan skala interval ternyata memberikan hasil yang lebih baik.

2.7.3

Metode Sampling Sampling merupakan salah satu metode pengumpulan data yang bersifat

tidak menyeluruh, artinya tidak mencakup seluruh objek penelitian tetapi hanya

16

Nora Mogey, “So You Want to Use a Likert Scale?”, Learning Technology Dissemination Initiative. Heriot-Watt University, 1999, http://www.icbl.hw.ac.uk/ltdi/cookbook /info_likert_scale/index.html, diakses Maret 2011.


33

sebagian dari populasi saja, yang dapat merepresentasikan populasi objek penelitian. Pada dasarnya terdapat dua macam metode sampling, yaitu probability sampling dan non-probability sampling. Probability sampling adalah suatu sampling dimana pemilihan objek atau elemen populasi yang dimasukkan dalam sampel didasarkan kepada nilai-nilai probabilitasnya. Penggunaan probability sampling ini sangat berguna ketika kita melakukan analisis statistik yang mendalam, misalnya melakukan uji hipotesis terhadap suatu penelitian. Namun, jika hanya ingin membuat estimasi poin seperti rata-rata, persentase, rasio, maka cukup dengan menggunakan non-probability sampling. Secara umum, terdapat beberapa contoh probability sampling yaitu: 1.

Simple Random Sampling Simple Random Sampling merupakan cara pengumpulan data, dimana kita

memilih n sample dari suatu populasi dengan cara sedemikian rupa sehingga setiap kombinasi dari setiap n elemen memiliki kesempatan yang sama untuk dipilih seperti kombinasi-kombinasi lainnya. Metode sampling ini biasanya dilakukan dengan jalan undian atau dengan menggunakan tabel bilangan random jika jumlahnya mencapai angka ratusan. 2.

Stratified Random Sampling Metode ini digunakan jika populasi penelitian tidak homogen dan

terstratifikasi berdasarkan pola tertentu. Dalam metode sampling ini, data-data yang ada dibagi menjadi stratum-stratum yang homogen. 3.

Systematic Random Sampling Merupakan suatu sampling dimana pengambilan elemen yang pertama

sebagai anggota sampel terpilih secara random, dan pilihan elemen-elemen selanjutnya dengan menggunakan interval tertentu. Sedangkan contoh non-probability sampling adalah: 1.

Accidental Sampling Sampling dimana cara memilih elemen-elemen untuk menjadi anggota

sampel ditentukan dengan subyektif, artinya pemilihannya sesuka hati dan hasilnya kasar sekali sehingga kurang mewakili populasi.


34

2.

Quota Sampling Sampling seperti stratified random sampling tetapi jumlah elemen dari

setiap stratum ditentukan terlebih dahulu (pembagian kuota stratum), metode ini juga dianggap subyektif karena pemilihannya tidak random. 3.

Purposive Sampling Sampling dimana pengambilan elemen-elemen yang dimasukkan dalam

sampel dilakukan dengan sengaja, dengan catatan bahwa sampel tersebut cukup representatif mewakili populasi yang ada.

2.8

Uji Reliabilitas dan Uji Validitas

2.8.1

Uji Reliabilitas Reliabilitas berhubungan dengan kehandalan dari sebuah alat ukur, yang

dinyatakan dalam tingkat konsistensi dari suatu alat ukur untuk digunakan secara berulang kepada responden yang berbeda. Pada dasarnya, reliabilitas tidak bisa diukur, namun tingkat reliabilitas bisa diestimasi dengan menggunakan estimator tertentu. Secara umum terdapat empat jenis estimator reliabilitas, yaitu: 1.

Inter-Rater atau Inter-Observer Reliability Inter-Rater atau Inter-Observer Reliability digunakan untuk mengukur

sejauh mana responden yang berbeda memberikan persepsi yang sama terhadap sebuah fenomena atau kejadian. 2.

Test-Retest Reliability Test-Retest Reliability merupakan estimator reliabilitas yang mengukur

konsistensi dari sebuah alat ukur jika digunakan dari waktu ke waktu dengan skala, lingkungan, situasi, dan kondisi yang sama. 3.

Parallel-Forms Reliability Parallel-Forms

Reliability

merupakan

estimator

reliabilitas

yang

mengukur konsistensi dengan menggunakan dua format yang berbeda yang memiliki maksud yang sama, namun tidak identik dalam bentuk. 4.

Internal Consistency Reliability


35

Internal Consistency Reliability merupakan estimator reliabilitas yang mengukur konsistensi dari sebuah alat ukur berdasarkan hubungan antar item yang ada di dalamnya.

2.8.2

Uji Validitas Validitas menunjukan kemampuan suatu instrumen (alat pengukur)

mengukur apa yang harus diukur. Masalah validitas menjadi kompleks dalam konteks penelitian yang mengukur suatu konsep yang tidak bisa diukur secara langsung, karena melibatkan pengertian secara teoritis dan empiris. Namun, betapapun kompleksnya suatu instrumen penelitian harus valid agar hasilnya dapat dipercaya. Terdapat beberapa jenis validitas yang sering digunakan, seperti Face Validity, Content Validity, Criterion Validity, dan Construct Validity. Dimana Face Validity cenderung dianggap sama dengan Content Validity. Berikut ini akan dikemukakan beberapa jenis validitas yaitu: 1.

Validitas Rupa (Face Validity) Adalah validitas yang menunjukan apakah alat pengukur/instrumen

penelitian dari segi rupanya dapat mengukur apa yang ingin diukur, validitas ini lebih mengacu pada bentuk dan tampilan instrumen. Menurut Djamaludin Ancok validitas rupa amat penting dalam pengukuran kemampuan individu seperti pengukuran kejujuran, kecerdasan, bakat dan keterampilan. 2.

Validitas Isi (Content Validity) Validitas isi berkaitan dengan kemampuan suatu instrumen mengukur isi

(konsep) yang harus diukur. Ini berarti bahwa suatu alat ukur mampu mengungkap isi suatu konsep atau variabel yang hendak diukur. Misalnya test bidang studi IPS, harus mampu mengungkap isi bidang studi tersebut, pengukuran motivasi harus mampu mengukur seluruh aspek yang berkaitan dengan konsep motivasi, dan demikian juga untuk hal-hal lainnya. 3.

Validitas Kriteria (Criterion validity) Adalah validasi suatu instrumen dengan membandingkannya dengan

instrumen pengukuran lainnya yang sudah valid dan reliabel dengan cara


36

mengkorelasikannya, bila korelasinya signifikan maka instrumen tersebut mempunyai validitas kriteria. Terdapat dua bentuk Validitas Kriteria yaitu: •

Validitas Konkuren (Concurrent Validity) Validitas konkuren adalah kemampuan suatu instrumen pengukuran untuk

mengukur gejala tertentu pada saat sekarang kemudian dibandingkan dengan instrumen pengukuran lain untuk konstruk yang sama. •

Validitas Ramalan (Predictive Validity) Validitas ramalan adalah kemampuan suatu instrumen pengukuran

memprediksi secara tepat dengan apa yang akan terjadi di masa yang akan datang. Contohnya apakah test masuk sekolah mempunyai validitas ramalan atau tidak ditentukan oleh kenyataan apakah terdapat korelasi yang signifikan antara hasil test masuk dengan prestasi belajar sesudah menjadi siswa, bila ada, berarti test tersebut mempunyai validitas ramalan. 4.

Validitas Konstruk (Construct Validity) Validitas konstruk adalah kerangka dari suatu konsep, validitas konstruk

adalah validitas yang berkaitan dengan kesanggupan suatu alat ukur dalam mengukur pengertian suatu konsep yang diukurnya. Menurut Jack R. Fraenkel validasi konstruk (penentuan validitas konstruk) merupakan yang terluas cakupannya dibanding dengan validasi lainnya, karena melibatkan banyak prosedur termasuk validasi isi dan validasi kriteria.

2.9

Model Struktural Tujuan dari teori pengukuran adalah untuk membuat suatu model

pengukuran yang memiliki tingkat reliabilitas dan validitas tinggi17. Tanpa kedua faktor tersebut, hipotesis dan pengukuran yang dilakukan tidak dapat diaplikasikan secara nyata, karena belum tentu dapat merepresentasikan model sesungguhnya yang ada di lapangan. Dalam suatu pengukuran, hubungan antar indikator dari setiap variabel direpresentasikan oleh suatu matriks kovarian, dan Confirmatory Factor Analysis (CFA) merupakan salah satu metode yang digunakan untuk menguji teori pengukuran dengan memberikan bukti-bukti 17

Hair Jr., Joseph F., C. Black, William, Babin, Barry J., Rolph E (2010). Anderson, Multivariate Data Analysis; Seventh Edition.Pearson Prentice-Hall, Hal. 701.


37

validasi dari setiap faktor yang diukur. Namun, CFA memiliki keterbatasan dalam menguji hubungan antar variabel yang memiliki korelasi yang kompleks. Adanya suatu model struktural yang merepresentasikan teori struktural (yang menggambarkan hubungan struktural antar variabel) dalam rangkaian persamaan struktural, dan biasanya digambarkan dalam suatu diagram visual merupakan solusi dari keterbatasan ini. Model struktural merupakan rangkaian persamaan yang terdiri dari hubungan kausal antar variabel. Menurut Hair et al. (1995), hubungan kausal merupakan hubungan dependen di antara dua atau lebih variabel agar peneliti dapat memperjelas bahwa satu atau lebih variabel tersebut berhubungan atau menciptakan sebuah hasil yang direpresentasikan oleh sedikitnya salah satu variabel, dimana hubungan ini harus cocok dengan kualifikasi untuk suatu akibat. Transisi dari model pengukuran (measurement model) ke model struktural (structural model) merupakan aplikasi dari teori struktural yang menggambarkan hubungan antar variabel. Model pengukuran secara tipikal menggambarkan hubungan semua variabel tanpa adanya hubungan kausal antar variabel tersebut, sedangkan model struktural mengimplementasikan teori struktural yang mengelompokkan variabel-variabel yang memiliki hubungan antara satu dengan yang lain, serta jenis hubungan dari setiap variabel yang ada. Berikut digambarkan contoh sederhana dari model struktural antara supervisor support dan job satisfaction:

Gambar 2.15 Contoh Sederhana Model Struktural antara Supervisor Support dan Job Satisfaction Sumber: Hair Jr, Joseph F. et. al., (2010)


38

Dapat kita lihat pada Gambar 2.13 di atas, hubungan yang diperlihatkan oleh model adalah hubungan kausal yang ditandai dengan adanya single-headed arrow, yang tidak dijelaskan dalam model pengukuran, seperti confirmatory factor analysis (CFA). Dalam model struktural, yang perlu diperhatikan adalah hubungan antar variabel laten. Dalam model struktural, kita mengklasifikan variabel yang ada menjadi dua jenis, yaitu: •

Variabel endogen, merupakan variabel dependen yang dipengaruhi oleh variabel independen.

•

Variabel eksogen, merupakan variabel independen yang mempengaruhi varibel dependen. Dimana dalam model struktural, variabel endogen tidak hanya satu

(berbeda dengan model pengukuran), melainkan terdiri dari beberapa variabel endogen yang juga bisa menjadi variabel eksogen bagi yang lain. Jadi, dalam model struktural, bisa jadi satu variabel memiliki fungsi sebagai prediktor dan variabel keluaran sekaligus. Terdapat dua jenis model struktural, yaitu model struktural rekursif dan model struktural non-rekursif. 1.

Model Struktural Rekursif. Model struktural rekursif adalah model struktural dimana tidak ada

feedback loop di antara varibel-variabel latennya. Contoh dari model struktural rekursif adalah model task technology fit yang dimodelkan oleh Jurnali (2001). 2.

Model Struktural Non-Rekursif Model struktural non-rekursif atau resiprokal merupakan model struktural

yang mengandung feedback loop di antara variabel-variabel latennya. Contoh model struktural non-rekursif adalah diagram lintasan yang dimodelkan oleh Bagozzi (1980).

2.10

Model Persamaan Struktural (Structural Equation Modeling)

2.10.1 Overview dan Perkembangan Penggunaan SEM Teori dan model dalam ilmu sosial dan perilaku (social and behavioral sciences) umumnya diformulasikan menggunakan konsep-konsep teoritis atau


39

konstruk-konstruk (constructs) yang tidak dapat diukur atau diamati secara langsung. Meskipun demikian, beberapa indikator atau gejala masih bisa ditemukan yang dapat digunakan untuk mempelajari konsep-konsep teoritis tersebut. Jöreskog dan Sörbom (1989) mengatakan bahwa kondisi tersebut menimbulkan dua permasalahan dasar yang berhubungan dengan usaha untuk membuat kesimpulan ilmiah dalam ilmu sosial dan perilaku, sebagai berikut: •

Masalah pengukuran, yaitu berkaitan dengan masalah apa yang sebenarnya diukur oleh suatu pengukuran, dengan cara apa dan seberapa baik seseorang dapat mengukur sesuatu yang perlu diukur, dan bagaimana validitas dan reliabilitas sebuah pengukuran.

•

Masalah hubungan kausal antarvariabel, yaitu berkaitan dengan masalah bagaimana cara menyimpulkan hubungan kausal antara variabel-variabel yang kompleks dan tidak teramati secara langsung melainkan melalui indikatorindikator, dan bagaimana cara menilai kekuatan hubungan antara variabelvariabel tersebut dengan indikator-indikatornya. Telah banyak penelitian yang dilakukan untuk mengatasi permasalahan

tersebut, seperti yang dilakukan oleh Galton (1822-1911) yang memberikan kontribusi tentang konsep korelasi dan pengukuran, Spearman (1863-1945) yang merupakan murid dari Galton memperkenalkan konsep One Factor model yang membuatnya dijuluki sebagai The Father of Factor Analysis. Harold Hotelling (1895-1973) yang menyempurnakan konsep Principle Component Analysis dari Pearson (1855-1936) dan juga memperkenalkan konsep Canonical Correlation pada tahun 1936. Dan pada akhirnya, Jöreskog berhasil melakukan suatu terobosan dalam hal estimasi dan analisis faktor. Beberapa kontribusinya mencakup Maximum Likelihood (ML) Estimation sebagai metode praktis yang dapat digunakan untuk estimasi, konsep Confirmatory Factor Analysis, dan LISREL (Linear Structural Relationship). Lebih jauh, model dari Jöreskog (1973)18 ini dikombinasikan dengan model dari Keesling (1973) dan Wiley (1973) menghasilkan suatu model persamaan struktural yang mengandung 2 bagian: 18

Joreskog, Karl G., & Sorbom, Dag. (1993) “Lisrel 8: Structural Equation Modeling with Simplis Command Language”. Scientific Software International, Inc-USA.


40

•

Bagian pertama adalah model variabel laten (latent variable model). Model ini mengadaptasi model persamaan simultan pada ekonometri. Jika pada ekonometri semua variabelnya merupakan variabel-variabel terukur/teramati (measured/observed variable), maka pada model ini variabel-variabelnya merupakan variabel laten (latent variable yang tidak terukur secara langsung).

•

Bagian kedua adalah model pengukuran (measurement model). Model ini menggambarkan indikator-indikator atau variabel-variabel terukur sebagai efek atau refleksi dari variabel latennya, seperti analisis faktor pada psikometri dan sosiometri. Konsep dasar dari model ini adalah Confirmatory Factor Analysis (CFA). Kedua model tersebut merupakan jawaban terhadap dua permasalahan

utama yang terjadi dalam pembuatan kesimpulan ilmiah dalam ilmu sosial dan perilaku, seperti yang telah disebutkan sebelumnya. Para skolar menamakan model struktural ini sebagai model JKW, yang kemudian dikenal dengan dengan model LISREL (Linear Structural Relationship). Model ini merupakan titik tolak dari perkembangan model struktural, karena setelah itu, banyak skolar yang memberikan kontribusi terhadap perkembangan model ini, seperti Bentler dan Week (1980) serta McArdle dan McDonald (1984) yang mengusulkan alternatif bentuk dan formula dari model persamaan struktural tersebut. Model ini kemudian mulai berkembang luas, tidak hanya membahas masalah sosial dan perilaku secara general, namun dari perspektif ekonomi, sosiologi, kesehatan, dan lain-lain. Kontribusi dari para skolar dari berbagai macam disiplin ilmu yang berbeda menyebabkan evolusi terhadap perkembangan model persamaan struktural, dari model persamaan simultan pada ekonometri, kemudian digabungkan dengan prinsip pengukuran dari psikologi dan sosiologi menjadi sebuah model persamaan struktural (Hair et al., 1998; Dillon dan Goldstein, 1984), yang kemudian dikenal dengan Structural Equation Modeling (SEM). Dalam beberapa dekade terakhir ini, Structural Equation Modeling (SEM) telah banyak diaplikasikan dalam dunia marketing, terutama di United States. Berbeda dengan konsep analisis lain, SEM agak sulit untuk dipahami karena kompleksitas statistiknya. SEM sendiri digunakan untuk menggambarkan pola


41

hubungan ketergantungan antar konstruk laten secara simultan, yang masingmasing diukur dengan menggunakan variabel-variabel manifest (observed variables). Selain bidang marketing, SEM juga banyak digunakan untuk melakukan analisis dalam disiplin ilmu lain, seperti psikologi (Agho et al., 1992; Shen et al., 1995), sosiologi (Kenny, 1996), ekonomi (Huang, 1991), Kesehatan (Babakus & Mangold, 1992; Taylor, 1994; Taylor & Cronin, 1994), serta studi lingkungan (Nevitte & Kanji, 1995). Penggunaan SEM yang semakin meluas ini dikarenakan SEM memiliki kelebihan dari teknik multivariat lain. Seperti yang diungkapkan oleh Gujarati (1995), ia menunjukkan bahwa penggunaan variabel-variabel laten pada regresi berganda menimbulkan kesalahan-kesalahan pengukuran (measurement error) yang berpengaruh pada estimasi parameter dari sudut biased-unbiased dan besarkecilnya variance . Masalah kesalahan pengukuran ini dapat diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran. Parameterparameter dari persamaan pada model pengukuran SEM merupakan “muatan faktor” atau factor loadings dari variabel laten terhadap indikator-indikator atau variabel-variabel teramati yang terkait. Dengan demikian, kedua model SEM tersebut selain memberikan informasi tentang hubungan kausal simultan di antara variabel-variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran. Dalam Structural Equation Modeling (SEM) analisis yang dilakukan berfokus kepada hubungan struktural antar konstruk dan terdiri dari dua tahap. Pertama, analisis model secara keseluruhan apakah sudah sesuai dan dapat merepresentasikan kondisi nyata. Kedua, mengestimasikan parameter struktural yang digambarkan dengan tanda panah satu arah dalam path diagram.

2.10.2 Konsep Dasar SEM 2.10.2.1 Variabel dalam SEM Terdapat dua variabel utama dalam SEM, yaitu: 1.

Variabel Laten (Latent Variable) Merupakan variabel kunci yang menjadi perhatian dalam SEM. Variabel

laten (Latent Variable, sering disingkat LV) merupakan konsep abstrak, sebagai


42

contoh: perilaku orang, sikap (attitude), perasaan, dan motivasi. Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. Dalam SEM, terdapat 2 jenis variabel laten yaitu eksogen dan endogen. Pembagian kedua variabel ini berdasarkan pada keikutsertaan mereka sebagai variabel terikat pada persamaan-persamaan dalam model. 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 adalah variabel bebas. Notasi matematik dari variabel laten eksogen adalah huruf Yunani ξ (“ksi”) dan variabel laten endogen ditandai dengan huruf Yunani η (“eta”). Variabel laten biasa disimbolkan dengan lingkaran atau elips, sedangkan hubungan kausal biasanya diperlihatkan dengan anak panah. Untuk variabel laten eksogen, biasanya digambarkan sebagai lingkaran dengan semua anak panah menuju keluar. Sedangkan variable laten endogen digambarkan oleh lingkaran dengan paling sedikit satu anak panah masuk ke lingkaran tersebut. 2.

Variabel Teramati (Observe Variable) Variabel teramati atau variabel terukur (measured variable, disingkat MV)

adalah variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai indikator yang merupakan efek dari variabel laten. Dalam metode survei yang menggunakan kuesioner, setiap pertanyaan yang diajukan biasanya mewakili sebuah variabel teramati. Variabel teramati yang merupakan efek dari variabel laten eksogen biasa diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan variabel endogen biasa diberi label Y. Variabel teramati biasa disimbolkan dengan bujur sangkar/kotak atau persegi panjang.


43

2.10.2.2 Model dalam SEM Dalam model perhitungan SEM, terdapat dua jenis model19 yaitu: 1.

Model Struktural Seperti yang telah dijelaskan sebelumnya, model struktural merupakan

model yang menggambarkan hubungan keterkaitan antar konstruk laten/variabel laten. Biasanya hubungan yang terjadi antar variabel laten merupakan hubungan yang saling linear, meskipun tidak menutup kemungkinan adanya hubungan nonlinier. Hubungan antar variabel-variabel laten tersebut (yang serupa dengan persamaan regresi linier) membentuk suatu persamaan simultan variabel-variabel laten, yang menyerupai persamaan simultan ekonometri. Parameter yang digunakan untuk menunjukkan regresi variabel laten endogen pada variabel laten eksogen diberi label dengan huruf Yunani γ (“gamma”), sedangkan untuk regresi variabel laten endogen pada variabel laten endogen yang lain diberi label huruf Yunani β (“beta”). Dalam SEM variabelvariabel eksogen boleh ber-“covary” secara bebas dan matrik kovarian variabel ini diberi tanda huruf Yunani Φ (“phi”). Contoh model struktural dapat digambarkan menggunakan diagram lintasan seperti pada Gambar 2.7. Contoh model struktural yang menunjukkan Reciprocal Causation digambarkan dalam diagram lintasan pada Gambar 2.8, sedangkan kovarian di antara 2 variabel laten eksogen ditunjukkan dalam bentuk Unanalyzed Association berupa panah melengkung 2 arah seperti pada Gambar 2.9. Subscript dari koefisien-koefisien pada sebuah panah mengikuti aturan sebagai berikut: subscript koefisien sebuah panah dari ξi ke ηb ditunjukkan dengan γbi. Adapun notasi matematik dari model struktural pada Gambar 2.16 dapat ditulis seperti pada Gambar 2.19.

19 Hair Jr., Joseph F., C. Black, William, Babin, Barry J., Rolph E (2010). Anderson, Multivariate Data Analysis; Seventh Edition.Pearson Prentice-Hall, Hal. 701.


44

Gambar 2.16 Contoh Model Struktural Sumber: Hair Jr, Joseph F. et. al., (2010)

Gambar 2.17 Reciprocal Causation Sumber: Hair Jr, Joseph F. et. al., (2010)

Gambar 2.18 Unanalyzed Association Sumber: Hair Jr, Joseph F. et. al., (2010)

η1 = γ 11ξ 1 + γ 12ξ 2 η 2 = β 21η1 η 3 = β 31η1 + γ 32ξ 2 Gambar 2.19 Notasi Matematik Model Struktural Gambar 2.16 Sumber: Hair Jr, Joseph F. et. al., (2010)

2.

Model Pengukuran Setiap variabel laten dalam SEM biasanya mempunyai beberapa variabel

teramati yang sering dipakai sebagai ukuran atau indikator. Pengguna SEM paling sering menghubungkan variabel laten dengan variabel-variabel teramati melalui model pengukuran yang berbentuk analisis faktor dan banyak digunakan di psikometri dan sosiometri. Dalam model ini, setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait.


45

“Muatan-muatan faktor” atau “factor loadings” yang menghubungkan variabelvariabel laten dengan variabel-variabel teramati diberi label dengan huruf Yunani λ (“lambda”). SEM mempunyai dua matriks lambda yang berbeda, yatu satu matriks pada sisi X dan matriks lainnya pada sisi Y. Notasi λ pada sisi X adalah λx (lambda X) sedangkan pada sisi Y adalah λy (lambda Y). Model pengukuran yang umum digunakan dalam SEM adalah model pengukuran kongenerik (congeneric measurement model), dimana setiap varibel teramati hanya berhubungan dengan satu variabel laten, dan semua kovariasi antara variabel-variabel teramati merupakan akibat dari hubungan antara variabel teramati dan variabel laten. Contoh diagram lintasannya dapat dilihat pada Gambar 2.20 dimana model pengukurannya dapat ditulis dalam notasi matematik seperti pada Gambar 2.21.

Gambar 2.20 Model Pengukuran Sumber: Hair Jr, Joseph F. et. al., (2010)

X 1 = λ X 11 ξ1 X 2 = λ X 21ξ1 X 3 = λ X 31ξ1 Gambar 2.21 Notasi Matematik Model Pengukuran Gambar 2.20 Sumber: Hair Jr, Joseph F. et. al., (2010)

2.10.2.3 Kesalahan yang terjadi dalam SEM Ada 2 jenis kesalahan yang sering terjadi dalam melakukan analisis menggunakan SEM, yaitu: 1.

Kesalahan Struktural Pada umumnya pengguna SEM tidak berharap bahwa variabel bebas dapat

memprediksi secara sempurna variabel terikat, sehingga dalam suatu model biasanya ditambahkan komponen kesalahan struktural. Kesalahan struktural ini


46

diberi label dengan huruf Yunani ζ (“zeta”). Untuk memperoleh estimasi parameter yang konsisten, kesalahan struktural ini diasumsikan tidak berkorelasi dengan variabel-variabel eksogen dari model. Meskipun demikian, kesalahan struktural bisa dimodelkan berkorelasi dengan kesalahan struktural yang lain. Dalam diagram lintasan, simbol tidak diberikan pada kesalahan struktural maupun kesalahan pengukuran. Notasi dari kesalahan struktural maupun kesalahan pengukuran cukup dituliskan pada diagram lintasan seperti yang ditunjukkan pada Gambar 2.22.

Gambar 2.22 Kesalahan Struktural Sumber: Hair Jr, Joseph F. et. al., (2010)

Adapun notasi matematik dari model struktural yang mengandung kesalahan struktural pada Gambar 2.22 dapat ditulis seperti pada Gambar 2.23.

η1 = γ 11ξ 1 + γ 12ξ 2 + ζ 1 η 2 = β 21η1 + ζ 2 η 3 = β 31η1 + γ 32ξ 2 +ζ 3 Gambar 2.23 Notasi Matematik Kesalahan Struktural Gambar 2.22 Sumber: Hair Jr, Joseph F. et. al., (2010)

2.

Kesalahan Pengukuran Dalam SEM indikator-indikator atau variabel-variabel teramati tidak dapat

secara sempurna mengukur variabel laten terkait. Untuk memodelkan ketidaksempurnaan ini dilakukan penambahan komponen yang mewakili kesalahan pengukuran ke dalam SEM. Komponen kesalahan pengukuran yang berkaitan dengan variabel teramati X diberi label dengan huruf Yunani δ (“delta”), sedangkan yang berkaitan dengan variabel Y diberi label dengan huruf


47

Yunani ε (“epsilon”). Kesalahan pengukuran δ boleh berkovari satu sama lain, meskipun demikian secara default mereka tidak berkovari satu sama lain. Matriks kovarian dari δ diberi tanda dengan huruf Yunani θδ (“theta delta”) dan secara default adalah matriks diagonal. Hal yang sama berlaku untuk kesalahan pengukuran ε yang matriks kovariannya θε (“theta epsilon”) dan merupakan matriks diagonal secara default. Secara konseptual, hampir semua pengukuran mempunyai komponen kesalahan yang terkait. Meskipun demikian, ketika sebuah variabel laten hanya direfleksikan/diukur oleh sebuah variabel teramati tunggal, maka estimasi kesalahan pengukuran terkait sulit/tidak mungkin dilakukan. Dalam kasus ini, kesalahan pengukuran harus dispesifikasikan terlebih dahulu sebelum melakukan estimasi parameter atau kesalahan pengukuran dapat dianggap tidak ada atau nol. Contoh diagram lintasan untuk kesalahan pengukuran ditunjukkan pada Gambar 2.24. Pada diagram lintasan ini juga ditunjukkan sebuah variabel laten ETA1 yang hanya diukur oleh sebuah variabel teramati Y1 dan kesalahan pengukurannya diasumsikan tidak ada atau nol.

Gambar 2.24 Diagram Lintasan Kesalahan Pengukuran Sumber: Hair Jr, Joseph F. et. al., (2010)

Model pengukuran yang mengandung kesalahan pengukuran pada Gambar 2.24 dapat ditulis dalam notasi matematik seperti Gambar 2.25.


48

X 1 = λ X 11 ξ1 + δ 1 X 2 = λ X 21ξ1 + δ 2 X 3 = λ X 31ξ1 + δ 3 Y1 = η1 + 0 Gambar 2.25 Notasi Matematik Kesalahan Pengukuran Gambar 2.24 Sumber: Hair Jr, Joseph F. et. al., (2010)

2.10.2.4 Bentuk Umum SEM Dari

pembahasan

komponen-komponen

sebelumnya,

kita

dapat

menggabungkan mereka menjadi suatu model yang lengkap, yang biasa dikenal dengan full atau hybrid model, yang juga merupakan bentuk umum dari SEM. Contoh dari full atu hybrid model ini bisa dilihat pada gambar 2.26 di bawah.

Gambar 2.26 Diagram Lintasan Full atau Hybrid Model Sumber: Hair Jr, Joseph F. et. al., (2010)

Model Pengukuran

Model Struktural

X1 = λx11ξ1 + δ1 X4 = λx42ξ2 + δ4

η1 = γ11ξ1 + γ12ξ2 + ζ1

X2 = λx21ξ1 + δ2 X5 = λx52ξ2 + δ5

η2 = β21η1 + ζ2

X3 = λx31ξ1 + δ3

η3 = β31η1 + γ32ξ2 + ζ3

Y1 = λy11η1 + ε1 Y6 = λy62η2 + ε6 Y2 = λy21η1 + ε2 Y7 = λy72η2 + ε7 Y3 = λy31η1 + ε3 Y8 = λy83η3 + ε8 Y4 = λy42η2 + ε4 Y9 = λy93η3 + ε9 Y5 = λy52η2 + ε5 Y10 = λy103η3 + ε10

Gambar 2.27 Notasi Matematik Full atau Hybrid Model Sumber: Hair Jr, Joseph F. et. al., (2010)


49

Gambar 2.27 merupakan bentuk matematik dari hybrid model pada Gambar 2.26. Selain itu, kita juga bisa menyatakan model tersebut dalam bentuk matrik seperti yang terlihat pada Tabel 2.2 di bawah. Dari gambar tersebut, dapat kita lihat bahwa selain matrik-matrik yang terbentuk dari hasil transformasi persamaan matematika, kita juga dapat melihat adanya 4 matrik baru yaitu θδ, θε, Ψ dan Φ. Matriks θδ merupakan matriks kovarian dari kesalahan pengukuran δ, matriks θε adalah matriks kovarian dari kesalahan pengukuran ε, matriks Ψ adalah matriks kovarian dari kesalahan struktural ζ, dan matriks Φ adalah matriks kovarian dari variabel laten eksogen ξ. Matriks-matriks kovarian tersebut berbentuk matriks simetris dengan elemen diagonalnya terdiri dari varian variabel-variabel yang membentuk matriks (notasi σ2v1 digunakan untuk menunjukkan varian dari variabel v1), sedangkan elemen-elemen yang tidak berada di diagonal (off diagonal) terdiri dari kovarian variabel-variabel tersebut (kovarian antara variabel v1 dengan v2 diberi notasi σv1v2). Secara default elemen off diagonal dari matriks θδ, θε, dan Ψ adalah nol, sehingga ketiga matriks ini disebut sebagai matriks diagonal. Untuk matriks Φ, default-nya adalah matriks simetris dengan semua varian dan kovarian dari varabel-variabel yang membentuk matriks tersebut mempunyai nilai. Dari uraian di atas, maka pada model hybrid ada 8 matriks yang menjadi perhatian, yaitu 4 matriks yang berisi koefisien Λx, Λy, Β, dan Γ, dan 4 matriks kovarian θδ, θε, Ψ dan Φ.


50

Tabel 2.2 Model Umum SEM •

Model Struktural η = Βη + Γξ + ζ

•

Model Pengukuran Model Pengukuran untuk y y = Λyη + ε Model Pengukuran untuk x x = Λx ξ + δ

•

Dengan asumsi: 1. 2. 3. 4. 5.

•

ζ tidak berkorelasi dengan ξ ε tidak berkorelasi dengan η δ tidak berkorelasi dengan ξ ζ, ε, dan δ tidak saling berkorelasi (mutually uncorrelated) Ι – Β adalah non-singular

Di mana: ⇒ Variables • η (eta) adalah m x 1 latent endogenous variables • ξ (ksi) adalah n x 1 latent exogenous variables

Tabel 2.3 Model Umum SEM (Sambungan) • • • • •

ζ (zeta) adalah m x 1 latent errors in equations Y adalah p x 1 observed indicators of η X adalah q x 1 observed indicators of ξ ε (epsilon) adalah p x 1 measurement errors for y δ (delta) adalah q x 1 measurement errors for x

⇒ Coefficients • • • •

Β (beta) adalah m x m coefficient matrix for latent endogenous variables Γ (gamma) adalah m x n coefficient matrix for latent exogenous variables Λy (lambda y) adalah p x m coefficient matrix relating y to η Λx (lambda x) adalah q x n coefficient matrix relating x to ξ

⇒ Covariance Matrix • • • •

Φ (phi) adalah n x n covariance matrix of ξ Ψ (psi) adalah m x m covariace matrix of ζ Θε (theta-epsilon) adalah covariance matrix of ε Θδ (theta-delta) adalah covariance matrix of δ Sumber: Hair Jr, Joseph F. et. al., (2010)


51

2.10.2.5 Model Lintasan Belum umum SEM yang juga disebut sebagai full atau hybrid model yang telah dibahas pada subbab sebelumnya mengandung variabel-variabel laten maupun variabel teramati yang saling terkait. Namun, ada kalanya dalam suatu penelitian, terutama penelitian dalam bidang ekonomi, ditemukan model penelitian yang terdiri dari variabel teramati dan tidak mengandung variabel laten, model seperti ini disebut sebagai Path Model atau Model Lintasan.

2.10.2.6 Confirmatory Factor Analysis (CFA) Model pengukuran yang telah dibahas sebelumnya menunjukkan adanya sebuah variabel laten yang diukur oleh satu atau lebih variabel teramati, model seperti ini sering disebut sebagai CFA Model (Confirmatory Factor Analysis Model). Berbeda dengan analisis faktor yang digunakan dalam analisis multivariat (yang dikenal dengan Exploratory Factor Analysis), dalam CFA variabel-variabel teramati merupakan indikator-indokator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. CFA merupakan salah satu pendekatan utama dalam analisis faktor, dimana pendekatan yang lainnya adalah Exploratory Factor Analysis (EFA). Ada perbedaan mendasar antara CFA dan EFA. Pada EFA, model rinci yang menunjukkan hubungan antara variabel laten dengan variabel teramati tidak dispesifikasikan terlebih dahulu. Selain itu, pada EFA jumlah variabel laten tidak ditentukan sebelum analisis dilakukan (diasumsikan semua variabel laten mempengaruhi semua variabel teramati), dan kesalahan pengukuran tidak boleh berkorelasi. Sedangkan dalam CFA, model dibentuk terlebih dahulu, jumlah variabel laten ditentukan oleh analis, pengaruh suatu variabel laten terhadap variabel teramati ditentukan terlebih dahulu, beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau suatu konstanta, kesalahan pengukuran boleh berkorelasi, kovarian variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai tertentu, dan identifikasi parameter diperlukan.


52

Di dalam SEM, variabel-variabel teramati atau indikator-indikator yang digunakan untuk mengukur sebuah variabel laten bersifat reflektif. Dikatakan demikian karena variabel-variabel teramati tersebut dipandang sebagai indikatorindikator yang dipengaruhi oleh konsep yang sama dan yang mendasarinya (yaitu variabel laten). Hal ini perlu diperhatikan mengingat masih banyaknya peneliti yang sering melakukan kesalahan yaitu secara tidak sengaja menggunakan indikator formatif dalam analisis SEM. Variabel/indikator formatif adalah indikator yang membentuk atau menyebabkan adanya penciptaan atau perubahan di dalam sebuah variabel laten (Chin, 1998). Terdapat dua jenis CFA, yaitu first order confirmatory factor analysis dan second order confirmatory factor analysis. First order confirmatory factor analysis merupakan gambaran hubungan antara variabel teramati yang mengukur variabel latennya secara langsung. Sedangkan second order confirmatory factor analysis menggambarkan model pengukuran yang terdiri dari dua tingkat. Tingkat pertama adalah sebuah CFA yang menunjukkan hubungan antara variabelvariabel teramati sebagai indikator-indikator dari variabel laten terkait. Tingkat kedua adalah sebuah CFA yang menunjukkan hubungan antara variabel-variabel laten pada tingkat pertama sebagai indikator-indikator dari sebuah variabel laten tingkat kedua.

2.10.2.7 Direct, Indirect, dan Total Effect Pada bahasan sebelumnya telah dijelaskan bagaimana SEM baik melalui diagram lintasannya maupun model matematiknya menggambarkan hubungan pengaruh (influence) di antara variabel-variabel yang ada di dalamnya. Secara umum, kita bisa membedakan pengaruh atau “effects” (Schumacker dan Lomax, 1996) ke pengaruh langsung (direct effects), tidak langsung (indirect effects), dan pengaruh keseluruhan (total effects). Pengaruh langsung (direct effects) di antara dua variabel laten terjadi ketika ada sebuah panah yang menghubungkan keduanya, dimana pengaruh ini diukur dengan sebuah koefisien struktural. Pengaruh tidak langsung (indirect effects) di antara dua variabel laten kita temui ketika tidak ada panah langsung yang menghubungkan kedua variabel laten tersebut, melainkan melalui satu atau


53

lebih variabel laten lain sesuai dengan lintasan yang ada. Sedangkan pengaruh keseluruhan (total effects) antara dua variabel laten merupakan penjumlahan dari pengaruh langsung dan semua pengaruh tidak langsung yang ada.

2.10.3 Langkah Analisis SEM 2.10.3.1 Perbedaan Orientasi SEM dan Analisis Multivariat Penerapan statistik pada penelitian umumnya didasarkan atas permodelan pengamatan atau observasi secara individual. Misalnya dalam regresi berganda atau ANOVA, estimasi koefisien regresi atau varian kesalahan diperoleh dengan meminimasikan jumlah kuadrat perbedaan antar variabel terikat diprediksi dengan variabel terikat diukur untuk setiap kasus atau observasi. Dalam hal ini, analisis residual menunjukkan perbedaan antara nilai yang dicocokkan (fitted) dengan nilai yang diukur untuk setiap kasus yang ada dalam sampel. Sedangkan dalam SEM, penggunaan kovarian lebih ditekankan dibandingkan dengan kasus-kasus secara individual. Jika dalam statistik biasa, fungsi yang diminimumkan adalah perbedaan antara nilai-nilai yang diamati dengan yang diprediksi, maka pada SEM yang diminimumkan adalah perbedaan antara kovarian sampel dengan kovarian yang diprediksi model. Jadi, yang dimaksud residual dalam SEM adalah perbedaan antara kovarian yang diprediksi dengan kovarian yang diamati, oleh karena itu SEM sering juga disebut sebagai Analysis of Covariance Structure.

2.10.3.2 Hipotesis Fundamental Hipotesis fundamental dalam prosedur SEM adalah bahwa matriks kovarian data dari populasi Σ (matriks kovarian variabel teramati) adalah sama dengan matriks kovarian yang diturunkan dari model Σ(θ) (model implied covariance matrix). Jika model yang dispesifikasikan benar dan jika parameterparameter (θ) data diestimasi nilainya, maka matriks kovarian populasi (Σ) dapat dihasilkan kembali dengan tepat. Hipotesis fundamental tersebut dapat diformulasikan sebagai berikut: H0 : Σ = Σ(θ)


54

di mana Σ adalah matriks kovarian populasi dari variabel-variabel teramati, Σ(θ) adalah matriks kovarian dari model yang dispesifikasikan, dan θ adalah vektor yang berisi parameter-parameter model tersebut. Karena yang diinginkan adalah residual = 0 atau Σ = Σ(θ), maka diusahakan agar pada uji hipotesis terhadap hipotesis fundamental menghasilkan H0 tidak ditolak atau H0 diterima. Hal ini berbeda dengan uji hipotesis statistik pada umumnya yang mementingkan signifikansi atau mencari penolakan terhadap H0 (misalnya pada regresi berganda). Dengan diterimanya H0, yang berarti Σ = Σ(θ), maka dapat dikatakan bahwa data mendukung model yang dispesifikasikan.

2.10.3.3 Tahapan dalam Prosedur SEM Prosedur SEM secara umum mengandung tahap-tahap sebagai berikut (Bollen dan Long, 1993): 1.

Spesifikasi model (model spesification) Tahap ini berkaitan dengan pembentukan model awal persamaan

struktural, sebelum dilakukan estimasi. Model awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya. 2.

Identifikasi (identification) Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya

nilai yang unik untuk setiap parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya. 3.

Estimasi (estimation) Tahap ini berkaitan dengan estimasi terhadap model untuk menghasilkan

nilai-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) Tahap ini berkaitan dengan pengujian kecocokan antara model dengan

data. Beberapa kriteria ukuran kecocokan atau Goodness of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.


55

5.

Respesifikasi (respecification) Tahap ini berkaitan dengan respesifikasi model berdasarkan atas hasil uji

kecocokan tahap sebelumnya.

2.10.3.4 Spesifikasi Model Analisis SEM dimulai dengan menspesifikasikan model penelitian yang akan

diestimasi.

Spesifikasi

model

penelitian,

yang

merepresentasikan

permasalahan yang akan diteliti merupakan langkah yang sangat penting dalam SEM. Hoyle (1998) mengatakan bahwa analisis tidak akan dimulai sampai peneliti menspesifikasikan sebuah model yang menunjukkan hubungan di antara variabel-variabel yang akan dianalisis. Adapun langkah yang dapat dilakukan untuk mendapatkan model adalah: •

Spesifikasi model pengukuran 1. Definisikan variabel-variabel laten yang ada dalam penelitian 2. Definisikan variabel-variabel teramati 3. Definisikan hubungan antara setiap variabel laten dengan variabel-variabel teramati yang terkait

•

Spesifikasi model struktural 1. Definisikan hubungan kausal di antara variabel-variabel laten tersebut

•

Gambar path diagram dari model hybrid yang merupakan kombinasi model pengukuran dan struktural. Ada dua metode pendekatan yang digunakan dalam pembentukan model

SEM, yaitu one step approach dan two step approach. One step approach berarti bahwa estimasi atau pengujian model dilakukan sekaligus secara menyeluruh. Model hubungan antara konstruk dan indikatornya serta hubungan antarkonstruk diestimasi secara simultan. Sedangkan two step approach dilakukan secara bertahap. Pertama dilakukan pengujian terhadap pengukuran model hingga mencapai uji kelayakan model yang baik, kemudian setelah mendapatkan pengukuran model yang baik, setiap konstruk dihubungkan untuk diuji secara struktural. Hair et.al. (1995) memberi catatan terhadap dua pendekatan ini. “Banyak peneliti yang mengusulkan dua tahap proses untuk SEM saat model pertama kali


56

dievaluasi, seperti halnya analisis faktor, dan kemudian pengukuran model dipastikan di tahap kedua saat model struktural diestimasi. Rasionalitas pendekatan ini berarti bahwa keakuratan representasi reliabilitas indikator terbaik dapat dicapai dalam dua tahap, untuk menghindari interaktsi pengukuran model dan model struktural. Ketika kita tidak dapat mengevaluasi secara pasti suatu pengukuran atau model, kita harus mempertimbangkan kemampuan suatu konstruk dibandingkan dengan di antara konstruk, di mana terdapat efek estimasi yang substansial dan hasil interpretational compounding. Sebuah tahap analisis tunggal dengan estimasi simultan model struktural dan pengukuran adalah pendekatan yang terbaik, ketika dasar pemikiran teoritis proses model kuat dan ukuran kepercayaannya tinggi. Hal ini menghasilkan keakuratan hubungan yang tinggi dan meningkatkan kemungkinan interaktsi suatu struktur atau pengukuran. Namun saat menghadapi sebuah pengukuran kurang reliabel dan teoritisnya rendah, peneliti sebaiknya mempertimbangkan sebuah tahap pendekatan untuk meningkatkan kemampuan interpretasi, baik itu model pengukuran maupun model struktural.”

2.10.3.5 Identifikasi Model Sebelum melakukan tahap estimasi untuk mencari solusi dari persamaan simultan yang mewakili model yang dispesifikasikan, terlebih dahulu perlu dilakukan identifikasi dari persamaan simultan tersebut. Secara garis besar, ada 3 kategori identifikasi dalam persamaan simultan yaitu: •

Under-Identified model Model dengan jumlah parameter yang diestimasi lebih besar dari jumlah

data yang diketahui (data tersebut merupakan variance dan covariance dari variabel-variabel teramati). •

Just-Identified model Model dengan jumlah parameter yang diestimasi sama dengan data yang

diketahui. •

Over-Identified model Model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah

data yang diketahui.


57

Dalam melakukan analisis menggunakan SEM, model yang diharapkan adalah model over-identified dan yang dihindari adalah model under-identified. Namun, jika ada indikasi permasalahan berkaitan dengan identifikasi, perlu dilihat sumber-sumber kesalahan yang sering terjadi (Hair et.al. 1989), yaitu: 1.

Parameter yang diestimasi relatif terhadap varian-kovarian matriks sampel, yang menandakan degree of freedom yang kecil.

2.

Penggunaan reciprocal effects.

3.

Kegagalan dalam menetapkan skala dari konstruk. Mueller (1996) menyarankan salah satu usaha yang dapat dilakukan untuk

memperoleh model yang over-identified adalah memiliki salah satu dari 2 pilihan sebagai berikut: (1) menetapkan salah satu muatan faktor λ dari setiap variabel laten yang ada dalam model dengan nilai 1.0, atau (2) variabel laten distandarisasikan ke unit variance, yaitu dengan menetapkan nilai 1 pada komponen diagonal (varian) dari matrik Φ. Jika usaha di atas belum bisa mengatasi masalah identifikasi, maka menurut Hair et.al (1989) satu-satunya solusi adalah menentukan pembatasanpembatasan (constraints) terhadap model lebih banyak lagi, yaitu dengan mengeliminasi beberapa koefisien atau muatan faktor yang ada di dalam model sampai masalah identifikasi dapat diatasi.

2.10.3.6 Estimasi Model Setelah melakukan identifikasi, langkah selanjutnya adalah melakukan estimasi untuk memperoleh nilai dari parameter-parameter yang ada dalam model. Dalam melakukan estimasi, nilai parameter-parameter (Β, Γ, Φ, Ψ, Λx, Θδ, ΛY, dan Θε) diusahakan untuk diperoleh sedemikian sehingga matriks kovarian yang diturunkan dari model (model implied covariance matrix) Σ(θ) sedekat mungkin atau sama dengan matriks kovarian populasi dari variabel-variabel teramati Σ. Karena pada umumnya yang digunakan adalah sampel dari populasi, maka sebagai ganti Σ, digunakan S yang merupakan matriks kovarian sampel dari variabel-variabel teramati. Parameter-parameter yang tidak diketahui dalam Β, Γ, Φ, Ψ, Λx, Θδ, ΛY, dan Θε diestimasi sedemikian sehingga matriks kovarian yang diturunkan dari model Σ sedekat mungkin dengan matriks kovarian sampel S.


58

untuk mengetahui kapan estimasi sudah cukup dekat, diperlukan fungsi yang diminimasikan. Fungsi yang diminimasikan tersebut (fitting function atau fungsi kecocokan) merupakan fungsi dari S dan Σ(θ) yaitu F(S, Σ(θ)). Minimisasi dilakukan secara iterasi dan jika hasil estimasi

disubstitusikan ke Σ(θ) maka

diperoleh matriks Σ dan fungsi hasil minimisasi untuk

adalah F(S, Σ ).

Ada beberapa fungsi yang diminimasikan F, dan ini berkaitan dengan estimator yang digunakan, yaitu: Instrument Variable (IV), Two Stage Least Square (TSLS), Unweighted Least Square (ULS), Generalize Least Square (GLS), Maximum Likelihood (ML), Weighted Least Square (WLS), Diagonally Weighted Least Square (DWLS). Dimana yang paling sering digunakan dalam SEM adalah Maximum Likelihood Estimator (MLE). MLE mempunyai beberapa karakteristik yang penting dan karakteristik ini adalah asimptotik sehingga berlaku untuk sampel yang besar (Bollen, 1989). Beberapa karakteristik tersebut diantaranya: •

MLE secara asimptotik tidak bias, meskipun estimator ini bias untuk sampel kecil.

•

MLE adalah konsisten.

•

MLE adalah asymptotically efficient, sedemikian sehingga di antara estimator yang konsisten, tidak ada yang mempunyai asymptotic variance lebih kecil.

•

Distribusi dari estimator mendekati distribusi normal ketika ukuran sampel meningkat. Karakteristik lain yang juga penting adalah, dengan sedikit pengecualian

FML adalah scale invariant atau scale free. Sifat ini berkaitan dengan konsekuensi perubahan unit pengukuran dari satu variabel teramati atau lebih. Nilai-nilai dari fungsi F akan sama untuk matriks korelasi dan kovarian, atau secara umum, mereka sama untuk berbagai perubahan skala pengukuran. Meskipun MLE populer penggunaannya dalam SEM, tetapi ada kekurangannya yang perlu diperhatikan, yaitu ketika nonormality atau excessive kurtosis mengancam validitas dari uji signifikansi MLE. Bollen (1989) menyarankan beberapa alternatif untuk mengatasi hal ini, yaitu:


59

1.

Mentransformasikan variabel sedemikian rupa sehingga mempunyai multinormalitas yang lebih baik dan menghilangkan kurtosis yang berlebihan.

2.

Menyediakan penyesuaian pada uji statistik dan kesalahan standar biasa sehingga hasil modifikasi uji signifikan dari FML adalah secara asimptotis benar (asymptotically correct).

3. 4.

Menggunakan bootstrap resampling procedures. Menggunakan estimator alternatif yang menerima ketidaknormalan (nonnormality) dan estimator tersebut asymptotically efficient. Weighted Least Square (WLS) adalah salah satu di antara metode tersebut. Berbeda dengan MLE yang didasarkan atas multinormal distribution,

WLS adalah asymptotic distribution free. WLS merupakan nama yang digunakan LISREL untuk metode estimasi yang diadaptasi dari metode Asymptotically Distribution Free atau ADF dari Browne (1984). ADF merupakan metode estimasi paling umum karena tidak tergantung kepada jenis distribusi data. Meskipun WLS mempunyai kelebihan dibandingkan dengan MLE, tetapi ukuran sampel yang dibutuhkan untuk melakukan estimasi dengan WLS lebih besar dibandingkan MLE. Bentler dan Chou (1987) menyarankan bahwa paling rendah rasio 5 responden per variabel akan mencukupi untuk distribusi normal ketika sebuah variabel laten mempunyai beberapa indikator (variabel teramati), dan rasio 10 responden per variabel teramati akan mencukupi untuk distribusi yang lain. Berdasarkan hal ini, maka sebagai rule of thumb, ukuran sampel yang diperlukan untuk estimasi ML adalah minimal 5 responden untuk setiap variabel teramati yang ada di dalam model, sedangkan estimasi WLS memerlukan minimal 10 responden untuk tiap variabel teramati.

2.10.3.7 Uji Kecocokan Model Setelah melakukan estimasi terhadap model, langkah selanjutnya adalah melakukan uji kecocokan model. Untuk pengujian kecocokan model, digunakan yang paling utama adalah nilai p-value dengan nilai > 5% atau nilai RMSEA dengan nilai < 8%. Jika parameter paling utama tersebut telah dipenuhi, maka model dianggap sudah cocok dengan data yang digunakan untuk menguji


60

penelitian yang dilakukan (Jöreskog, 1993). Beberapa tahap untuk menguji kecocokan model (goodness of fit) ini adalah: 1.

Kecocokan keseluruhan model (overall model fit) SEM tidak mempunyai uji statistik tunggal terbaik yang dapat

menjelaskan kekuatan dalam memprediksi sebuah model. Sebagai gantinya, peneliti mengembangkan beberapa kombinasi uji kecocokan model yang menghasilkan tiga perspektif, yaitu overall fit, comparative to base model, dan model parsimony (Hair et. al. 1995). Beberapa kombinasi uji kecocokan keseluruhan model yang dapat digunakan untuk menjustifikasi apakah sebuah model telah memenuhi syarat sebagai model yang baik terbagi menjadi tiga kelompok, yaitu: •

Ukuran kecocokan mutlak (absolute fit measure) Ukuran kecocokan model secara keseluruhan (model struktural dan model

pengukuran) terhadap matriks korelasi dan matriks kovarian. •

Ukuran kecocokan incremental/relatif (incremental/relative fit measure) Ukuran kecocokan yang bersifat relatif, digunakan untuk pembandingan

model yang diusulkan dengan model dasar yang digunakan oleh peneliti. •

Ukuran kecocokan parsimoni (parsimonious/adjusted fit measure) Ukuran kecocokan yang mempertimbangkan banyaknya koefisien di

dalam model. Adapun pengelompokan indikasi kecocokan model (goodness of fit indices) dijabarkan lebih lengkap dalam tabel 2.4 di bawah ini.


61

Tabel 2.4 Perbandingan Ukuran-ukuran GOF UKURAN GOF

TINGKAT KECOCOKAN YANG BISA DITERIMA ABSOLUTE FIT MEASURES

Statistic Chi-square (χ2)

Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semakin kecil semakin baik.

Non-Centrality Parameter (NCP)

Dinyatakan dalam bentuk spesifikasi ulang dari Chisquare. Penilain didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik.

Scaled NCP

NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka perbandingan antar model. Semakin kecil semakin baik.

Goodness-of-Fit Index (GFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0.90 adalah good-fit, sedangkan 0.80 ≤ GFI ≤ 0.90 adalah marginal fit. Residual rata-rata antara matriks (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 dalam sampel. RMSEA ≤ 0.08 adalah good fit, sedangkan RMSEA ≤ 0.05 adalah close fit.

Root Mean Square Residual (RMR) Root Mean Square Error of Approximation (RMSEA) Expected Cross-Validation Index (ECVI)

Digunakan untuk perbandingan antar model. Semakin kecil semakin baik. Pada model tunggal, nilai ECVI dari model yang mendekati nilai saturated ECVI menunjukkan good fit.

INCREMENTAL FIT MEASURES Tucker-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI)

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

Normed Fit Index (NFI)

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

Adjusted Goodnes of Fit Index (AGFI)

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


62

Tabel 2.5 Perbandingan Ukuran-ukuran GOF (Sambungan) UKURAN GOF

TINGKAT KECOCOKAN YANG BISA DITERIMA INCREMENTAL FIT MEASURES Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0.90 adalah good-fit, sedangkan 0.80 ≤ CFI ≤ 0.90 adalah marginal fit.

Comparative Fit Index

PARSIMONIOUS FIT MEASURES Parsimonious Goodness of Fit (PGFI)

Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan di antara model-model.

Normed Chi-Square

Rasio antara Chi-square dibagi degree of freedom. Nilai yang disarankan: batas bawah: 1.0, batas atas: 2.0 atau 3.0 dan yang lebih longgar 5.0.

Parsimonious Normed Fit Index (PNFI)

Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan untuk perbandingan antarmodel alternatif.

Akaike Information Criterion (AIC)

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

Consistent Akaike Information Criterion (CAIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antarmodel. Pada model tunggal, nilai CAIC dari model yang mendekati nilai saturated CAIC menunjukkan good fit. OTHER GOFI

Critical "N" (CN)

CN ≥ 200 menunjukkan ukuran sampel mencukupi untuk digunakan mengestimasi model. Kecocokan yang memuaskan atau baik. Sumber: Hair Jr, Joseph F. et. al., (2010)

2.

Kecocokan model pengukuran (measurement model fit) Evaluasi model pengukuran dilakukan terhadap masing-masing konstruk

laten yang ada di dalam model. Pertama dilakukan pengujian kecocokan model dari nilai p-value (>5%) atau nilai RMSEA (<8%). Kemudian dilakukan pemeriksaan terhadap konstruk laten dilakukan berkaitan dengan pengukuran konstruk laten oleh variabel teramati. Evaluasi ini dilakukan terpisah, meliputi apakah suatu indikator/variabel teramati benar-benar mengukur konstruk latennya (validitas) dan seberapa besar tingkat konsistensi variabel teramati tersebut mengukur konstruk latennya (reliabilitas). Menurut Ridgon dan Fergusen (1991) serta Doll, Xia, dan Torkzadeh (1994), suatu variabel dikatakan mempunyai validitas yang baik terhadap suatu


63

konstruk laten apabila nilai t-value lebih besar dari nilai kritis ( ≥ 1,96 atau praktisnya > 2). 3.

Kecocokan model struktural (structural model fit) Evaluasi terhadap model struktural berkaitan dengan pengujian hubungan

antarvariabel yang sebelumnya dihipotesiskan. Apakah koefisien hubungan antarvariabel tersebut signifikan secara statistik atau tidak. Pertama dilakukan pengujian kecocokan model dari nilai p-value (>5%) atau nilai RMSEA (<8%). Apabila digunakan pengujian satu arah dengan taraf nyata sebesar 5%, titik kritis untuk uji satu arah adalah 1,645. Sebaliknya untuk uji dua arah, titik kritisnya adalah 1,96. Sebuah variabel laten dikatakan mempunyai pengaruh terhadap suatu variabel laten lainnya apabila nilai t-value lebih besar dari 1,96 atau kurang dari 1,96. Muatan faktor standarnya (standardized factor loading) Menurut Igbaria et.al. (1997) yang menggunakan guidelines dari Hair et.al. (1995) tentang “Relative importance and significant of the loading factor item”, factor loading ≥ 0,5 adalah very significant, dan factor loading ≥ 0,3 dinilai cukup signifikan mempengaruhi suatu variabel terhadap variabel lainnya. Dalam prakteknya, pengujian yang biasa digunakan menggunakan dua arah, yaitu menggunakan batas nilai t-statistik 1,96. Untuk evaluasi terhadap keseluruhan persamaan struktural, koefisien determinasi (R2) yang digunakan serupa dengan analisis regresi. Nilai (R2) menjelaskan seberapa besar variabel eksogen yang dihipotesiskan mampu menerangkan variabel endogen.

2.10.3.8Respesifikasi Model Apabila model yang dihipotesiskan belum mencapai model yang fit, maka peneliti bisa melakukan respesifikasi model untuk mencapai nilai fit yang baik. Oleh karena itu, pendekatan teori yang benar ketika melakukan respesifikasi model ini dibutuhkan. Respesifikasi model dilakukan dengan modifikasi pada program SIMPLIS. Ada beberapa cara yang dapat dilakukan untuk melakukan modifikasi ini, yaitu: 1.

Menghapus variabel teramati yang tidak memenuhi syarat validitas dan reliabilitas yang baik


64

2.

Memanfaatkan informasi yang terdapat dalam modification indices, yaitu: •

Penambahan path (lintasan) baru pada baru diantara variabel teramati dengan variabel laten dan antar variabel laten

• Penambahan error covariance diantara dua buah error variances.


BAB 3 PENGUMPULAN DAN PENGOLAHAN DATA

3.1

Profil Perusahaan

3.1.1

Profil Perusahaan PT Telkomsel Telkomsel merupakan operator selular terkemuka di Indonesia yang

dimiliki PT Telkom dengan kepemilikan saham sebesar 65 persen dan SingTel sebesar 35 persen. Hingga Juni 2010, Telkomsel dipercaya melayani 88,3 juta pelanggan, menjadikan Telkomsel sebagai pemimpin pasar di industry telekomunikasi selular dengan pangsa pasar sekitar 50 persen. Sebagai operator selular yang memiliki visi “Best and Leading Mobile Lifestyle and Solutions Provider in the Region”, Telkomsel menyediakan ragam pilihan layanan yang disesuaikan dengan kebutuhan pelanggan melalui produk paskabayar kartuHALO maupun prabayar simPATI dan Kartu As. Komitmen kuat Telkomsel dalam menghadirkan layanan mobile lifestyle yang semakin berkualitas sangat jelas terlihat dengan secara konsisten mengimplementasikan roadmap teknologi selular terkini, yakni 3G, HSDPA, HSPA,

HSPA+,

serta

Long

Term

Evolution.

Tahun

ini

Telkomsel

mengembangkan jaringan mobile broadband dengan mencanangkan 24 kota besar sebagai broadband city. Sebagai pemimpin di industri telekomunikasi selular, Telkomsel telah menggelar 34.000 Base Transceiver Station termasuk lebih dari 6.000 Node B yang menjangkau 95 persen wilayah populasi Indonesia. Seiring diselesaikannya program Universal Service Obligation yang diamanahkan pemerintah untuk menggelar jaringan di 25.000 desa, maka layanan Telkomsel menjangkau hampir 100 persen wilayah populasi Indonesia. Bahkan kenyamanan berkomunikasi pelanggan Telkomsel yang sedang berada di luar negeri tetap terjamin berkat dukungan 403 mitra operator international roaming dan 300 mitra operator data roaming di lebih dari 200 negara di seluruh belahan dunia.

65 Analisis pengaruh ..., Luky Hananto, FT UI, 2011 Universitas Indonesia

66

3.1.2

Profil Perusahaan PT XL Axiata PT Excelcomindo Pratama Tbk. (“XL” atau “Perseroan”) didirikan pada

tanggal 6 Oktober 1989 dengan nama PT Grahametropolitan Lestari yang bergerak di bidang perdagangan dan jasa umum. Pada tahun 1995, seiring dengan kerjasama antara Rajawali Group – pemegang saham – dengan beberapa investor asing (Nynex, AIF dan Mitsui), PT Grahametropolitan Lestari mengubah nama menjadi PT Excelcomindo Pratama dengan kegiatan utama usahanya sebagai penyelenggara jasa teleponi dasar. XL mulai beroperasi secara komersial pada tanggal 8 Oktober 1996 dengan menyediakan jasa telepon dasar menggunakan teknologi GSM 900. Dalam perkembangannya, XL juga memperoleh Izin Penyelenggaraan Jaringan Bergerak Seluler untuk teknologi DCS 1800, Izin Penyelenggaraan Jaringan Tetap Tertutup, Izin Penyelenggaraan Jasa Internet (Internet Services Protocol/ISP) dan Izin Penyelenggaraan Jasa Internet Teleponi untuk Keperluan Publik (Voice over Internet Protocol/VoIP). Pada tahun 2006, XL memperoleh Izin Penyelenggaraan Seluler untuk teknologi 3G dan meluncurkannya secara komersial pada bulan September 2006. Hingga saat ini, XL telah mendirikan lebih dari 13.000 menara Base Transceiver Station (BTS) di seluruh Indonesia untuk melayani 22 juta pelanggannya. XL berkomitmen untuk terus meningkatkan kualitas dan cakupan wilayah selulernya di masa mendatang, agar kebutuhan komunikasi para pelanggan dapat senantiasa berjalan kapanpun, di manapun. Untuk memberikan pelayanan dan dukungan terbaik bagi para pelanggannya, hingga kwartal I tahun 2007 telah tersedia lebih dari 156 gerai XL Center di seluruh Indonesia, didukung oleh layanan Contact Center yang selalu siap menyediakan informasi kepada pelanggan selama 24 jam sehari, tujuh hari seminggu. Pada tahun 2006, XL resmi memperoleh lisensi 3G, dan selain menggelar layanan 3G yang inovatif, pelanggan XL semakin dimanjakan dengan hadirnya dukungan Video Contact Center, layanan dukungan pelanggan berbasis teknologi 3G. Dengan penyediaan produk, layanan dan dukungan pelanggan tersebut, berbagai penghargaan bergengsi telah diraih oleh XL. Penghargaan ini sebagai bukti komitmen XL untuk senantiasa meningkatkan kualitas dan inovasi produk


Universitas Indonesia

67

serta layanannya. Visi PT XL Axiata adalah Menjadi juara seluler Indonesia – memuaskan pelanggan, pemegang saham dan karyawan. 3.1.3

Profil Perusahaan PT Indosat PT Indosat Tbk. pertama kali didirikan oleh pemerintah pada tahun 1967

sebagai perusahaan modal asing yang menyediakan jasa telekomunikasi internasional di Indonesia. Pada tahun 1969, Indosat memulai kegiatan komersialnya dengan mengoperasikan International Telecommunications Satellite Organization (Intelsat) di Indonesia secara BTO (Built, Transfer and Operate). Secara operasional, PT Indosat dikenal dengan selesainya pembangunan stasiun Bumi Intelsat di Jatiluhur Purwakarta, Jawa Barat. Pada tahun 1980, Indosat menjadi Badan Usaha Milik Negara yang seluruh sahamnya dimiliki oleh Pemerintah Indonesia. Pada tahun 1981, dilakukan pemisahan

jaringan

telekomunikasi

untuk

domestik

dan

internasional.

Telekomunikasi untuk umum nasional diselenggarakan oleh PERUMTEL (Telkom), sedangkan telekomunikasi umum internasional diselenggarakan oleh PT Indosat. Hingga tahun 1990, Indosat terus menyediakan layanan telekomunikasi seperti SLI dan layanan transmisi televisi antarbangsa. Pada tahun 1994, PT Indosat menjadi BUMN pertama yang melakukan go public. Indosat mengeluarkan 258.875.000 saham dalam bentuk ADR di NYSE (New York Stock Exchange) dan pada tanggal 19 Oktober 1994, tercatat di BEJ (Bursa Efek Jakarta) dan BES (Bursa Efek Surabaya). Dengan adanya penjualan saham ke luar negeri, kepemilikan saham Indosat yang semula 100% milik pemerintah RI berubah menjadi 65% milik pemerintah RI dan 35% milik publik (nasional & internasional). Pada akhir tahun 2002, pemerintah kembali menjual saham Indosat sebesar 41,94% kepada Singapore Technologies Telemedia Pte. Ltd. (STT) sehingga PT Indosat pun kembali menjadi perusahaan modal asing (PMA). Selain sebagai


Universitas Indonesia

68

penyedia jasa telekomunikasi untuk umum internasional, Indosat juga kemudian mulai berkembang dan memasuki bisnis industri seluler GSM. Keseriusan Indosat ini dibuktikan dengan adanya penggabungan usaha dari anak-anak perusahaannya pada tahun 2003, yaitu PT Satelit Palapa Indonesia (Satelindo), PT Indonesia Multimedia Mobile (IM3), dan PT Bimagraha Telekomindo. Dengan adanya penggabungan ini, maka semua aset dan kekayaan berpindah ke Indosat. Sejak melakukan penetrasi terhadap industri selular Indonesia melalui akuisisi terhadap Satelindo dan IM3, pelayanan selular telah menjadi kontributor utama bagi pendapatan operasi Indosat. Pada tanggal 1 Maret 2007 STT menjual kepemilikan saham Indosat sebesar 25% di Asia Holdings Pte. Ltd. ke Qatar Telecom. Pada 31 Desember 2008, saham Indosat dimiliki oleh Qatar telecom Q.S.C. (Qtel) secara tidak langsung melalui

Indonesia

Communication

Limited

(ICLM)

dan

Indonesia

Communications Pte. Ltd. (ICLS) sebesar 40,81%, sementara Pemerintah RI dan Publik memiliki masing-masing 14,29% dan 44,90%. Di tahun 2009 Qtel memiliki 65% saham Indosat melalui tender offer (memiliki tambahan 24,19% saham seri B dari publik). Untuk menjalankan strategi perusahaan dalam rangka pencapaian tujuan, PT Indosat Tbk. memerlukan visi dan misi perusahaan yang menjadi landasan dalam setiap langkah perusahaan. Visi dan Misi dari Indosat adalah: Visi: Menjadi pilihan solusi dan penyedia jasa informasi dan telekomunikasi di Indonesia, dengan: •

Menyediakan produk, layanan, serta solusi informasi dan telekomunikasi yang berkualitas.

•

Menjadi “Top of Mind” pelanggan untuk produk, layanan, serta solusi jasa telekomunikasi dan informasi.

•

Menyediakan produk dan layanan yang dapat meningkatkan kualitas hidup dari masyarakat.

Misi: Adapun misi dari Indosat adalah:


69

•

Menyediakan dan mengembangkan produk, layanan, serta solusi yang inovatif dan berkualitas, yang dapat memberikan value terbaik kepada pelanggan.

•

Secara kontinu meningkatkan shareholder value.

•

Memberikan kualitas hidup yang lebih baik kepada stakeholder Indosat.

3.2

Desain, Jenis, dan Populasi Penelitian

3.2.1

Desain dan Jenis Penelitian Penelitian ini merupakan penelitian Cross Section, yaitu penelitian yang

digunakan untuk mengetahui hubungan komparatif beberapa subyek yang ingin diteliti dengan suatu sampel responden melalui satu pengambilan data (Malhotra, 2004). Penelitian ini bersifat deskriptif, dimana penelitian ini digunakan untuk mengetahui pengaruh variabel-variabel yang memiliki hubungan terhadap loyalitas pelanggan operator seluler di Indonesia. 3.2.2

Populasi dan Sampel Penelitian Populasi yang digunakan dalam penelitian ini adalah mahasiswa di

Jabodetabek yang menggunakan produk operator seluler tiga terbesar di Indonesia yaitu, Telkomsel, Indosat, dan XL. Namun karena populasi tersebut sangat besar dan tidak mungkin untuk diambil datanya secara keseluruhan, maka dalam penelitian ini digunakan metode sampling untuk mengumpulkan data dari populasi penelitian. Metode sampling yanng digunakan adalah Non-probability Sampling. Artinya setiap responden yang memiliki kriteria populasi tidak memiliki kesempatan yang sama untuk dipilih menjadi sampel. Beberapa karakteristik mengenai metode sampling yang digunakan adalah: 1.

Non-probability Sampling diharapkan mampu menghilangkan persoalan biaya dan pengembangan rangka sampling. (Aaker, Kumar, Day, 1998)

2.

Keterbatasannya adalah adanya bias tersembunyi dan ketidakpastian hasil penelitian. Namun, metode ini sering digunakan secara legitimate dan efektif dalam penelitian internasional. (Aaker et. al., 1998)


70

3.

Pemilihan unit sampel berdasarkan pertimbangan subyektif. Metode Nonprobability Sampling yang digunakan adalah Purposive Sampling, dimana pengambilan sampel dilakukan dari pengguna GSM Telkomsel, Indosat, dan XL yang paling mudah diakses dan bersedia menjadi responden.

4.

Rangka sampling terstratifikasi berdasarkan beberapa kriteria, yaitu: • Jenis Kelamin (Data Responden) • Usia (Data Responden) • Tempat Tinggal (Data Responden) • Tingkat Pendidikan (Data Responden) • Status Pernikahan (Data Responden) • Operator Seluler yang digunakan (Data Provider) • Pertimbangan Penggunaan Operator Seluler (Data Provider) • Tujuan Penggunaan Operator Seluler (Data Provider) • Cara Pengisian Pulsa (Data Provider) • Pengeluaran Pulsa Bulanan (Data Provider)

3.3

Model dan Hipotesis Awal Penelitian Berdasarkan model penelitian yang telah dikembangkan oleh Dr. Feng-

Cheng Tung di dalam jurnal “Exploring Customer Satisfaction, Perceived Quality, and Image : an Empirical Study in Mobile Services Industry”, Peneliti mencoba membangun model penelitian dengan mengadopsi variabel-variabel yang ada pada model tersebut dan membuatnya menjadi model penelitian yang akan diuji hubungan keterkaitannya dalam penelitian ini. Model hubungan keterkaitan ini dapat dilihat pada Gambar 3.1 di bawah.


71

Gambar 3.1 Model Awal Penelitian Pada model tersebut dapat dilihat bahwa area inovasi yang akan diteliti lebih lanjut adalah inovasi produk, proses/layanan, teknologi, dan pemasaran, yang merupakan empat dari tujuh area inovasi berdasarkan pendekatan sistemik yang sebelumnya telah dibahas pada Bab 2. Peneliti hanya memasukkan 4 area ini dalam penelitian karena 4 area inovasi ini yang dianggap berhubungan langsung dengan pelanggan, sehingga peneliti bisa melakukan evaluasi terhadap area-area tersebut berdasarkan persepsi dari pelanggan. Demikian pula di dalam area kualitas yang dirasakan (perceived quality) diteliti lebih lanjut pada kualitas jaringan, kualitas jangkauan, kualitas kejernihan suara, kualitas perpindahan data, dan kualitas pelayanan pelanggan (customer service) Beberapa hipotesis awal yang akan diuji kebenarannya dalam penelitian ini adalah: • H1 : Customer Loyalty dipengaruhi oleh semua variabel-variabel yang ada dalam model penelitian. Lebih spesifik, Customer Loyalty secara langsung dipengaruhi oleh Customer Commitment (H1a) dan Customer Complaint (negatif, H1b). Secara langsung dan tidak langsung dipengaruhi oleh Customer Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

72

Satisfaction (H1c) serta Innovation (H1d). Kemudian, Customer Loyalty juga secara tidak langsung dipengaruhi oleh Corporate Image (H1e), Perceived Value (H1f), Customer Trust (H1g), Perceived Ease of Use (H1h), Customer Expectation (H1i), dan Perceived Quality (H1j) melalui variabel lain yang ada dalam model. • H2 : Customer Commitment secara positif dipengaruhi oleh Customer Trust, Customer Satisfaction, Corporate Image, Perceived Value, Perceived Ease of Use, Customer Expectation, Perceived Quality, dan Innovation. Customer Commitment secara langsung dipengaruhi oleh Customer Trust (H2a) dan secara tidak langsung dipengaruhi oleh Customer Satisfaction (H2b), Corporate Image (H2c), Perceived Value (H2d), Perceived Ease of Use (H2e), Customer Expectation (H2f), Perceived Quality (H2g), dan Innovation (H2h) • H3 : Customer Trust secara positif dipengaruhi oleh Customer Satisfaction, Corporate Image, Perceived Value, Perceived Ease of Use, Customer Expectation, Perceived Quality, dan Innovation. Customer Trust secara langsung dipengaruhi oleh Customer Satisfaction (H3a) dan secara tidak langsung dipengaruhi oleh Corporate Image (H3b), Perceived Value (H3c), Perceived Ease of Use (H3d), Customer Expectation (H3e), Perceived Quality (H3f), dan Innovation (H3g). • H4 : Customer Complaint secara negatif dipengaruhi oleh Customer Satisfaction, Corporate Image, Perceived Value, Perceived Ease of Use, Customer Expectation, Perceived Quality, dan Innovation. Customer Complaint secara langsung dipengaruhi oleh Customer Satisfaction (H4a) dan secara tidak langsung dipengaruhi oleh Corporate Image (H4b), Perceived Value (H4c), Perceived Ease of Use (H4d), Customer Expectation (H4e), Perceived Quality (H4f), dan Innovation (H4g). • H5 : Customer Satisfaction secara secara positif dipengaruhi oleh Customer Expectation, Perceived Quality, Perceived Value, Perceived Ease of Use, Corporate Image, dan Innovation.


73

Lebih spesifik, Customer Satisfaction secara langsung dipengaruhi oleh Perceived Value (H5a), Corporate Image (H5b), Perceived Ease of Use (H5c), serta secara langsung dan tidak langsung dipengaruhi oleh Customer Expectation (H5d), Perceived Quality (H5e), dan Innovation (H5f). • H6 : Perceived Value secara positif dipengaruhi oleh Customer Expectation, Perceived Quality, dan Innovation. Perceived Value secara langsung dipengaruhi oleh Perceived Quality (H6a) dan Innovation (H6b), serta secara langsung dan tidak langsung dipengaruhi oleh Customer Expectation (H6c). • H7 : Perceived Quality secara positif dipengaruhi oleh Customer Expectation dan Innovation. Perceived Quality secara langsung dipengaruhi oleh Customer Expectation (H7a) dan Innovation (H7b). • H8 : Customer Expectation secara positif dipengaruhi oleh Innovation (H8a). 3.4

Definisi Operasional Variabel Penelitian Dalam penelitian ini terdapat tiga kelompok variabel yang perlu

didefinisikan, yaitu variabel-variabel yang mewakili dimensi penelitian inovasi, dimensi penelitian kualitas yang dirasakan (Perceived Quality), dan model loyalitas pelanggan yang ada. Tiga kelompok variabel ini perlu dideklarasikan terlebih dahulu definisi operasionalnya agar tidak terjadi kesalahan dalam tahap pengumpulan data melalui kuesioner. 3.4.1 Pendefinisian Dimensi Inovasi Tujuh area atau dimensi inovasi berdasarkan pendekatan sistemik tersebut diperkenalkan oleh Vadim Kotelnikov (Inventor, author dan founder Ten3 Business e-Coach) yaitu : Bussiness, Strategy, Organizational, Marketing, Product, Process, Technology. Dalam penelitian ini, peneliti hanya memasukkan 4 area ini dalam penelitian karena 4 area inovasi ini yang dianggap berhubungan langsung dengan pelanggan, sehingga peneliti bisa melakukan evaluasi terhadap area-area tersebut berdasarkan persepsi dari pelanggan. Berdasarkan jurnal “The Effects of Innovation Diffusion on Customer Loyalty” yang ditulis oleh Dr. Yao-kuei Lee dan Dr. Tsai-lung Liu, peneliti mendefinisikan atribut-atribut inovasi yang akan digunakan dalam penelitian.


74

Adapun penjelasan mengenai kedua atribut tersebut, beserta pertanyaan yang digunakan dalam pengumpulan data dapat dilihat pada Tabel 3.1 di bawah: Tabel 3.1 Atribut Pengukuran Dimensi Variabel Inovasi Variabel Laten

Dimensi

Atribut Pengukuran Relative Advantage Compatibility Reliability of Service Quality Comfortability of Service Quality Technology - Based Improve Customer Benefit Market - Based Depart from existing market

Product Innovation Process Innovation Innovation Technology Innovation Marketing Innovation

3.4.2

Pendefinisian Dimensi Quality of Service (Perceived Quality) Dimensi kualitas yang dimasukan dalam penelitian ini adalah Kualitas

Jaringan, Kualitas Jangkauan, Kualitas Kejernihan Suara, Kualitas Data Transfer Rate, Kualitas Customer Service. Dasar penggunaan dimensi di atas adalah Peraturan Menteri Komunikasi dan Informatika Tahun 2007 Tentang Standar Wajib Kinerja Operasi Penyelenggaraan Jaringan dan Jasa Telepon Bergerak Selular. Tabel 3.2 Atribut Pengukuran Dimensi Variabel Quality of Service Variabel Laten

Dimensi

Atribut Pengukuran

Network Quality Coverage Quality Perceived Quality

Voice Limpidity Quality Data Transfer Rate Quality

Customer Service Quality

Overall Network Quality Reliability of Network Quality Overall Coverage Quality Reliability of Coverage Quality Overall Voice Limpidity Quality Reliability of Voice Limpidity Quality Overall Data Transfer Rate Quality Reliability of Data Transfer Rate Quality Overall Customer Service Quality Reliability of Customer Service Quality


75

3.4.3

Pendefinisian Variabel Teramati Keseluruhan Variabel Pengukuran Pada tabel berikut dapat dilihat variabel teramati yang merupakan hasil

manifestasi dari variabel laten yang ingin diteliti pengaruhnya terhadap variabel laten lainnya. Variabel teramati ini yang akan berinteraksi langsung dengan responden untuk dapat mengukur tingkat kesetujuan yang diajukan di dalam kuesioner mengenai variabel-variabel yang diukur dalam penelitian ini. Tabel 3.3 Variabel Teramati dari Variabel Inovasi Variabel Laten

Atribut Pengukuran

Variabel Teramati

Innovation Product Innovation

Process Innovation

Relative Advantage

Produk yang ditawarkan kompetitif / dapat bersaing dengan provider lain

Compatibility

Fitur produk yang diberikan lengkap Produk yang diberikan telah memperhatikan kebutuhan pelanggan Produk yang diberikan sesuai dengan perkembangan pasar dan lingkungan sosial

Reliability of Service Quality

Layanan yang diberikan handal (ketepatan layanan, call center 24 jam, dan lainnya) Layanan yang diberikan nyaman sesuai dengan keinginan

Comfortability of Service Quality

Technology Innovation

Customer Benefit Relative

TechnologyBased

Marketing Innovation

Layanan yang diberikan dapat menghemat waktu pelanggan (payment-point, pengisian pulsa, pembayaran tagihan) Layanan yang diberikan sesuai dengan gaya hidup pelanggan (seperti: diskon belanja, promo lainnya) Layanan yang diberikan sesuai dengan pola kerja pelanggan (seperti: conference call) Teknologi yang digunakan dapat mendukung performa produk yang diberikan Teknologi yang digunakan dapat mendukung performa layanan yang diberikan Teknologi yang diberikan sesuai dengan kebutuhan untuk melayani pelanggan Teknologi yang digunakan mengusung perkembangan teknologi terbaru Teknologi yang digunakan oleh provider menerapkan sistem teknologi yang mutakhir

Market-Based

Promosi yang diberikan dapat menarik minat pelanggan dengan berbagai macam tawaran

Depart from Existing Market Segment

Media promosi yang digunakan memperhatikan kebiasaan pelanggan Promosi yang diberikan provider mengikuti perkembangan social network pelanggan Promosi yang diberikan selalu berorientasi kepada perkembangan yang terjadi di masyarakat


76

Tabel 3.4 Variabel Teramati dari Variabel Perceived Quality Variabel Laten

Atribut Pengukuran

Variabel Teramati

Perceived Quality Network Quality

Overall Network Quality

Reliability of Network Quality

Coverage Quality

Overall Coverage Quality

Reliability of Coverage Quality Voice Limpidity Quality

Overall Voice Limpidity Quality Reliability of Voice Limpidity Quality

Data Transfer Rate Quality

Overall Data Transfer Rate Quality Reliability of Data Transfer RateQuality


Overall Customer Service Quality Reliability of Customer Service Quality

Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas jaringan yang berkualitas Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan jaringan yang berkualitas Kualitas jaringan yang ditawarkan provider yang saya gunakan selalu terhubung dengan baik / tidak putus-putus (reliable) Pelanggan merasa kualitas jaringan yang diberikan semakin baik Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas jangkauan (coverage) yang luas Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan jangkauan (coverage) yang luas Saya dapat terhubung dimana pun saya berada (reliable) Pelanggan merasa kualitas jangkauan yang diberikan semakin baik Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas suara yang jernih Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan kejernihan suara yang jernih Kualitas kejernihan suara yang ditawarkan provider yang saya gunakan selalu jernih tanpa gangguan (reliable) Pelanggan merasa kualitas kejernihan suara yang diberikan semakin baik Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas perpindahan data yang cepat Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan perpindahan data yang cepat Kualitas perpindahan data yang ditawarkan provider yang saya gunakan selalu cepat / tidak terputus putus (reliable) Pelanggan merasa kualitas perpindahan data yang diberikan semakin baik Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas pelayanan pelanggan yang berkualitas Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan pelayanan pelanggan yang berkualitas Kualitas pelayanan pelanggan yang ditawarkan provider yang saya gunakan selalu melayani setiap saat / 24 jam (reliable) Pelanggan merasa kualitas pelayanan yang diberikan semakin baik


77

Tabel 3.5 Variabel Teramati dari Variabel Model Loyalitas Pelanggan Variabel Laten

Perceived Value

Atribut Pengukuran Rate the price with the quality

Rate the quality with the price

Accurate of Service Overall expectations Customer Expectation Expectation of reliability

Corporate Image

Perceived Ease of Use

Meet the personal requirement Social contribution to the society Innovative and Forward Looking Innovative and Forward Looking Customer oriented Valuable service Easy to use Not much care or attention to interact with Easy to get what the user need Easy to understand the human interface

Variabel Teramati Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas produk yang diberikan Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas layanan yang diberikan Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas teknologi yang diberikan Kualitas produk yang saya rasakan sesuai dengan tarif yang ditetapkan Kualitas layanan yang saya rasakan sesuai dengan tarif yang dibayar Kualitas teknologi yang saya rasakan sesuai dengan tarif yang dibayar Tingkat ketepatan yang diberikan oleh provider (seperti ketepatan tagihan, dan rincian biaya) sesuai dengan pemakaian Provider yang saya gunakan memberikan kualitas produk yang dapat memenuhi harapan saya Provider yang saya gunakan memberikan kualitas layanan yang dapat memenuhi harapan saya Kehandalan produk yang ditawarkan provider sesuai dengan apa yang saya harapkan Kehandalan layanan yang ditawarkan provider yang saya gunakan sesuai dengan apa yang saya harapkan Kehandalan teknologi yang ditawarkan provider yang saya gunakan sesuai dengan apa yang saya harapkan Provider yang saya gunakan dapat memenuhi harapan saya akan layanan yang sesuai dengan kebutuhan saya Provider yang saya gunakan mempunyai kontribusi sosial terhadap masyarakat Provider yang saya gunakan merupakan provider yang inovatif Provider yang saya gunakan merupakan provider yang berorientasi ke masa yang akan datang (forward looking) Provider yang saya gunakan selalu fokus terhadap pelanggannya Provider yang saya gunakan menawarkan pelayanan yang sesuai dengan apa yang dibayar oleh pelanggan Saya merasa mudah menggunakan provider yang saya gunakan Saya tidak memerlukan bantuan dalam menggunakan provider yang saya gunakan Saya merasa mudah untuk mendapatkan yang saya inginkan dari provider yang saya gunakan Saya merasa mudah untuk memahami tampilan (human interface) dari provider yang saya gunakan


78

Tabel 3.6 Variabel Teramati dari Variabel Model Loyalitas Pelanggan (Sambungan) Variabel Laten

Customer Satisfaction

Customer Trust

Atribut Pengukuran Ovarall Satisfaction Cosidering expectation to the satisfaction Cosidering expectation to the satisfaction Offering Ideal Services Offering Ideal Services Trust to the service quality Trust to the service quality Trust to Innovation and Forward Looking orientation Trust to Innovation and Forward Looking orientation Competitor’s attraction

Customer Commitment

Competitor’s attraction Other recommendations Other recommendations Care of customer complaints

Customer Complaint

Variabel Teramati Secara keseluruhan, saya merasa puas terhadap provider yang saya gunakan Saya merasa puas dengan kehandalan kualitas produk yang diberikan provider yang saya gunakan karena sesuai dengan apa yang saya harapkan Saya merasa puas dengan kehandalan kualitas layanan yang diberikan provider yang saya gunakan karena sesuai dengan apa yang saya harapkan Provider yang gunakan adalah provider yang selalu memberikan produk yang ideal Provider yang gunakan adalah provider yang selalu memberikan layanan yang ideal Saya percaya provider yang saya gunakan selalu menawarkan produk yang berkualitas Saya percaya provider yang saya gunakan selalu menawarkan layanan yang berkualitas Saya percaya provider yang saya gunakan selalu melakukan inovasi dalam memenuhi kebutuhan pelanggan Saya percaya provider yang saya gunakan selalu berorientasi ke masa yang akan datang (forward looking) dalam memenuhi kebutuhan pelanggan Meskipun banyak promosi produk menarik dari provider lain, pilihan provider yang saya gunakan tidak akan berubah Meskipun banyak promosi layanan menarik dari provider lain, pilihan provider yang saya gunakan tidak akan berubah Meskipun keluarga saya menggunakan provider lain, saya tidak akan mengubah pilihan provider yang saya gunakan Meskipun teman saya merekomendasikan provider lain, saya tidak akan mengubah pilihan provider yang saya gunakan Berdasarkan pengalaman, provider yang saya gunakan memiliki kepedulian dalam menangani keluhan dari pelanggannya

Frequent of complaining

Berdasarkan pengalaman, saya cukup sekali melakukan pengaduan keluhan kepada provider yang saya gunakan untuk dapat menyelesaikan masalah saya

Handling complaints Handling complaints

Provider yang saya gunakan selalu memberikan solusi yang tepat terhadap keluhan pelanggannya Provider yang saya gunakan selalu cepat dalam mengatasi keluhan pelanggannya


79

Tabel 3.7 Variabel Teramati dari Variabel Loyalitas Pelanggan Variabel Laten

Atribut Pengukuran

Variabel Teramati

Customer Loyalty Attitudinal Loyalty

Behavioral Loyalty

the levers underlying repurchase intention the different phases of attitudinal loyalty the levers underlying switching intention tendency to loyalty behavior resistance to competitors’ offers choice of the object of loyalty

Jika masa aktifnya telah habis, saya akan segera mengisi ulang kartu provider saya Saya akan mentolerir kenaikan tarif yang diajukan oleh provider yang saya gunakan Sekalipun hanya untuk sementara, saya tidak akan membeli kartu perdana provider lain Untuk berkomunikasi secara permanen, saya hanya akan menggunakan jasa provider yang saya gunakan saat ini Saya tidak akan berpindah dari provider yang saya gunakan ke provider yang lain Jika ada teman/saudara yang meminta pendapat, saya akan merekomendasikan provider yang saya gunakan

3.5

Penyusunan dan Penyebaran Kuesioner

3.5.1

Bentuk Umum Kuesioner Kuesioner yang digunakan terbagi menjadi 2 bagian utama, bagian

pertama berupa pertanyaan yang berhubungan dengan identitas pelanggan dan provider GSM yang dipakai, bagian kedua merupakan pernyataan yang menyatakan tingkat kesetujuan pelanggan terhadap inovasi produk, layanan, teknologi, dan pemasaran. Kemudian juga dari dimensi variable lainnya yaitu kualitas, ekspektasi, value, kepuasan, image perusahaan, kepercayaan, komitmen, keluhan, dan loyalitas pelanggan. Kuesioner yang digunakan ada 2 jenis, yaitu kuesioner online via google spreadsheet dan kuesioner offline dalam bentuk lembar kuesioner yang disebarkan dan diisi secara langsung oleh responden. Bentuk kuesioner secara lengkap dapat dilihat pada Lampiran 3.


80

3.5.2

Penentuan Skala Pengukuran Kuesioner Kuesioner yang dipakai dalam proses pengumpulan data menggunakan

skala pengukuran untuk mengukur tingkat kesetujuan pelanggan terhadap pernyataan yang berhubungan dengan inovasi, kualitas, ekspektasi, value, kepuasan, image perusahaan, kepercayaan, komitmen, keluhan, dan loyalitas pelanggan terhadap operator seluler yang digunakan. Dalam kuesioner ini, skala pegukuran yang digunakan adalah skala likert 1 sampai 5. Penggunaan skala 1 sampai 5 ini didasarkan pada pertimbangan banyaknya penelitian internasional yang menggunakan skala ini. Dalam sebuah studi empiris yang dilakukan oleh John Dawes (2008), ditemukan bahwa tidak ada perbedaan yang signifikan dalam penggunaan 5-point, 7-point, dan 10-point likert scale. Artinya, ketiga skala tersebut memiliki tingkat validasi yang hampir sama. Adapun penjelasan mengenai skala tersebut bisa dilihat pada Tabel 3.3 di bawah: Tabel 3.8 Dimensi Pengukuran yang digunakan dalam Penilaian Respon Pelanggan terhadap Operator Seluler yang digunakan No.

1

3.5.3

Dimensi Pengukuran

Bobot

Tingkat Kesetujuan

Pengertian

1

Sangat Tidak Setuju

2

Tidak Setuju

3

Cukup Setuju

4

Setuju

5

Sangat Setuju

Penyebaran Kuesioner Kuesioner disebarkan kepada pelanggan operator seluler GSM Telkomsel,

Indosat, dan XL di daerah Jabodetabek. Dalam penelitian ini, terdapat batasan mengenai persyaratan responden yang menggunakan lebih dari satu provider, artinya, pelanggan harus memilih salah satu dari operator seluler yang akan diteliti dalam kuesioner ini yaitu antara Telkomsel, Indosat, dan XL. Jika responden memilih salah satu dari ketiga pilihan operator tersebut maka responden dapat dikatakan memenuhi persyaratan untuk menjadi responden dalam penelitian ini. Peneliti hanya mengambil sampel dari Jabodetabek karena dianggap populasi pengguna operator seluler GSM Telkomsel, Indosat, dan XL di Jabodetabek cukup representatif mewakili keseluruhan pengguna operator seluler di Indonesia


81

jika dilihat dari jumlah pelanggan ketiga operator seluler terbesar di Indonesia tersebut. Untuk

penyebaran

kuesioner

secara

online,

dilakukan

dengan

menggunakan fasilitas dari Google Docs, dan disebarkan melalui mailing list, social networking (seperti facebook, twitter, dll.). Sedangkan untuk kuesioner offline, disebarkan secara langsung kepada pengguna operator seluler Telkomsel, Indosat, dan XL yang ada di sekitar lingkungan kampus Universitas Indonesia dan beberapa lokasi potensial lain seperti lembaga pendidikan lain, dan perkantoran yang berada di wilayah Jabodetabek. Ada dua tahap penyebaran yang dilakukan, tahap pertama merupakan pilot test yang digunakan untuk melihat validitas dan reliabilitas dari kuesioner yang digunakan untuk mengumpulkan data. Setelah kuesioner diuji dan dianggap cukup reliabel maka kuesioner disebarkan kembali sesuai kecukupan data yang dibutuhkan. 3.5.3.1 Uji Reliabilitas Kuesioner Awal Sebagaimana dijelaskan di atas, penyebaran kuesioner dilakukan melalui dua tahap. Tahap pertama merupakan pilot test yang digunakan untuk melihat reliabilitas dari kuesioner, sejauh mana kehandalan kuesioner yang digunakan dalam proses pengumpulan data, apakah cukup konsisten jika disebarkan kepada responden. Dalam tahap pilot test ini, kuesioner disebarkan minimal 30 kuesioner (sampel minimal untuk distribusi normal). Tahap penyebaran kuesioner awal ini berlangsung pada awal April 2011 dan berhasil terkumpul hingga 46 kuesioner. Dalam uji reliabilitas ini, ada dua tahap yang dilakukan. Tahap pertama merupakan uji kehandalan berdasarkan persepsi pelanggan yang menjadi responden penelitian, apakah setiap pelanggan memiliki persepsi yang sama terhadap maksud dari setiap pertanyaan. Hal ini bisa dilihat dari jawaban yang diberikan oleh setiap responden. Tahap kedua merupakan pengujian secara kuantitatif dari reliabilitas kuesioner dengan menggunakan pendekatan Internal Consistency Reliability, yaitu metode Cronbach's Alpha. Dengan metode ini dapat diperkirakan hubungan atau korelasi antara jawaban responden yang satu dengan yang lain dalam setiap pertanyaan. Suatu penelitian dianggap reliable jika


82

memiliki nilai Cronbach's Alpha lebih dari 0,7. (Hair et al., 1998 p.118; Robinson et al., 1991) Untuk

menghitung

nilai

Cronbach's

Alpha,

dilakukan

dengan

menggunakan software SPSS 17. Berikut ini adalah hasil uji reliabilitas dari 46 kuesioner awal yang telah disebarkan, dari setiap variable yang diteliti. Tabel 3.9 Hasil Uji Reliabilitas Inovasi Produk 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.809

4

Tabel 3.10 Hasil Uji Reliabilitas Inovasi Proses 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.858

5

Tabel 3.11 Hasil Uji Reliabilitas Inovasi Teknologi 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.884

5

Tabel 3.12 Hasil Uji Reliabilitas Inovasi Pemasaran 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.838

4

Tabel 3.13 Hasil Uji Reliabilitas Perceived Value 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.873

7


83

Tabel 3.14 Hasil Uji Reliabilitas Kualitas Jaringan 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.842

4

Tabel 3.15 Hasil Uji Reliabilitas Kualitas Jangkauan 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.888

4

Tabel 3.16 Hasil Uji Reliabilitas Kualitas Kejernihan Suara 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.905

4

Tabel 3.17 Hasil Uji Reliabilitas Kualitas Data Transfer Rate 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.896

4

Tabel 3.18 Hasil Uji Reliabilitas Kualitas Customer Service 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.896

4

Tabel 3.19 Hasil Uji Reliabilitas Customer Expectation 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.944

6


84

Tabel 3.20 Hasil Uji Reliabilitas Corporate Image 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.858

5

Tabel 3.21 Hasil Uji Reliabilitas Perceived Ease of Use 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.907

4

Tabel 3.22 Hasil Uji Reliabilitas Customer Satisfaction 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.910

5

Tabel 3.23 Hasil Uji Reliabilitas Customer Trust 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.926

4

Tabel 3.24 Hasil Uji Reliabilitas Customer Complaints 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.856

4

Tabel 3.25 Hasil Uji Reliabilitas Customer Commitment 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.858

4


85

Tabel 3.26 Hasil Uji Reliabilitas Attitudinal Loyalty 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.749

3

Tabel 3.27 Hasil Uji Reliabilitas Behavioral Loyalty 46 Kuesioner Awal Reliability Statistics Cronbach's Alpha

N of Items

.814

3

Dari hasil perhitungan nilai Cronbach's Alpha di atas, didapatkan nilai Cronbach's Alpha dari setiap variable laten yang diteliti menunjukkan angka lebih besar dari 0,70. Artinya media pengumpulan data yang digunakan dalam penelitian ini, yaitu kuesioner, dianggap sudah cukup reliable, karena menunjukkan tingkat konsistensi dan keakuratan yang baik. 3.5.3.2 Uji Kecukupan Sampel Kuesioner Setelah melakukan tahap pertama dari penyebaran kuesioner, yaitu pilot test, dan kuesioner dianggap reliable untuk digunakan dalam proses pengumpulan data, maka langkah selanjutnya adalah kembali menyebarkan kuesioner sesuai dengan kecukupan sampel data penelitian. Penyebaran kuesioner ini dilakukan dari awal bulan April 2011 hingga akhir April 2011, dan kuesioner telah disebar sebanyak 600 buah kuesioner. Dari 600 kuesioner yang telah disebar, terdapat 50 kuesioner yang tidak diisi oleh responden, sehingga didapat 550 kuesioner yang diisi oleh responden. Kemudian, dari 550 buah kuesioner, terdapat 30 buah kuesioner yang tidak diisi secara lengkap oleh responden, sehingga tersisa 520 kuesioner yang datanya dapat diinput. Setelah proses input data, dilakukan proses screening terhadap data dan dipilih 467 kuesioner yang dapat diolah ke proses pengolahan data selanjutnya karena alasan inkonsistensi jawaban dari responden. Karena dalam penelitian ini data akan diolah dengan analisis multivariat, yaitu Structural Equation Modeling (SEM) maka sebelum dilakukan pengolahan dan analisis data perlu diperhatikan kecukupan data untuk analisis dengan SEM. Menurut Hair, Anderson, Tatham, dan Black (1998), minimal sampel untuk


86

pengujian dengan menggunakan metode SEM adalah rasio 5 responden per variabel teramati, karena mencukupi untuk distribusi normal. Dalam penelitian ini, jumlah variabel teramati yang akan diuji adalah 83 variabel, sehingga kecukupan sampel yang dibutuhkan adalah sebesar (83 x 5 = 415). Artinya, jumlah kuesioner yang telah disebarkan sebanyak 467 sudah mencukupi persyaratan untuk pengolahan data dengan menggunakan metode SEM. 3.5.3.3 Uji Reliabilitas Kuesioner Sesuai Kecukupan Data Setelah kuesioner memenuhi kecukupan sampel yang dibutuhkan untuk pengolahan data, selanjutnya kuesioner kembali dilihat reliabilitasnya secara keseluruhan. Hal ini dilakukan untuk lebih meyakinkan bahwa pengujian awal yang telah dilakukan memang sudah valid, dan kuesioner yang digunakan benarbenar reliabel untuk proses pengumpulan data. Berikut ini merupakan hasil uji reliabiltas dari keseluruhan kuesioner yang telah disebarkan. Tabel 3.28 Hasil Uji Reliabilitas Variabel Keseluruhan Kuesioner Reliability Statistics Cronbach's Alpha

N of Items

.947

83

Berdasarkan perhitungan Cronbach's Alpha keseluruhan kuesioner, didapatkan nilai Cronbach's Alpha 0,947 untuk keseluruhan variable yang diteliti. Terlihat bahwa nilai Cronbach's Alpha untuk keseluruhan kuesioner menunjukkan angka lebih dari 0,7, bahkan lebih besar dari pengujian pada saat pilot test. Hal ini menunjukkan bahwa tingkat konsistensi, keakuratan, dan daya prediksi dari kuesioner semakin baik seiring bertambahnya jumlah sampel dalam penelitian. 3.5.3.4 Uji Validitas Keseluruhan Kuesioner Setelah melakukan uji reliabilitas terhadap kuesioner, kemudian dilakukan uji validitas dari kuesioner yang digunakan. Uji validitas ini digunakan untuk melihat ketepatan kuesioner dalam mengukur tingkat kesetujuan pelanggan terhadap pernyataan yang berhubungan dengan inovasi, kualitas, ekspektasi,


87

value, kepuasan, image perusahaan, kepercayaan, komitmen, keluhan, dan loyalitas pelanggan operator seluler Telkomsel, Indosat, dan XL. Pada proses uji validitas, akan diukur sejauh mana alat ukur yang gunakan, dalam hal ini kuesioner, dapat mengukur pengertian dari konsep yang diukur. Uji validitas dilakukan terhadap setiap variable laten yang ingin diteliti dengan melihat nilai KMO dan Bartlett dengan menggunakan software SPSS 17. Berikut ini adalah hasil uji validitas terhadap 467 kuesioner untuk tingkat kepuasan pelanggan Indosat terhadap keunggulan relatif dari inovasi yang ada. Tabel 3.29 Hasil Uji Validitas untuk Variabel Inovasi Produk KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.764 55.953 6 .000

Tabel 3.30 Hasil Uji Validitas untuk Variabel Inovasi Proses KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.830 97.158 10 .000

Tabel 3.31 Hasil Uji Validitas untuk Variabel Inovasi Teknologi KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.845 116.727 10 .000

Tabel 3.32 Hasil Uji Validitas untuk Variabel Inovasi Pemasaran KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.760 73.017 6 .000


88

Tabel 3.33 Hasil Uji Validitas untuk Variabel Perceived Value KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.860 132.258 21 .000

Tabel 3.34 Hasil Uji Validitas untuk Variabel Kualitas Jaringan KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.784 77.142 6 .000

Tabel 3.35 Hasil Uji Validitas untuk Variabel Kualitas Jangkauan KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.763 110.209 6 .000

Tabel 3.36 Hasil Uji Validitas untuk Variabel Kualitas Kejernihan Suara KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.848 111.177 6 .000

Tabel 3.37 Hasil Uji Validitas untuk Variabel Kualitas Data Transfer Rate KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.826 102.969 6 .000


89

Tabel 3.38 Hasil Uji Validitas untuk Variabel Kualitas Customer Service KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.825 108.203 6 .000

Tabel 3.39 Hasil Uji Validitas untuk Variabel Customer Expectation KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.901 241.039 15 .000

Tabel 3.40 Hasil Uji Validitas untuk Variabel Corporate Image KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.780 96.802 10 .000

Tabel 3.41 Hasil Uji Validitas untuk Variabel Perceived Ease of Use KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.840 115.458 6 .000

Tabel 3.42 Hasil Uji Validitas untuk Variabel Customer Satisfaction KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.838 146.247 10 .000


90

Tabel 3.43 Hasil Uji Validitas untuk Variabel Customer Trust KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.814 147.129 6 .000

Tabel 3.44 Hasil Uji Validitas untuk Variabel Customer Complaints KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.768 91.393 6 .000

Tabel 3.45 Hasil Uji Validitas untuk Variabel Customer Commitment KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.814 78.248 6 .000

Tabel 3.46 Hasil Uji Validitas untuk Variabel Attitudinal Loyalty KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.673 32.039 3 .000

Tabel 3.47 Hasil Uji Validitas untuk Variabel Behavioral Loyalty KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.669 52.322 3 .000


91

Tabel 3.48 Hasil Uji Validitas Variabel Keseluruhan Kuesioner KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.

.917 1.014E4 3403 .000

Berdasarkan hasil uji validitas dengan menggunakan Kaiser-Meyer-Olkin Measure of Sampling Adequacy dan Bartlett's Test of Sphericity yang telah dilakukan, terlihat bahwa seluruh variabel teramati dalam kuesioner memiliki nilai KMO > 0.5 yang dimana sebagai parameter pengukuran berdasarkan Kaiser (1974); Kim and Mueller (1978) yaitu standar nilai KMO dalam uji validitas adalah > 0.5. Kemudian juga dari hasil pengujian Bartlett's Test of Sphericity diperoleh nilai signifikansi < 0.05 yang merupakan standar pengujian validitas pada Bartlett's Test of Sphericity yaitu nilai signifikansi Bartlett <0.05 (George and Mallery, 2000) . Artinya, seluruh variabel teramati, yang dituangkan melalui setiap pertanyaan dalam kuesioner, dapat dengan tepat mengukur variabel latennya. Berdasarkan hasil perhitungan ini, dan diskusi dengan dosen pembimbing maka diputuskan bahwa seluruh variabel yang ada dalam kuesioner dianggap valid dan dapat digunakan untuk pengolahan data lebih lanjut.

3.6

Pengolahan Data Kuesioner Setelah semua kuesioner terkumpul sesuai kecukupan data, dan sudah

teruji reliabilitas dan validitasnya, maka selanjutnya data identitas responden, data provider, dan tingkat kesetujuan pelanggan diolah menggunakan statistik deskriptif untuk melihat karakteristik persebaran data dan responden penelitian. 3.6.1

Stratifikasi Responden Seperti yang telah dibahas dalam subbab 3.2.2, rangka sampel dalam

penelitian ini terstratifikasi berdasarkan beberapa kriteria tertentu yaitu : • Jenis Kelamin (Data Responden) • Usia (Data Responden) • Tempat Tinggal (Data Responden) • Tingkat Pendidikan (Data Responden)


92

• Status Pernikahan (Data Responden) • Operator Seluler yang digunakan (Data Provider) • Pertimbangan Penggunaan Operator Seluler (Data Provider) • Tujuan Penggunaan Operator Seluler (Data Provider) • Cara Pengisian Pulsa (Data Provider) • Pengeluaran Pulsa Bulanan (Data Provider) Penentuan kriteria ini didasarkan pada kondisi industri telekomunikasi Indonesia yang mempunyai stratifikasi pasar yang cukup beragam, sehingga dengan adanya stratifikasi sampel yang jelas maka output dari penelitian ini diharapkan dapat memberikan manfaat dan dapat diimplementasikan oleh operator seluler di Indonesia. Selain itu, penentuan kriteria stratifikasi juga didasarkan pada jurnal-jurnal yang memuat penelitian terdahulu dan hasil diskusi dengan pembimbing, yang tentunya lebih mengetahui kondisi nyata yang ada di Indonesia. Berikut merupakan penjelasan lebih lanjut mengenai stratifikasi responden berdasarkan kriteria-kriteria yang telah disebutkan di atas: 1. Data Responden • Jenis Kelamin Dari Tabel 3.49 dan Gambar 3.2 di bawah, terlihat bahwa kebanyakan responden dalam penelitian ini adalah perempuan, yaitu sebesar 51% dari total responden.

Hal

ini

membuktikan

bahwa

kebutuhan

perempuan

akan

telekomunikasi (telepon selular) sudah mengalahkan kebutuhan laki-laki. Hal ini juga disebabkan mobilitas kaum wanita yang tidak kalah jika dibandingkan dengan kaum pria, apalagi diperkuat dengan kenyataan bahwa populasi wanita di Indonesia lebih besar jika dibandingkan dengan populasi pria. Tabel 3.49 Rekapitulasi Jenis Kelamin Responden Jenis Kelamin Laki-laki Perempuan

Jumlah Responden 227 240


93

Je enis Kellamin 49% %

laaki‐laki

51%

p perempuan

Gam mbar 3.2 Piee Chart Jen nis Kelamin Respondenn • Ussia Seeperti halnya stratifikassi menurut jenis kelam min, bisa dilihat pada Tabel T 3.50 bahw wa penggunna layanann telekomun nikasi terkllasifikasi m menurut usiianya. Dalam peenelitian inni, 53% responden r berusia anntara 19-222 tahun, karena k respondenn merupakaan mahasisswa yang berada dii lingkungaan kampuss UI. Sedangkann respondenn lain terdiiri dari resp ponden berrusia 15-18 tahun sebaanyak 10%, respponden beruusia antara 23-26 tahu un sekitar 36%, dan sissanya respo onden yang beruusia 27-30 taahun. T Tabel 3.50 Rekapitulassi Usia Respponden Usiaa

Jumlah Ressponden 48 248 168 3

155-18 199-22 233-26 277-30

Usiaa 1%

10% %

36%

1 15‐18 1 19‐22 53%

2 23‐26 2 27‐30

Gambar 3..3 Pie Charrt Usia Respponden


94

• Tempat Tinggal Terlihat pada Tabel 3.51 dan Gambar 3.4 bahwa mayoritas responden bertempat tinggal di Jakarta Selatan (25%), Jakarta Timur (20%), dan Depok (20%). Sedangkan yang paling sedikit adalah pelanggan yang tinggal di Tangerang, yaitu 7 orang atau sekitar 2% dari keseluruhan populasi sampel. Selanjutnya, ada sekitar 21 atau 5% responden yang mengisi alamat tempat tinggal dengan menyebutkan daerah yang tidak ada dalam pilihan dan 15 responden (14%) yang tidak mengisi daerah tempat tinggalnya. Tabel 3.51 Rekapitulasi Tempat Tinggal Responden Tempat Tinggal Jakarta Pusat Jakarta Barat Jakarta Timur Jakarta Selatan Jakarta Utara Tangerang Depok Bogor Bekasi Kosong Lainnya

Jumlah Responden 13 21 82 104 17 7 83 14 34 15 21

Tempat Tinggal 3%

4% 5% 4%

5%

8% 20%

20% 25% 2%

4%

Jakarta Pusat Jakarta Barat Jakarta Timur Jakarta Selatan Jakarta Utara Tangerang Depok Bogor Bekasi Kosong Lainnya

Gambar 3.4 Pie Chart Tempat Tinggal Responden


95

• Tinngkat Pendiidikan Beerdasarkan Tabel 3.522 dan Gam mbar 3.5, terlihat baahwa mayoritas respondenn merupakann mahasisw wa S1 yaitu sebanyak 89% 8 dan S22 yaitu sekittar 51 respondenn atau 11% dari keseluuruhan popu ulasi sampell, sisanya adalah berjenjang pendidikan D3 dengaan 1 orang responden. r Tabel 3.52 Rekapittulasi Tingk kat Pendidikkan Responden T Tingkat Pen ndidikan D3 S1 S2

Jumlah Responden R 1 415 51

Tinggkat Pen ndidikan n 11 1%

0% D3 S1 89% %

S2

Gambaar 3.5 Pie Chart C Tingk kat Pendidikkan Respondden • Staatus Pernikaahan Faaktor selanjjutnya yangg dijadikan n dasar strratifikasi reesponden adalah a status perrnikahan. Terlihat T padda Tabel 3.4 47 dan Gam mbar 3.6 bbahwa mayoritas pelanggann operator seluler s yangg menjadi responden r dalam peneelitian ini belum b menikah, yaitu sekitar 447 atauu 96% dari total popuulasi sampel. Hal ini sesuai s nyatakan seebelumnya yaitu respo onden dengan baatasan peneelitian yangg sudah din penelitian ini adalah mahasiswa. m . Tabel 3.53 3 Rekapiitulasi Statu us Pernikahaan Respondden Stattus Pernikahan Beluum Menikahh Suddah Menikah

Jumlah Responden R 447 20


96

Statu us 4%

belum sudah

96%

Gamb bar 3.6 Pie Chart C Statu us Pernikahaan Respondeen 2.

Data Provider P • Opperator Seluuler GSM yaang digunak kan Beerdasarkan operator o selluler GSM yang digunnakan, mayyoritas pelan nggan

yang mennjadi responnden meruppakan peng gguna Indosat dengann 36% dari total populasi sampel, s kem mudian diiikuti oleh pengguna p T Telkomsel dan XL deengan masing-m masing 32%. Proporsi yang y cukup merata untuuk dapat m merepresentaasikan pengguna ketiga operrator selulerr dengan jum mlah pelangggan terberssar di Indon nesia. Tabel 3.54 Rekappitulasi Opeerator Selulaar GSM yanng digunakaan Respondeen Operator Seluler S Tellkomsel Inddosat XL L

Jumlah Reesponden 148 170 149

Op perator SSeluler 32%

32 2% Telkom msel Indosaat XL

36%

bar 3.7 Pie Chart Operrator Selulaar GSM yang digunakann Respondeen Gamb


97

• Peertimbangann Pemilihan Provider Beerdasarkan pertimbang p gan pemilihaan operatorr seluler (prrovider), teerlihat pada Gam mbar 3.8 di bawah bahw wa mayorittas respondeen memilihh operator seeluler karena jaangkauan yang y luas 23% 2 dan tarif t yang lebih hemaat (sekitar 21% respondenn) . bangan Pem milihan Provvider Tabel 3.555 Rekapituulasi Pertimb Pertimb bangan Pengggunaan Kartu Lebih Hemat H Jangkauuan Luas Keluarga/Kawan Meenggunakann nya Lebih Hemat, H Jangkauan Luas Jangkauuan Luas, Kelluarga/kawan n mengguunakannya Lebih Hemat, H Jangkauan Luas, Keluarga Menggunaakannya Lebih Hemat, H Keluaarga Mengguunakannya Lain-Lain

Jumlaah Respondeen 99 1106 84 81 9 7 6 75

Alasan Memilih Provvider Lebih Hemat Janggkauan Luas

2% 1%

16 6%

Kelu uarga/Kawan Men nggunakannya

21%

Lebih Hemat, Jan ngkauan Luas

2% 17 7%

2 23% 18%

Janggkauan Luas, Keluarga/kaawan nggunakannyaa men Lebih Hemat, Jan ngkauan Luas, Keluarga nggunakannya Men Lebih Hemat, Keluarga nggunakannya Men Lain n‐Lain

Gambarr 3.8 Pie Chhart Pertimb bangan Pem milihan Provvider


98

• Tuujuan Pengggunaan Operrator Seluleer Beerdasarkan tujuan t pengggunaan opeerator seluleer, terlihat ppada Gambaar 3.9 bahwa 277% respondden mengguunakan operator seluleer untuk keeperluan intternet (browsingg, social neetworking, dll) d 22% un ntuk keperlluan SMS/M MMS/EMS S, dan 22% untukk keperluann Telepon. Tabel 3.56 Rekapitullasi Tujuan Penggunaaan Tujuan Peenggunaan Operator Seeluler Tuju uan Penggun naan Kartu Telepon SMS S/MMS/EMS S Interrnet Telepon, SMS/M MMS/EMS Telepon, Internett SMS S/MMS/EMS S, Internet Telepon, SMS/M MMS/EMS, Interrnet

Jumlah Responden R 104 104 126 24 43 46 20

Tuju uan Pengggunaan 5% 10% %

Telepon

22%

9%

SMS/MMS/EMSS Internet

5% % 22%

Telepon, SMS/M MMS/EMS Telepon, Internet

27%

SMS/MMS/EMSS, Internet Telepon, SMS/M MMS/EMS, Intern net

Gambar 3.9 3 Pie Chart Tujuan Penggunaan P Operator S Seluler • Peemakaian Puulsa Bulanann Sebagian besar b pelannggan operrator selulerr yang meenjadi respo onden menggeluarkan biiaya bulanan sekitar Rp p 100.000,-- untuk kepperluan peng gisian pulsa,, yaitu sebanyak 170 responden atau sekitar 46% darri total pop pulasi sampeel. Sedanggkan yang mengeluarrkan biaya Rp 200.0000,- per bulan b sebannyak 145 responden, attau sekitar 31%. 3 15% merupakan responden yang


99

menggeluarkan biaya b bulannan untuk pulsa p Rp 50.000,-. 5 Inni membuk ktikan bahwa mayoritaas penggunna operatorr seluler merupakan m kalangan muda, m wa yang memiliki m baatasan penggeluaran ppulsa sekitaar Rp sepertti mahasisw 100.0000,- hinggaa Rp 200.0000 per bulan n. Tab bel 3.57 Reekapitulasi Pengeluaran P n Pulsa Bulaanan oleh R Responden Pengelluaran Pulsa per Bulan n <50000 50000 1000000 2000000 3000000

Jumlah Responden 8 1339 1770 1445 5

Pemakaian Pulsa 0% 8% 15%

46%

<50000 50000 100000

31%

200000 300000

Gaambar 3.10 Pie Chart Pengeluaran P n Pulsa Bulaanan oleh R Responden • Caara Pengisiaan Pulsa Berdasarkaan cara penggisian pulsaa yang dilakkukan, mayyoritas pelan nggan operaator seluler yang menjaadi respond den melakukkan pengisian pulsa melalui isi ulaang fisik (voucher), yaaitu sebanyaak 158 respoonden atau sekitar 34% % dari total populasi p saampel. Bisa dilihat pad da Tabel 3.552 dan Gam mbar 3.11, angka a ini merupakan m a angka yang tidak cukup p dominan dibandingkkan dengan yang lain, seperti penngisian pulssa lewat AT TM dan eleektronik yanng hampir sama ulasi sampeel. persenntasenya yaaitu 33% dari total popu


100

Tabel 3.58 3 Rekapitulasi Metoode Pengisian Pulsa yaang dilakukaan Respond den Metod de Pengisian n Pulsa Isi ulanng elektronik k Voucheer Isi ulanng via ATM

Jumlah nd Respon en 1555 1558 1553

Cara Pengisiian Pulssa 33 3%

33% Isi ulang elektronik Voucher Isi ulang via ATM

34% %

Gam mbar 3.11 Pie P Chart Metode M Peng gisian yang dilakukan R Responden uan Pelangggan 3.6.2 Staatistik Deskkriptif Tingkkat Kesetuju Seebelum dataa tingkat keppuasan dian nalisis dengan menggunnakan Strucctural Equation Modeling, terlebih daahulu data diolah denngan mengggunakan an nalisis u melihhat kecendeerungan resppon dari pellanggan opeerator deskriptif sederhana untuk wal kecendeerungan perrsepsi seluler, haal ini dilakuukan sebaggai langkah analisis aw pelanggann melalui tinngkat kesettujuannya teerhadap perrnyataan yaang berhubu ungan dengan opperator seluller yang diggunakan.


101

Pernyataan Kesetujuan Pelanggan

Mean

BL3

BL2

BL1

AtL3

AtL2

AtL1

CCt4

CCt3

CCt2

CCt1

CC4

CC3

CC2

CC1

CT4

CT3

CT2

CT1

CS5

CS4

CS3

CS2

CS1

PE4

PE3

PE2

PE1

CI5

CI4

CI3

CI2

CI1

CE6

CE5

CE4

CE3

CE2

CE1

KCS4

KCS3

KCS2

KCS1

KD4

KD3

KD2

KD1

KS4

KS3

KS2

KS1

KJg4

KJg3

KJg2

KJg1

KJ4

KJ3

KJ2

KJ1

PV7

PV6

PV5

PV4

PV3

PV2

PV1

IPm4

IPm3

IPm2

IPm1

IT5

IT4

IT3

IT2

IT1

IPr5

IPr4

IPr3

IPr2

IPr1

IP4

IP3

IP2

IP1

3.65

3.7

3.75

3.8

3.85

3.9

3.95

4

Gambar 3.12 Bar Chart Rata-rata Pernyataan Kesetujuan Pelanggan


102

Pernyataan Kesetujuan Pelanggan

Std. Deviation

BL3

BL2

BL1

AtL3

AtL2

AtL1

CCt4

CCt3

CCt2

CCt1

CC4

CC3

CC2

CC1

CT4

CT3

CT2

CT1

CS5

CS4

CS3

CS2

CS1

PE4

PE3

PE2

PE1

CI5

CI4

CI3

CI2

CI1

CE6

CE5

CE4

CE3

CE2

CE1

KCS4

KCS3

KCS2

KCS1

KD4

KD3

KD2

KD1

KS4

KS3

KS2

KS1

KJg4

KJg3

KJg2

KJg1

KJ4

KJ3

KJ2

KJ1

PV7

PV6

PV5

PV4

PV3

PV2

PV1

IPm4

IPm3

IPm2

IPm1

IT5

IT4

IT3

IT2

IT1

IPr5

IPr4

IPr3

IPr2

IPr1

IP4

IP3

IP2

IP1

0.75

0.8

0.85

0.9

0.95

1

Gambar 3.13 Bar Chart Standar Deviasi Pernyataan Kesetujuan Pelanggan 3.6.3

Normalitas Data Kepuasan dan Kesetujuan Pelanggan Untuk menganalisis data dengan menggunakan Structural Equation

Modeling, persebaran data yang digunakan harus memenuhi asumsi yang Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

103

disyaratkan dalam analisis. Syarat data yang bisa diolah dengan metode ini salah satunya adalah normalitas, artinya jika data yang digunakan dalam analisis tidak terdistribusi normal multivariate, maka tingkat validitas hasil pengolahannya menjadi kurang baik. Tabel 3.59 Hasil Uji Normalitas Data Variable

IP1 IP2 IP3 IP4 IPr1 IPr2 IPr3 IPr4 IPr5 IT1 IT2 IT3 IT4 IT5 IPm1 IPm2 IPm3 IPm4 PV1 PV2 PV3 PV4 PV5 PV6 PV7 KJ1 KJ2 KJ3 KJ4 KJg1 KJg2 KJg3 KJg4

Mean St. Dev. T-Value Skewness Kurtosis Minimum Freq. Maximum Freq.

3.809 3.895 3.854 3.872 3.801 3.805 3.878 3.794 3.854 3.940 3.833 3.831 3.916 3.861 3.887 3.824 3.927 3.850 3.818 3.901 3.842 3.852 3.861 3.869 3.884 3.816 3.848 3.814 3.760 3.794 3.782 3.814 3.782

0.915 89.982 0.844 99.745 0.906 91.985 0.867 96.498 0.911 90.192 0.907 90.672 0.867 96.693 0.906 90.535 0.894 93.213 0.829 102.697 0.838 98.886 0.844 98.133 0.844 100.311 0.857 97.397 0.928 90.541 0.874 94.609 0.888 95.563 0.869 95.798 0.886 93.159 0.907 92.943 0.917 90.482 0.906 91.850 0.896 93.137 0.928 90.137 0.893 93.982 0.929 88.765 0.950 87.569 0.937 87.993 0.948 85.680 0.920 89.146 0.942 86.730 0.897 91.898 0.931 87.798

-0.154 -0.208 -0.109 -0.284 -0.281 -0.195 -0.238 -0.122 -0.236 -0.092 0.169 -0.102 -0.185 -0.038 -0.372 -0.194 -0.300 -0.179 -0.120 -0.289 -0.334 -0.329 -0.299 -0.369 -0.334 -0.384 -0.523 -0.376 -0.384 -0.146 -0.464 -0.324 -0.194

-0.588 -0.488 -0.856 -0.330 -0.308 -0.486 -0.329 -0.637 -0.520 -0.989 -1.255 -0.528 -0.687 -0.868 -0.303 -0.520 -0.608 -0.476 -0.590 -0.586 -0.244 -0.277 -0.360 -0.283 -0.324 -0.071 0.045 -0.194 -0.091 -0.597 0.100 -0.104 -0.430

1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 2.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000

5 3 3 4 6 5 5 4 4 1 7 3 2 2 7 3 3 4 4 4 7 6 5 7 5 9 10 8 10 5 11 7 7

5.000 132 5.000 128 5.000 142 5.000 126 5.000 122 5.000 126 5.000 131 5.000 126 5.000 132 5.000 139 5.000 124 5.000 116 5.000 134 5.000 130 5.000 147 5.000 119 5.000 147 5.000 126 5.000 126 5.000 147 5.000 133 5.000 132 5.000 132 5.000 142 5.000 136 5.000 128 5.000 135 5.000 129 5.000 119 5.000 130 5.000 119 5.000 120 5.000 129


104

Tabel 3.60 Hasil Uji Normalitas Data (Sambungan) Variable Mean St. Dev. T-Value Skewness Kurtosis Minimum Freq. Maximum Freq.

KS1 KS2 KS3 KS4 KD1 KD2 KD3 KD4 KCS1 KCS2 KCS3 KCS4 CE1 CE2 CE3 CE4 CE5 CE6 CI1 CI2 CI3 CI4 CI5 PE1 PE2 PE3 PE4 CS1 CS2 CS3 CS4 CS5 CT1 CT2 CT3 CT4 CC1 CC2 CC3 CC4 CCt1 CCt2 CCt3 CCt4 AtL1 AtL2 AtL3 BL1 BL2 BL3

3.820 3.816 3.880 3.861 3.790 3.854 3.844 3.833 3.792 3.803 3.803 3.878 3.844 3.822 3.805 3.844 3.829 3.876 3.850 3.912 3.919 3.897 3.848 3.872 3.880 3.929 3.857 3.857 3.897 3.848 3.833 3.916 3.882 3.850 3.925 3.906 3.839 3.792 3.818 3.865 3.839 3.801 3.854 3.824 3.953 3.863 3.857 3.889 3.861 3.914

0.892 92.535 0.924 89.210 0.935 89.690 0.898 92.889 0.858 95.408 0.915 91.037 0.893 93.018 0.907 91.370 0.885 92.618 0.917 89.620 0.903 91.024 0.922 90.904 0.864 96.176 0.857 96.383 0.846 97.236 0.881 94.296 0.877 94.358 0.863 97.090 0.859 96.907 0.878 96.268 0.870 97.309 0.873 96.483 0.829 100.316 0.850 98.486 0.843 99.447 0.897 94.699 0.843 98.828 0.851 97.945 0.883 95.414 0.884 94.061 0.863 95.993 0.871 97.141 0.840 99.919 0.846 98.349 0.862 98.384 0.846 99.720 0.950 87.297 0.923 88.805 0.947 87.165 0.918 91.010 0.914 90.817 0.906 90.663 0.891 93.465 0.928 89.026 0.860 99.284 0.939 88.865 0.962 86.619 0.867 96.936 0.926 90.059 0.872 96.974

-0.058 -0.216 -0.266 -0.240 -0.175 -0.231 -0.251 -0.220 -0.029 -0.170 -0.181 -0.267 -0.135 -0.020 -0.045 -0.182 -0.062 -0.120 -0.095 -0.229 -0.156 -0.091 -0.073 0.016 -0.029 -0.309 0.018 -0.183 -0.193 -0.147 -0.033 -0.111 -0.103 -0.009 -0.198 -0.161 -0.382 -0.317 -0.331 -0.382 -0.287 -0.344 -0.222 -0.258 -0.133 -0.316 -0.421 -0.120 -0.273 -0.223

-0.714 -0.488 -0.781 -0.628 -0.421 -0.704 -0.475 -0.571 -0.658 -0.640 -0.559 -0.648 -0.509 -0.797 -0.671 -0.522 -0.743 -0.790 -0.752 -0.662 -0.963 -1.035 -0.650 -1.062 -1.086 -0.556 -0.996 -0.485 -0.715 -0.601 -0.922 -1.047 -0.735 -0.841 -0.770 -0.618 -0.287 -0.246 -0.380 -0.274 -0.438 -0.042 -0.696 -0.532 -1.076 -0.488 -0.189 -0.935 -0.487 -0.561

1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 2.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000

4 5.000 132 6 5.000 134 3 5.000 150 3 5.000 134 3 5.000 107 3 5.000 138 4 5.000 128 4 5.000 131 4 5.000 124 4 5.000 129 4 5.000 124 4 5.000 146 4 5.000 125 2 5.000 121 2 5.000 112 4 5.000 128 3 5.000 128 2 5.000 132 2 5.000 125 3 5.000 143 1 5.000 144 1 5.000 142 2 5.000 116 1 5.000 132 12 5.000 129 4 5.000 151 1 5.000 126 3 5.000 121 3 5.000 142 4 5.000 132 1 5.000 124 1 5.000 146 2 5.000 127 2 5.000 125 2 5.000 142 3 5.000 134 8 5.000 140 7 5.000 122 7 5.000 135 6 5.000 136 5 5.000 132 8 5.000 119 2 5.000 130 5 5.000 134 1 5.000 152 6 5.000 146 10 5.000 148 1 5.000 136 6 5.000 144 4 5.000 143


105

Data dikatakan terdistribusi normal jika nilai Skewnesnya berada diantara 1 hingga +1. Skewness merupakan derajat ketidaksimetrisan suatu distribusi. Jika frekuensi suatu distribusi lebih banyak pada bagian kanan, maka dikatakan menceng kanan (positif), dan sebaliknya maka menceng kiri (negatif). Sedangkan nilai Kurtosis untuk data yang dapat dikatakan terdistribusi normal adalah berada diantara -3 hingga +3. Kurtosis merupakan derajat keruncingan suatu distribusi. Dari tabel 3.23 di atas, dapat dilihat nilai Skewness dan Kurtosis berada dalam batasan untuk memenuhi syarat data yang dikatakan normal. Sehingga dapat dikatakan data yang diperoleh tergolong data yang terdistribusi normal. Hal ini juga dapat diperkuat dengan pernyataan Hair et al (2006) yang menyatakan bahwa pengaruh ketidaknormalan dapat berkurang dengan bertambahnya ukuran sampel. Ketika ukuran sampel lebih dari 200, penyimpangan dari kenormalan data dapat diabaikan (Hair, et al., 2006).

3.7

Pengolahan Data dengan Structural Equation Modeling (SEM) Setelah melakukan pengolahan karakteristik data dan statistik deskriptif

secara

umum,

kemudian

peneliti

melakukan

analisis

lanjutan

dengan

menggunakan Structural Equation Modeling (SEM). Dengan SEM, peneliti mencoba untuk melakukan analisis pengaruh faktor-faktor inovasi dan Quality of Service terhadap loyalitas pelanggan operator seluler di Indonesia. 3.7.1 Spesifikasi Model Seperti yang sudah dijelaskan pada Bab 2, terdapat dua jenis variabel dalam penelitian ini, yaitu variabel laten dan variabel teramati. Variabel laten yang digunakan dalam penelitian ini adalah Innovation: Product Innovation, Process Innovation, Technology Innovation, Marketing Innovation, Perceived Value, Perceived Quality(Quality of Service): Network Quality, Coverage Quality, Voice Limpidity Quality, Data Transfer Rate Quality, Customer Sevice Quality, Customer Expectation, Corporate Image, Customer Satisfaction, Customer Trust/Confidence, Customer Commitment, Customer Complaint, dan Customer Loyalty: Attitudinal Loyalty, Behavioral Loyalty. Penentuan variabel laten ini berdasarkan penelitian-penelitian terdahulu, seperti yang sudah dijelaskan pada bab sebelumnya. Namun, karena dalam Lisrel 8.8 penamaan Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

106

hanya bisa sampai 8 karakter, sehingga penamaan variabel-variabel tersebut disesuaikan sebagai berikut: Product Innovation Æ IP

Customer Sevice Quality Æ KCS

Process Innovation Æ IPr

Customer Expectation Æ CE

Technology Innovation Æ IT

Corporate Image Æ CI

Marketing Innovation Æ IPm

Customer Satisfaction Æ CS

Perceived Value Æ PV

Customer Trust/Confidence Æ CT

Network Quality Æ KJ

Customer Commitment Æ CC

Coverage Quality Æ KJg

Customer Complaint Æ CCt

Voice Limpidity Quality Æ KS

Attitudinal Loyalty Æ AtL

Data Transfer Rate Quality Æ KD

Behavioral Loyalty Æ BL

Dari 19 variabel laten tersebut, 6 variabel merupakan variabel laten eksogen dan 13 variabel merupakan variabel laten endogen, dengan total variabel teramati sebanyak 83 variabel. Penentuan variabel-variabel ini juga dilakukan berdasarkan penelitian-penelitian sebelumnya, yang disertai dengan penyesuaian terhadap kondisi industri telekomunikasi sekarang. Untuk memudahkan dalam pengolahan data menggunakan Lisrel 8.8, penamaan 83 variabel teramati disederhanakan hanya menggunakan kode nomer yang sudah ada, seperti yang terlihat dalam Tabel 3.61 di bawah. Tabel 3.61 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel Variabel Laten Product Innovation

Process Innovation



Variabel Teramati IP1 IP2 IP3 IP4 IPr1 IPr2 IPr3 IPr4 IPr5 IT1 IT2 IT3 IT4 IT5 IPm1 IPm2 IPm3 IPm4


107

Tabel 3.62 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel (Sambungan) Variabel Laten

Perceived Value

Network Quality

Coverage Quality

Voice Limpidity Quality

Data Transfer Rate Quality


Variabel Teramati PV1 PV2 PV3 PV4 PV5 PV6 PV7 KJ1 KJ2 KJ3 KJ4 KJg1 KJg2 KJg3 KJg4 KS1 KS2 KS3 KS4 KD1 KD2 KD3 KD4 KCS1 KCS2 KCS3 KCS4


108

Tabel 3.63 Penamaan Variabel Laten dan Variabel Teramati dalam Lisrel (Sambungan) Variabel Laten

Variabel Teramati CE1 CE2 CE3 CE4 CE5 CE6 CI1 CI2 CI3 CI4 CI5 PE1 PE2 PE3 PE4 CS1 CS2 CS3 CS4 CS5 CT1 CT2 CT3 CT4 CC1 CC2 CC3 CC4 CCt1 CCt2 CCt3 CCt4 AtL1 AtL2 AtL3 BL1

Customer Expectation

Corporate Image



Customer Trust

Customer Commitment

Customer Complaint

Attitudinal Loyalty Behavioral Loyalty

BL2 BL3


109

3.7.2

Identifikasi Model Seperti yang sudah dijelaskan pada Bab 2, diharapkan dalam Structural

Equation Modeling diperoleh model yang over-identified (degree of freedom positif) dan dihindari adanya model yang under-identified (degree of freedom negatif). Untuk menghitungnya, kita hanya perlu mengurangkan jumlah data yang diketahui dengan jumlah parameter yang diestimasi. Jumlah data yang diketahui dalam penelitian ini dapat dihitung sebagai berikut: Jumlah data = (n x (n + 1) / 2 ) = (41 x 42)/2 = 3486, dengan n merupakan variabel teramati yang ada dalam penelitian. Sedangkan parameter-parameter yang diestimasi dalam model penelitian ini adalah: 1. B

: terdiri dari 12 parameter pada matrik B.

2. Γ

: terdiri dari 7 parameter pada matrik Γ.

3. Λx : terdiri dari 27 parameter pada matrik Λx. 4. Λy : terdiri dari 56 parameter pada matrik Λy. 5. Θδ : terdiri dari 27 parameter yang merupakan elemen diagonal pada matrik Θδ. 6. Θε : terdiri dari 56 parameter yang merupakan elemen diagonal dari matrik Θε. 7. Φ

: terdiri dari 12 parameter yang merupakan elemen diagonal dari matrik Φ.

8. Ψ

: terdiri dari 6 parameter yang merupakan elemen diagonal dari matrik Ψ.

Jadi, jumlah total parameter yang diestimasi adalah 203. Sehingga Degree of freedom-nya = 3456 – 203 = 3253 (positif). Ini membuktikan bahwa model penelitian yang dibangun over-identified, dimana nilainya bergantung pada jumlah variabel teramati yang digunakan dalam penelitian. 3.7.3

Estimasi Model Model estimasi yang digunakan dalam penelitian ini adalah Maximum

Likelihood (ML). Penggunaan estimator ini didasarkan pada pertimbangan terpenuhinya

asumsi

distribusi

normal

multivariate

untuk

pengolahan

menggunakan estimator Maximum Likelihood Estimator (MLE), yang merupakan default dari Lisrel 8.8. Joreskog dan Sorbom (1996) menyatakan bahwa jika data diperkirakan sesuai dengan distribusi normal multivariate, maka metode maximum likelihood direkomendasikan.


110

3.7.4

Uji Kecocokan dan Respesifikasi Model Metode pembentukan model yang digunakan dalam penelitian ini adalah

pendekatan two step approach. Pendekatan ini dilakukan dengan pengujian dan respesifikasi secara bertahap, pertama dilakukan pengujian terhadap model pengukuran hingga mencapai uji kelayakan model yang baik, kemudian setelah mendapatkan model pengukuran yang baik setiap variabel dihubungkan untuk diuji secara struktural. Respesifikasi merupakan tahapan terakhir dalam prosedur analisis data dengan menggunakan Structural Equation Modeling. Karena dalam penelitian ini kita menggunakan pendekatan two step approach maka respesifikasi dilakukan melalui dua tahap, yaitu respesifikasi model pengukuran dan respesifikasi model struktural. 3.7.4.1 Uji Kecocokan dan Respesifikasi Model Pengukuran Dalam penelitian ini terdapat 19 model pengukuran, yang terdiri dari pengukuran atribut inovasi, atribut quality of service, dan model pengukuran variabel-variabel loyalitas pelanggan yang telah dibuat pada model awal penelitian. Untuk itu dilakukan proses pemasukan data ke dalam software LISREL.

Selanjutnya

untuk

menjalankan

program

pembentukan

model

pengukuran dalam software LISREL, dimasukkan juga syntax ke dalam Pada Gambar 3.14 berikut ditunjukkan sintaks untuk model pengukuran tersebut.


111 Raw data from file baru5mei.psf Sample Size = 467 Latent Variables Innovation P_Quality P_Value C_Image C_Expectation P_EaseUse C_Satisfaction C_Trust C_Commitment C_Complaint C_Loyalty Relationships IP1-IP4 IPr1-IPr5 IT1-IT5 IPm1-IPm4 = Innovation KJ1-KJ4 KJg1-KJg4 KS1-KS4 KD1-KD4 KCS1-KCS4 = P_Quality PV1-PV7 = P_Value CI1-CI5 = C_Image CE1-CE6 = C_Expectation PE1-PE4 = P_EaseUse CS1-CS5 = C_Satisfaction CT1-CT4 = C_Trust CC1-CC4 = C_Commitment CCt1-CCt4 = C_Complaint AtL1-AtL3 BL1-BL3 = C_Loyalty !Set the Covariances of **** - **** to 0 !Set the Variance of **** o 1.00 !Set Error **** of **** to 0 !Set error covariance between **** and **** to free !PSFFile ****.psf Path Diagram Method of Estimation: Maximum Likelihood End of Problem

Gambar 3.14 Program SIMPLIS untuk Model Pengukuran Setelah sintaks model pengukuran tersebut dijalankan, maka model pengukuran yang dijalankan digunakan untuk menguji validitas pengukuran. Tahap pertama dalam SEM adalah Confirmatory Factor Analysis (CFA) yang bertujuan untuk menguji pengukuran. Selanjutnya dilakukan uji kecocokan terhadap model pengukuran dengan melihat nilai

RMSEA atau nilai p-value dari model pengukuran. Parameter

kecocokan suatu model pengukuran adalah jika ditinjau dari nilai RMSEA, maka RMSEA di bawah 8%, atau jika ditinjau dari nilai p-value, maka nilai p-value pvalue di atas 5%. Selanjutnya, dilakukan uji validitas terhadap model pengukuran, yaitu dengan melihat nilai t-value lebih besar dari nilai kritis, yaitu ≥ 1,96. Jika parameter tersebut terpenuhi, maka variabel teramati dikatakan valid dapat mengukur variabel latennya.


112

Pada Gambar 3.15 berikut diperlihatkan t-value dari model pengukuran di atas.

Gambar 3.15 Output t-value Model Pengukuran Dari Gambar 3.15 di atas, dapat dilihat dari nilai RMSEA model pengukuran menunjukkan nilai 0.015 yaitu kurang dari 5%. Hal ini menunjukkan bahwa model pengukuran yang dibuat telah cocok / fit dengan data yang ada. Dapat terlihat pula dari gambar di atas bahwa semua variabel teramati memenuhi parameter validitas untuk dapat mengukur variabel latennya, yaitu memiliki nilai t-value > 1,96.


113

Berdasarkan hasil uji validitas dari model pengukuran, dapat disimpulkan bahwa semua variabel teramati valid mengukur variabel latennya. Setelah tahap pertama two-step approach dilakukan, dan model pengukuran mempunyai kecocokan data-model yang baik, serta vailiditas, maka selanjutnya dilakukan tahap kedua dari two-step approach. 3.7.4.2 Uji Kecocokan dan Respesifikasi Model Struktural Untuk melakukan tahap kedua dari two-step approach, pertama kita perlu menambahkan hubungan struktural terhadap model pengukuran (model CFA) yang dihasilkan dari tahap pertama, untuk mendapatkan model hybrid dari Structural Equation Modeling. Pada Gambar 3.16 berikut ditunjukkan syntax yang dimasukan pada model struktural:


114 Raw data from file baru5mei.psf Sample Size = 467 Latent Variables Innovation P_Quality P_Value C_Image C_Expectation P_EaseUse C_Satisfaction C_Trust C_Commitment C_Complaint C_Loyalty Relationships IP1-IP4 IPr1-IPr5 IT1-IT5 IPm1-IPm4 = Innovation KJ1-KJ4 KJg1-KJg4 KS1-KS4 KD1-KD4 KCS1-KCS4 = P_Quality PV1-PV7 = P_Value CI1-CI5 = C_Image CE1-CE6 = C_Expectation PE1-PE4 = P_EaseUse CS1-CS5 = C_Satisfaction CT1-CT4 = C_Trust CC1-CC4 = C_Commitment CCt1-CCt4 = C_Complaint AtL1-AtL3 BL1-BL3 = C_Loyalty P_Quality = C_Expectation Innovation C_Expectation = Innovation P_Value = C_Expectation P_Quality Innovation C_Satisfaction = Innovation C_Image P_Quality P_Value C_Expectation P_EaseUse C_Complaint = C_Satisfaction C_Trust = C_Satisfaction C_Commitment = C_Trust C_Loyalty = C_Complaint C_Satisfaction C_Commitment !Set the Covariances of **** - **** to 0 !Set the Variance of **** o 1.00 !Set Error **** of **** to 0 !Set error covariance between **** and **** to free !PSFFile ****.psf Path Diagram Method of Estimation: Maximum Likelihood End of Problem

Gambar 3.16 Program SIMPLIS untuk Hubungan Struktural Setelah syntax untuk model structural dibuat dan dimasukkan ke dalam program dengan adanya penambahan syntax hubungan struktural pada model, kemudian model dijalankan kembali untuk melihat kecocokan model secara keseluruhan dan evaluasi terhadap model strukturalnya. Setelah model dijalankan, terdapat beberapa hipotesis yang tidak mendukung model, hal ini bisa dilihat pada output t-value dari model setelah dijalankan pada Gambar 3.17 di bawah.


115

Dari Gambar 3.17, dapat dilihat dari nilai RMSEA model pengukuran menunjukkan nilai 0.016 yaitu kurang dari 5%. menunjukkan bahwa model struktural yang dibuat telah cocok / fit dengan data yang ada

Gambar 3.17 Path Diagram t-value pada Model Hybrid


116

Terlihat pada Gambar 3.17 di atas bahwa banyak hubungan struktural yang memiliki nilai -1,96 < t-value < 1,96, yang artinya termasuk ke dalam daerah penerimaan H0 atau dengan kata lain, tidak terdapat pengaruh antara satu laten dengan laten lainnya dalam sebuah lintasan. Hasil uji kecocokan setelah menambahkan model struktural pada model pengukuran (model CFA) dapat dilihat pada Tabel 3.64 di bawah. Tabel 3.64 Goodness of Fit Model Struktural UKURAN GOF

TARGET TINGKAT HASIL KECOCOKAN ESTIMASI ABSOLUTE FIT MEASURES

TINGKAT KECOCOKAN

Statistic Chi-square

Nilai yang kecil

3672.01

P

P > 0,05

0,00

Scaled NCP

Nilai yang kecil

373.01

Interval

Interval yang sempit

229.21 - 525.13

Goodness-of-Fit Index (GFI)

GFI > 0,9

0.84

Kurang Baik

Root Mean Square Residual (RMR)

Standardized RMR ≤ 0,05

0.031

Baik

RMSEA

RMSEA ≤ 0,08

0.016

P (Close Fit)

P ≥ 0,05

ECVI

Nilai yang kecil dan mendekati ECVI Saturated

1.00 M: 8.68 S: 14.96 I: 23.53

Kurang Baik Kurang Baik

Baik

Kurang Baik

INCREMENTAL FIT MEASURES TLI atau NNFI

NNFI ≥ 0,9

0.92

Baik

NFI

NFI ≥ 0,9

0.64

Kurang Baik

AGFI

AGFI ≥ 0,9

0.83

Kurang Baik

RFI

RFI ≥ 0,9

0.63

Kurang Baik

IFI

IFI ≥ 0,9

0.92

Baik

CFI

CFI ≥ 0,9

0.92

Baik

PARSIMONIOUS FIT MEASURES Normed Chi-Square

Batas bawah: 1, batas atas: 2 atau 3 & yang lebih longgar 5

4,53

Baik

AIC

Nilai yang kecil dan mendekati AIC Saturated

M: 4046.01 S: 6972.00 I: 10965.63

Kurang Baik

CAIC

Nilai yang kecil dan mendekati CAIC Saturated

M: 5008.38 S: 24912.10 I: 11392.77

Kurang Baik

Critical "N" (CN)

CN ≥ 200

418.80

Baik


117

Dari tabel di atas terlihat bahwa hasil uji kecocokan model secara keseluruhan hampir sama dengan hasil uji kecocokan model pengukuran yang sebelumnya telah dilakukan. Terdapat 7 ukuran GOF yang menunjukkan kecocokan model yang baik, dan 9 ukuran GOF yang menunjukkan kecocokan model yang kurang baik. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sebenarnya model sudah memiliki kecocokan yang cukup baik secara keseluruhan.


BAB 4 ANALISIS DATA

4.1

Analisis Pengaruh Atribut Dimensi Inovasi dan Quality of Service terhadap Loyalitas Pelanggan Berdasarkan pengolahan data yang telah dilakukan pada Bab 3, dapat

diketahui apakah dimensi-dimensi inovasi yang diperkenalkan oleh Rogers (1995) dan Quality of Service yang didasarkan pada dimensi kualitas dari Peraturan Menteri Komunikasi dan Informatika Tahun 2007 Tentang Standar Wajib Kinerja Operasi Penyelenggaraan Jaringan dan Jasa Telepon Bergerak Selular, yaitu Kualitas Jaringan, Kualitas Jangkauan, Kualitas Kejernihan Suara, Kualitas Data Transfer Rate, Kualitas Customer Service secara signifikan mempengaruhi ekspektasi pelanggan, perceived ease of use, perceived value, image perusahaan, kepuasan, kepercayaan, komitmen, keluhan, dan loyalitas dari pelanggan operator seluler di Indoneisa. Selain itu, jika memang berpengaruh secara signifikan, dapat pula diketahui seberapa besar pengaruh atribut inovasi dan quality of service tersebut terhadap setiap variabel yang ada dalam model loyalitas pelanggan. Kita juga dapat mengetahui hubungan pengaruh dari setiap variabel yang ada dalam model loyalitas pelanggan yang ada, dan apakah model tersebut tepat menggambarkan perilaku loyalitas pelanggan terhadap operator seluler. Namun, sebelum melakukan analisis terhadap keseluruhan model stuktural, terlebih dahulu dilakukan analisis terhadap model pengukuran sesuai dengan hasil pengolahan data yang telah dilakukan dengan menggunakan Lisrel 8.8. 4.1.1

Analisis Model Pengukuran Atribut Dimensi Inovasi Seperti yang telah dijelaskan pada bab sebelumnya, terdapat tiga jenis

variabel teramati dalam penelitian ini yaitu variabel teramati dari 4 dimensi inovasi, variabel teramati dari 5 dimensi quality of service, dan variabel teramati dari 9 variabel dalam model loyalitas pelanggan. Berikut merupakan output model pengukuran dari 4 dimensi inovasi yang didapatkan dari Lisrel 8.8.


119

Tabel 4.1 Output Model Pengukuran Atribut Dimensi Inovasi IP1 = 0.37*Innovati, Errorvar.= 0.70 , R² = 0.16 (0.044) (0.047) 8.48 14.81 IP2 = 0.24*Innovati, Errorvar.= 0.65 , R² = 0.083 (0.041) (0.043) 5.93 15.05 IP3 = 0.39*Innovati, Errorvar.= 0.67 , R² = 0.18 (0.043) (0.045) 9.07 14.73 IP4 = 0.35*Innovati, Errorvar.= 0.63 , R² = 0.16 (0.041) (0.043) 8.36 14.82 IPr1 = 0.46*Innovati, Errorvar.= 0.62 , R² = 0.25 (0.042) (0.043) 10.90 14.46 IPr2 = 0.41*Innovati, Errorvar.= 0.65 , R² = 0.21 (0.043) (0.044) 9.74 14.64 IPr3 = 0.36*Innovati, Errorvar.= 0.62 , R² = 0.17 (0.041) (0.042) 8.78 14.77 IPr4 = 0.42*Innovati, Errorvar.= 0.64 , R² = 0.22 (0.042) (0.044) 9.97 14.61 IPr5 = 0.42*Innovati, Errorvar.= 0.62 , R² = 0.22 (0.042) (0.043) 10.06 14.59 IT1 = 0.33*Innovati, Errorvar.= 0.58 , R² = 0.16 (0.039) (0.039) 8.41 14.81 IT2 = 0.29*Innovati, Errorvar.= 0.62 , R² = 0.12 (0.040) (0.041) 7.13 14.95 IT3 = 0.34*Innovati, Errorvar.= 0.60 , R² = 0.16 (0.040) (0.040) 8.40 14.82 IT4 = 0.37*Innovati, Errorvar.= 0.58 , R² = 0.19 (0.040) (0.039) 9.21 14.71 IT5 = 0.35*Innovati, Errorvar.= 0.61 , R² = 0.17 (0.041) (0.041) 8.70 14.78 IPm1 = 0.46*Innovati, Errorvar.= 0.65 , R² = 0.25 (0.043) (0.045) 10.77 14.48 IPm2 = 0.40*Innovati, Errorvar.= 0.60 , R² = 0.21 (0.041) (0.041) 9.82 14.63 IPm3 = 0.38*Innovati, Errorvar.= 0.64 , R² = 0.18 (0.042) (0.044) 9.10 14.73 IPm4 = 0.34*Innovati, Errorvar.= 0.64 , R² = 0.15 (0.041) (0.043) 8.14 14.85 Keterangan : t-value dan koefisien determinasi (R2) dicetak tebal


120

Berdasarkan output model persamaan pengukuran di atas, dapat dilakukan analisis sebagai berikut: 1. Variabel laten IP (Product Innovation) terbukti dapat diukur dari variabel teramati IP1 “Produk yang ditawarkan kompetitif / dapat bersaing dengan provider lain”, IP2 “Fitur produk yang diberikan lengkap”, IP3 “Produk yang diberikan telah memperhatikan kebutuhan pelanggan”, dan IP4 “Produk yang diberikan sesuai dengan perkembangan pasar dan lingkungan sosial”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 2. Variabel laten IPr (Process Innovation) terbukti dapat diukur dari variabel teramati IPr1 “Layanan yang diberikan handal (ketepatan layanan, call center 24 jam, dan lainnya)”, IPr2 “Layanan yang diberikan nyaman sesuai dengan keinginan”, IPr3 “Layanan yang diberikan dapat menghemat waktu pelanggan (payment-point, pengisian pulsa, pembayaran tagihan)”, IPr4 “Layanan yang diberikan sesuai dengan gaya hidup pelanggan (seperti: diskon belanja, promo lainnya)”, dan IPr5 “Layanan yang diberikan sesuai dengan pola kerja pelanggan (seperti: conference call)”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 3. Variabel laten IT (Technology Innovation) terbukti dapat diukur dari variabel teramati IT1 “Teknologi yang digunakan dapat mendukung performa produk yang diberikan”, IT2 “Teknologi yang digunakan dapat mendukung performa layanan yang diberikan”, IT3 “Teknologi yang diberikan sesuai dengan kebutuhan untuk melayani pelanggan”, IT4 “Teknologi yang digunakan mengusung perkembangan teknologi terbaru”, dan IT5 “Teknologi yang digunakan oleh provider menerapkan sistem teknologi yang mutakhir”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 4. Variabel laten IPm (Marketing Innovation) terbukti dapat diukur dari variabel teramati IPm1 “Promosi yang diberikan dapat menarik minat pelanggan dengan berbagai macam tawaran”, IPm2 “Media promosi yang digunakan memperhatikan kebiasaan pelanggan”, IPm3 “Promosi yang diberikan provider mengikuti perkembangan social network pelanggan”, dan IPm4 “Promosi yang diberikan selalu berorientasi kepada perkembangan yang


121

terjadi di masyarakat”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96.

4.1.2

Analisis Model Pengukuran Dimensi Quality of Service

Berikut

merupakan

output

model

persamaan

pengukuran

dari

5

atribut/dimensi quality of service yang didapatkan dari Lisrel 8.8.

Tabel 4.2 Output Model Pengukuran Atribut Dimensi Quality of Service KJ1 = 0.45*P_Qualit, Errorvar.= 0.66 , R² = 0.24 (0.042) (0.044) 10.78 14.78 KJ2 = 0.55*P_Qualit, Errorvar.= 0.60 , R² = 0.33 (0.042) (0.042) 13.05 14.50 KJ3 = 0.48*P_Qualit, Errorvar.= 0.64 , R² = 0.27 (0.042) (0.044) 11.48 14.70 KJ4 = 0.53*P_Qualit, Errorvar.= 0.62 , R² = 0.31 (0.042) (0.043) 12.47 14.58 KJg1 = 0.42*P_Qualit, Errorvar.= 0.67 , R² = 0.21 (0.042) (0.045) 10.03 14.85 KJg2 = 0.50*P_Qualit, Errorvar.= 0.64 , R² = 0.28 (0.042) (0.044) 11.78 14.67 KJg3 = 0.48*P_Qualit, Errorvar.= 0.57 , R² = 0.29 (0.040) (0.039) 12.11 14.63 KJg4 = 0.48*P_Qualit, Errorvar.= 0.63 , R² = 0.27 (0.042) (0.043) 11.56 14.69 KS1 = 0.37*P_Qualit, Errorvar.= 0.66 , R² = 0.17 (0.041) (0.044) 8.90 14.95 KS2 = 0.43*P_Qualit, Errorvar.= 0.67 , R² = 0.22 (0.042) (0.045) 10.20 14.84 KS3 = 0.50*P_Qualit, Errorvar.= 0.63 , R² = 0.28 (0.042) (0.043) 11.87 14.66 KS4 = 0.44*P_Qualit, Errorvar.= 0.61 , R² = 0.24 (0.041) (0.041) 10.87 14.77


122

Tabel 4.3 Output Model Pengukuran Atribut Dimensi Quality of Service (Sambungan) KD1 = 0.38*P_Qualit, Errorvar.= 0.59 , R² = 0.19 (0.040) (0.040) 9.55 14.90 KD2 = 0.41*P_Qualit, Errorvar.= 0.67 , R² = 0.20 (0.042) (0.045) 9.83 14.87 KD3 = 0.41*P_Qualit, Errorvar.= 0.63 , R² = 0.21 (0.041) (0.042) 10.13 14.84 KD4 = 0.47*P_Qualit, Errorvar.= 0.60 , R² = 0.27 (0.041) (0.041) 11.52 14.70 KCS1 = 0.41*P_Qualit, Errorvar.= 0.62 , R² = 0.21 (0.041) (0.042) 10.01 14.86 KCS2 = 0.44*P_Qualit, Errorvar.= 0.65 , R² = 0.23 (0.042) (0.044) 10.51 14.81 KCS3 = 0.44*P_Qualit, Errorvar.= 0.62 , R² = 0.23 (0.041) (0.042) 10.62 14.80 KCS4 = 0.49*P_Qualit, Errorvar.= 0.61 , R² = 0.28 (0.041) (0.042) 11.84 14.66 Keterangan : t-value dan koefisien determinasi (R2) dicetak tebal

Berdasarkan output model persamaan pengukuran di atas, dapat dilakukan analisis sebagai berikut: 1. Variabel laten KJ (Network Quality) terbukti dapat diukur dari variabel teramati KJ1 “Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas jaringan yang berkualitas”, KJ2 “Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan jaringan yang berkualitas”, KJ3 “Kualitas jaringan yang ditawarkan provider yang saya gunakan selalu terhubung dengan baik / tidak putus-putus (reliable)”, dan KJ4 “Pelanggan merasa kualitas jaringan yang diberikan semakin baik”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 2. Variabel laten KJg (Coverage Quality) terbukti dapat diukur dari variabel teramati KJg1 “Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas jangkauan (coverage) yang luas”, KJg2 “Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan jangkauan (coverage) yang luas”, KJg3 “Saya dapat terhubung dimana pun saya berada (reliable)”, dan KJg4 “Pelanggan merasa kualitas jangkauan yang Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

123

diberikan semakin baik”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 3. Variabel laten KS (Voice Limpidity Quality) terbukti dapat diukur dari variabel teramati KS1 “Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas suara yang jernih”, KS2 “Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan kejernihan suara yang jernih”, KS3 “Kualitas kejernihan suara yang ditawarkan provider yang saya gunakan selalu jernih tanpa gangguan (reliable)”, dan KS4 “Pelanggan merasa kualitas kejernihan suara yang diberikan semakin baik”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 4. Variabel laten KS (Voice Limpidity Quality) terbukti dapat diukur dari variabel teramati KS1 “Berdasarkan pengalaman, provider yang saya gunakan secara keseluruhan memiliki kualitas suara yang jernih”, KS2 “Provider yang saya gunakan dapat memenuhi kebutuhan pelanggan akan kejernihan suara yang jernih”, KS3 “Kualitas kejernihan suara yang ditawarkan provider yang saya gunakan selalu jernih tanpa gangguan (reliable)”, dan KS4 “Pelanggan merasa kualitas kejernihan suara yang diberikan semakin baik”. Hal ini dapat dilihat dari nilai t-value yang lebih besar dari batas kritis 1,96. 4.1.3

Analisis Model Pengukuran 9 Variabel Model Loyalitas Pelanggan Berikut merupakan output model persamaan pengukuran dari 9 variabel

model loyalitas yang didapatkan dari Lisrel 8.8.

Tabel 4.4 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas PV1 = 0.40*P_Value, Errorvar.= 0.63 (0.042) (0.043) 9.41 14.54 PV2 = 0.50*P_Value, Errorvar.= 0.57 (0.042) (0.041) 11.90 13.98 PV3 = 0.50*P_Value, Errorvar.= 0.59 (0.043) (0.042) 11.65 14.05 PV4 = 0.48*P_Value, Errorvar.= 0.59 (0.042) (0.042) 11.33 14.13 PV5 = 0.51*P_Value, Errorvar.= 0.54 (0.041) (0.039) 12.37 13.85

, R² = 0.20

, R² = 0.30

, R² = 0.29

, R² = 0.28

, R² = 0.32


124

Tabel 4.5 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (Sambungan) PV6 = 0.48*P_Value, Errorvar.= 0.63 , R² = 0.27 (0.043) (0.044) 11.15 14.18 PV7 = 0.46*P_Value, Errorvar.= 0.59 , R² = 0.26 (0.042) (0.041) 10.88 14.24 CE1 = 0.43*C_Expect, Errorvar.= 0.56 , R² = 0.25 (0.041) (0.040) 10.43 14.13 CE2 = 0.39*C_Expect, Errorvar.= 0.58 , R² = 0.21 (0.041) (0.040) 9.48 14.37 CE3 = 0.39*C_Expect, Errorvar.= 0.56 , R² = 0.22 (0.041) (0.039) 9.64 14.34 CE4 = 0.47*C_Expect, Errorvar.= 0.55 , R² = 0.29 (0.042) (0.040) 11.30 13.86 CE5 = 0.43*C_Expect, Errorvar.= 0.58 , R² = 0.25 (0.042) (0.041) 10.35 14.15 CE6 = 0.42*C_Expect, Errorvar.= 0.57 , R² = 0.24 (0.041) (0.040) 10.13 14.21 CI1 = 0.40*C_Image, Errorvar.= 0.58 , R² = 0.21 (0.043) (0.041) 9.32 14.06 CI2 = 0.40*C_Image, Errorvar.= 0.61 , R² = 0.21 (0.044) (0.043) 9.15 14.12 CI3 = 0.41*C_Image, Errorvar.= 0.59 , R² = 0.22 (0.043) (0.042) 9.44 14.02 CI4 = 0.43*C_Image, Errorvar.= 0.57 , R² = 0.25 (0.043) (0.042) 10.03 13.80 CI5 = 0.38*C_Image, Errorvar.= 0.54 , R² = 0.21 (0.041) (0.039) 9.19 14.11 PE1 = 0.34*P_EaseUs, Errorvar.= 0.60 , R² = 0.16 (0.046) (0.044) 7.46 13.83 PE2 = 0.36*P_EaseUs, Errorvar.= 0.58 , R² = 0.18 (0.046) (0.043) 7.78 13.65 PE3 = 0.41*P_EaseUs, Errorvar.= 0.63 , R² = 0.21 (0.049) (0.048) 8.42 13.21 PE4 = 0.31*P_EaseUs, Errorvar.= 0.61 , R² = 0.14 (0.046) (0.043) 6.80 14.15 CS1 = 0.38*C_Satisf, Errorvar.= 0.58 , R² = 0.20 (0.041) (0.040) 9.19 14.43


125

Tabel 4.6 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (Sambungan) CS2 = 0.37*C_Satisf, Errorvar.= 0.64 , R² = 0.18 (0.043) (0.044) 8.73 14.55 CS3 = 0.42*C_Satisf, Errorvar.= 0.61 , R² = 0.23 (0.043) (0.043) 9.82 14.23 CS4 = 0.34*C_Satisf, Errorvar.= 0.63 , R² = 0.15 (0.042) (0.043) 8.00 14.71 CS5 = 0.40*C_Satisf, Errorvar.= 0.60 , R² = 0.21 (0.042) (0.042) 9.47 14.35 CT1 = 0.35*C_Trust, Errorvar.= 0.58 , R² = 0.17 (0.042) (0.041) 8.22 14.36 CT2 = 0.35*C_Trust, Errorvar.= 0.60 , R² = 0.17 (0.043) (0.041) 8.12 14.39 CT3 = 0.41*C_Trust, Errorvar.= 0.57 , R² = 0.23 (0.043) (0.042) 9.52 13.76 CT4 = 0.37*C_Trust, Errorvar.= 0.58 , R² = 0.19 (0.043) (0.041) 8.65 14.19 CC1 = 0.53*C_Commit, Errorvar.= 0.62 , R² = 0.32 (0.046) (0.047) 11.68 13.28 CC2 = 0.53*C_Commit, Errorvar.= 0.57 , R² = 0.33 (0.044) (0.043) 11.95 13.15 CC3 = 0.57*C_Commit, Errorvar.= 0.57 , R² = 0.37 (0.045) (0.044) 12.77 12.73 CC4 = 0.56*C_Commit, Errorvar.= 0.53 , R² = 0.37 (0.044) (0.042) 12.77 12.73 CCt1 = 0.48*C_Compla, Errorvar.= 0.61 , R² = 0.27 (0.044) (0.044) 10.80 13.67 CCt2 = 0.48*C_Compla, Errorvar.= 0.59 , R² = 0.29 (0.044) (0.043) 11.02 13.57 CCt3 = 0.45*C_Compla, Errorvar.= 0.59 , R² = 0.25 (0.043) (0.043) 10.29 13.87 CCt4 = 0.50*C_Compla, Errorvar.= 0.61 , R² = 0.29 (0.045) (0.045) 11.05 13.56 AtL1 = 0.38*C_Loyalt, Errorvar.= 0.59 , R² = 0.20 (0.043) (0.042) 8.86 14.16 AtL2 = 0.49*C_Loyalt, Errorvar.= 0.64 , R² = 0.27 (0.046) (0.047) 10.58 13.57


126

Tabel 4.7 Output Model Pengukuran Atribut 9 Variabel Model Loyalitas (Sambungan) AtL3 = 0.52*C_Loyalt, Errorvar.= 0.65 , R² = 0.29 (0.047) (0.049) 11.06 13.36 BL1 = 0.43*C_Loyalt, Errorvar.= 0.56 , R² = 0.25 (0.043) (0.041) 10.12 13.74 BL2 = 0.48*C_Loyalt, Errorvar.= 0.63 , R² = 0.27 (0.046) (0.046) 10.53 13.59 BL3 = 0.37*C_Loyalt, Errorvar.= 0.63 , R² = 0.18 (0.044) (0.044) 8.39 14.29 Keterangan : t-value dan koefisien determinasi (R2) dicetak tebal

Berdasarkan output model persamaan pengukuran tersebut, dapat dilakukan analisa berikut: 1.

Variabel laten PV (Perceived Value) terbukti signifikan diukur dari ketujuh variabel teramati yang telah dispesifikasikan, yaitu PV1 “Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas produk yang diberikan”, PV2 “Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas layanan yang diberikan”, PV3 “Harga yang ditawarkan oleh provider yang saya gunakan sebanding dengan kualitas teknologi yang diberikan”, PV4 “Kualitas produk yang saya rasakan sesuai dengan tarif yang ditetapkan”, PV5 “Kualitas layanan yang saya rasakan sesuai dengan tarif yang dibayar”, PV6 “Kualitas teknologi yang saya rasakan sesuai dengan tarif yang dibayar”, PV7 “Tingkat ketepatan yang diberikan oleh provider (seperti ketepatan tagihan, dan rincian biaya) sesuai dengan pemakaian”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96.

2.

Variabel laten CE (Customer Expectation) terbukti signifikan diukur dari keenam variabel teramati yang telah dispesifikasikan, yaitu CE1 “Provider yang saya gunakan memberikan kualitas produk yang dapat memenuhi harapan saya”, CE2 “Provider yang saya gunakan memberikan kualitas layanan yang dapat memenuhi harapan saya”, CE3 “Kehandalan produk yang ditawarkan provider sesuai dengan apa yang saya harapkan”, CE4 “Kehandalan layanan yang ditawarkan provider yang saya gunakan sesuai dengan apa yang saya harapkan”, CE5 “Kehandalan teknologi yang


127

ditawarkan provider yang saya gunakan sesuai dengan apa yang saya harapkan”, dan CE6 “Provider yang saya gunakan dapat memenuhi harapan saya akan layanan yang sesuai dengan kebutuhan saya”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96. 3.

Variabel laten CI (Corporate Image) terbukti signifikan diukur dari kelima variabel teramati yang telah dispesifikasikan, yaitu CI1 “Provider yang saya gunakan mempunyai kontribusi sosial terhadap masyarakat”, CI2 “Provider yang saya gunakan merupakan provider yang inovatif”, CI3 “Provider yang saya gunakan merupakan provider yang berorientasi ke masa yang akan datang (forward looking)”, CI4 “Provider yang saya gunakan selalu fokus terhadap pelanggannya”, dan CI5 “Provider yang saya gunakan menawarkan pelayanan yang sesuai dengan apa yang dibayar oleh pelanggan”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96.

4.

Variabel laten PE (Perceived Ease of Use) terbukti signifikan diukur dari keempat variabel teramati yang telah dispesifikasikan, yaitu PE1 “Saya merasa mudah menggunakan provider yang saya gunakan”, PE2 “Saya tidak memerlukan bantuan dalam menggunakan provider yang saya gunakan”, PE3 “Saya merasa mudah untuk mendapatkan yang saya inginkan dari provider yang saya gunakan”, dan PE4 “Saya merasa mudah untuk memahami tampilan (human interface) dari provider yang saya gunakan”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96.

5.

Variabel laten CS (Customer Satisfaction) terbukti signifikan diukur dari kelima variabel teramati yang telah dispesifikasikan, yaitu CS1 “Secara keseluruhan, saya merasa puas terhadap provider yang saya gunakan”, CS2 “Saya merasa puas dengan kehandalan kualitas produk yang diberikan provider yang saya gunakan karena sesuai dengan apa yang saya harapkan”, CS3 “Saya merasa puas dengan kehandalan kualitas layanan yang diberikan provider yang saya gunakan karena sesuai dengan apa yang saya harapkan”, CS4 “Provider yang gunakan adalah provider yang selalu memberikan


128

produk yang ideal”, dan CS5 “Provider yang gunakan adalah provider yang selalu memberikan layanan yang ideal”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96. 6.

Variabel laten CT (Customer Trust) terbukti signifikan diukur dari dua variabel teramati yang telah dispesifikasikan, yaitu CT1 “Saya percaya provider yang saya gunakan selalu menawarkan produk yang berkualitas”, CT2 “Saya percaya provider yang saya gunakan selalu menawarkan layanan yang berkualitas”, CT3 “Saya percaya provider yang saya gunakan selalu melakukan inovasi dalam memenuhi kebutuhan pelanggan”, dan CT4 “Saya percaya provider yang saya gunakan selalu berorientasi ke masa yang akan datang

(forward

looking)

dalam

memenuhi

kebutuhan

pelanggan”.

Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96. 7.

Variabel laten CC (Customer Commitment) terbukti signifikan diukur dari dua variabel teramati yang telah dispesifikasikan, yaitu CC1 “Meskipun banyak promosi produk menarik dari provider lain, pilihan provider yang saya gunakan tidak akan berubah”, CC2 “Meskipun banyak promosi layanan menarik dari provider lain, pilihan provider yang saya gunakan tidak akan berubah”, CC3 “Meskipun keluarga saya menggunakan provider lain, saya tidak akan mengubah pilihan provider yang saya gunakan”, dan CC4 “Meskipun teman saya merekomendasikan provider lain, saya tidak akan mengubah pilihan provider yang saya gunakan”. Signifikansi dari variabelvariabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96.

8.

Variabel laten CCt (Customer Complaint) terbukti signifikan diukur dari keseluruhan variabel teramati yang telah dispesifikasikan, yaitu CCt1 “Berdasarkan pengalaman, provider yang saya gunakan memiliki kepedulian dalam menangani keluhan dari pelanggannya”, CCt2 “Berdasarkan pengalaman, saya cukup sekali melakukan pengaduan keluhan kepada provider yang saya gunakan untuk dapat menyelesaikan masalah saya”, CCt3 “Provider yang saya gunakan selalu memberikan solusi yang tepat terhadap keluhan pelanggannya”, dan CCt4 “Provider yang saya gunakan selalu cepat


129

dalam mengatasi keluhan pelanggannya”. Signifikansi dari variabel-variabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96. 9.

Variabel laten Loyalty (Customer Loyalty) terbukti signifikan diukur dari variabel teramati AtL1 “Jika masa aktifnya telah habis, saya akan segera mengisi ulang kartu provider saya”, AtL2 “Saya akan mentolerir kenaikan tarif yang diajukan oleh provider yang saya gunakan”, AtL3 “Sekalipun hanya untuk sementara, saya tidak akan membeli kartu perdana provider lain”, BL1 “Untuk berkomunikasi secara permanen, saya hanya akan menggunakan jasa provider yang saya gunakan saat ini”, BL2 “Saya tidak akan berpindah dari provider yang saya gunakan ke provider yang lain”, dan BL3 “Jika ada teman/saudara yang meminta pendapat, saya akan merekomendasikan provider yang saya gunakan”. Signifikansi dari variabelvariabel teramati ini terlihat dari nilai t-value yang lebih besar dari 1,96.

4.1.4

Analisis Model Struktural Keseluruhan Setelah melakukan analisis terhadap model persamaan pengukuran yang

dihasilkan, selanjutnya dilakukan analisis terhadap model persamaan struktural yang dihasilkan. Ada beberapa hal yang perlu diperhatikan dalam model persamaan struktural yang dihasilkan dari Lisrel 8.8, yaitu signifikansi hubungan dari pengaruh langsung dan pengaruh tak langsung yang ditunjukkan oleh nilai tvalue, serta besar kecilnya pengaruh suatu variabel ke variabel lain yang ditunjukkan oleh nilai standardized loading factor. Hasil output t-value dari model persamaan struktural yang diperoleh dari pengolahan menggunakan Lisrel 8.8 ditunjukkan pada Gambar 4.1 berikut:


130

Gambar 4.1 t-value Variabel Laten pada Model Struktural Terlihat pada Gambar 4.1 di atas, terdapat 8 hubungan struktural yang memiliki nilai -1,96 < t-value < 1,96 yaitu : •

Innovation Æ Customer Satisfaction (t-value -1,55)

•

Perceived Quality Æ Perceived Value (t-value 1,86)

•

Customer Expectation Æ Perceived Value (t-value 1,20)

•

Customer Expectation Æ Customer Satisfaction (t-value 1,85)

•

Perceived Quality Æ Customer Satisfaction (t-value 0,82)

•

Customer Satisfaction Æ Customer Loyalty (t-value 0,20)

•

Perceived Ease of Use Æ Customer Satisfaction (t-value 1,95)

•

Customer Complaints Æ Customer Loyalty (t-value 1,82) Untuk lebih jelasnya, dapat dilihat pada gambar berikut yang

menunjukkan variabel laten yang pengaruhnya signifikan maupun tidak signifikan dengan variabel laten lainnya. Untuk pengaruh yang tidak signifikan digambarkan dengan garis warna merah.


131

Gambar 4.2 Path Diagram Variabel Laten pada Model Struktural

Dari hasil yang path diagram yang diperoleh, dapat dilihat beberapa pengaruh yang tidak signifikan antar variabel laten yang dimana pada literatur model yang digunakan dalam penelitian ini memiliki pengaruh yang signifikan, yaitu seperti pengaruh customer satisfaction terhadap customer loyalty secara langsung. Hal ini merepresentasikan data yang digunakan untuk model dalam penelitian ini yaitu data dari pengguna operator seluler di Indonesia. Jika dalam literatur model terdapat pengaruh yang signifikan, dikarenakan perilaku dari pelanggan operator seluler di Taiwan memiliki kecenderungan untuk para pelanggan yang puas terhadap pelayanan yang diberikan oleh operator seluler yang digunakan akan menjadi pelanggan yang loyal terhadap operator seluler tersebut. Sedangkan untuk model yang menggunakan data pelanggan operator seluler di Indonesia, pengaruh secara langsung tersebut tidak signifikan yang menunjukkan bahwa pelanggan operator seluler di Indonesia yang sudah puas dengan pelayanan yang diberikan oleh operator selulernya belum tentu akan menjadi pelanggan yang loyal, akan tetapi loyalitas tersebut akan didapat melalui pengaruh faktor selanjutnya yaitu kepercayaan dan komitmen pelanggan terhadap operator seluler yang digunakan. Kemudian juga untuk melihat besar kecilnya pengaruh yang didapat antara sebuah variabel teramati dengan variabel latennya dapat dilihat dari nilai standardized solution dari model struktural yang ada yang digambarkan pada Gambar 4.3 berikut. Universitas Indonesia Analisis pengaruh ..., Luky Hananto, FT UI, 2011

132

Gambar 4.3 Standardized Solution dari Tiap Variabel Teramati pada Model Struktural Hasil nilai loading factor pada gambar di atas, dapat dilihat lebih spesifik pada tabel berikut. Tabel 4.8 Nilai Loading Factor Variabel Teramati Variabel Laten Product Innovation

Process Innovation



Variabel Teramati IP1 IP2 IP3 IP4 IPr1 IPr2 IPr3 IPr4 IPr5 IT1 IT2 IT3 IT4 IT5 IPm1 IPm2 IPm3 IPm4

Nilai Loading Factor 0.39 0.27 0.42 0.38 0.50 0.46 0.41 0.46 0.47 0.38 0.33 0.40 0.43 0.41 0.49 0.45 0.42 0.38


133

Tabel 4.9 Nilai Loading Factor Variabel Teramati (Sambungan) Variabel Laten

Perceived Value

Network Quality

Coverage Quality

Voice Limpidity Quality Data Transfer Rate Quality Customer Service Quality

Variabel Teramati PV1 PV2 PV3 PV4 PV5 PV6 PV7 KJ1 KJ2 KJ3 KJ4 KJg1 KJg2 KJg3 KJg4 KS1 KS2 KS3 KS4 KD1 KD2 KD3 KD4 KCS1 KCS2 KCS3 KCS4

Nilai Loading Factor 0.45 0.55 0.54 0.53 0.56 0.53 0.51 0.49 0.58 0.52 0.56 0.46 0.53 0.54 0.52 0.41 0.47 0.53 0.49 0.44 0.45 0.47 0.52 0.46 0.48 0.48 0.53


134

Tabel 4.10 Nilai Loading Factor Variabel Teramati (Sambungan) Variabel Laten

Customer Expectation

Corporate Image



Customer Trust

Customer Complaints

Customer Commitment

Attitudinal Loyalty Behavioral Loyalty

Variabel Teramati CE1 CE2 CE3 CE4 CE5 CE6 CI1 CI2 CI3 CI4 CI5 PE1 PE2 PE3 PE4 CS1 CS2 CS3 CS4 CS5 CT1 CT2 CT3 CT4 CC1 CC2 CC3 CC4 CCt1 CCt2 CCt3 CCt4 AtL1 AtL2 AtL3 BL1

Nilai Loading Factor 0.50 0.46 0.47 0.53 0.50 0.48 0.45 0.45 0.47 0.48 0.47 0.42 0.46 0.47 0.53 0.44 0.42 0.47 0.38 0.45 0.40 0.40 0.46 0.53 0.56 0.57 0.61 0.60 0.52 0.53 0.51 0.53 0.44 0.51 0.55 0.50

BL2

0.51

BL3

0.42


135

Dari hasil analisis terhadap model struktural, di dapat beberapa pengaruh antar variabel laten yang tidak signifikan. Memang beberapa pengaruh antara variabel laten yang tidak signifikan tersebut kurang dapat merepresentasikan teori yang ada. Akan tetapi, dari hasil pengolahan data, didapatkan jalur lain yang menunjukkan pengaruh signifikan antara variabel laten tersebut. Berikut ditunjukkan pada Gambar 4.4 yang menunjukkan jalur baru pengaruh tidak langsung antara variabel laten inovasi dan kualitas terhadap loyalitas pelanggan.

Gambar 4.4 Path Diagram Baru Pengaruh Variabel Inovasi dan Kualitas terhadap Loyalitas Pelanggan Pada Model Struktural Dari gambar di atas, dapat dilihat bahwa pengaruh inovasi terhadap loyalitas dapat ditunjukkan dengan pengaruh secara tidak langsung. Pengaruh secara tidak langsung variabel inovasi menuju ke loyalitas dapat dilihat melalui pengaruh faktor inovasi terhadap kualitas, kemudian dilanjutkan pengaruh dari kualitas terhadap kepuasan pelanggan. Selanjutnya dilihat dari pengaruh kepuasan pelanggan terhadap kepercayaan pelanggan yang menuju kepada pengaruh kepercayaan pelanggan terhadap komitmen dari pelanggan. Pada akhirnya, dapat dilihat pengaruh dari komitmen pelanggan terhadap loyalitas pelanggan.


BAB V KESIMPULAN

Penelitian ini menyimpulkan beberapa hal, yaitu : 1. Customer Loyalty tidak dipengaruhi secara langsung oleh Innovation dan Quality of Service (Perceived Quality), akan tetapi dipengaruhi secara tidak langsung oleh faktor-faktor dari kedua variabel tersebut. 2. Berdasarkan dari hasil path diagram yang didapat, Innovation dan Quality of Service mempengaruhi Customer Loyalty secara tidak langsung dengan melalui pengaruh Innovation terhadap Quality of Service, kemudian dilanjutkan pengaruh dari Quality of Service terhadap Customer Satisfaction. Selanjutnya dilihat dari pengaruh Customer Satisfaction terhadap Customer Trust yang menuju kepada pengaruh kepercayaan pelanggan terhadap Customer Commitment. Pada akhirnya, dapat dilihat pengaruh dari Customer Commitment terhadap Customer Loyalty. 3. Faktor-faktor

Innovation

berdasarkan

dimensi

Product,

Process,

Technology, dan Marketing memiliki pengaruh yang cukup signifikan terhadap Innovation yang berpengaruh juga terhadap Customer Loyalty secara tidak langsung 4. Faktor-faktor Quality of Service (Perceived Quality) berdasarkan dimensi Network, Coverage, Voice Limpidity, Data Transfer Rate, dan Customer Service memiliki pengaruh yang cukup signifikan terhadap Quality of Service yang berpengaruh juga terhadap Customer Loyalty secara tidak langsung 5. Untuk meningkatkan loyalitas pelanggan, maka perusahaan harus memberikan perhatian pada komitmen dan kepercayaan pelanggan terhadap operator seluler yang digunakan, kemudian untuk memperoleh pelanggan yang percaya dan berkomitmen terhadap suatu operator seluler maka perlu ditingkatkan juga kepuasan pelanggan terhadap layanan yang diberikan dengan cara meningkatkan quality of service dan kegiatan inovasi yang dilakukan oleh operator seluler.


DAFTAR REFERENSI

White, Margaret A & Burton, Garry D (2007). “The Management of Technology and Innovation: A Strategic Approach”, Thomson South-Western, Hal. 328. Kim, Jonghyeok., & Hwang, Hyunseok. (2003). “A Model for Evaluating Effectiveness of CRM Using Balance Score Card”, Journal of Interactive Marketing, vol. 17, no.2. Wiley Periodicals, Inc. and Direct Marketing Educational Foundation, Inc. “Hill et al. 2003” dalam Eboli Laura and Gabriella Mazzulla (2009), “A New Customer Satisfaction Index for Evaluating Transit Service Quality”, Journal of Public Transportation, Vol. 12. No. 3. Hal. 22. Parasuraman, A., Valerie A. Zeithaml, and Leonard L. Berry (1988). “SERVQUAL: A Multiple-Item Scale for Measuring Consumer Perceptions of Service Quality”. Journal of Retailing, Vol. 64, No. 1, 12. Lichtlé, Marie-Christine & Plichon, Véronique (2008). “Understanding Better Consumer Loyalty”. Recherche et Applications en Marketing. Vol. 23. No. 4. Hal. 122. Robert East et. al.(2000), “Loyalty: Definition and Explanation”, ANZMAC 2000 Visionary Marketing for the 21st Century: Facing The Challenge. “Reichheld and Schefter, (2005)” dalam Marcel Van Birgelen, Paul Ghijsen &Janjaap Semeijn, Managing Service Quality. Vol. 15, No. 6, ABI/INFORM Global. Hal. 539. Joe R. Hulett (1986). “A Review of Exit, Voice, and Loyalty: Responses to Decline in Firms, Organizations, and States by Albert O. Hirschman”. ABI/INFORM Global. Hal. 118. Rogers, Mark. “The Definition and Measurement of Innovation”. Melbourne Institute Working Paper No. 10. 1998. Hal. 6. Hage, J. T. (1999), “Organizational Innovation and Organizational Change”. Annual Review of Sociology. Vol. 25. Hal. 599. Lee, Dr. Yao-kuei & Liu, Dr. Tsai-lung (2008). Tajen University. Taiwan. “The Effects of Innovation Diffusion on Customer Loyalty”. The Business Review, Cambridge Vol. 10. Summer.


Tsoukatos, Evangelos & K. Rand , Graham (2006).”Path analysis of perceived service quality, satisfaction and loyalty in Greek insurance”. Managing Service Quality Vol. 16 No. 5 pp. 501-519 Emerald Group Publishing Limited. Cheng Tung, Dr. Feng (2010). “Exploring Customer Satisfaction, Perceived Quality and Image: An Empirical Study in the Mobile Services Industry” . The Business Review, Cambridge. Vol. 14. Hair Jr., Joseph F., C. Black, William, Babin, Barry J., Rolph E (2010). Anderson, Multivariate Data Analysis; Seventh Edition.Pearson Prentice-Hall, Hal. 701. Joreskog, Karl G., & Sorbom, Dag. (1993) “Lisrel 8: Structural Equation Modeling with Simplis Command Language”. Scientific Software International, Inc-USA.


ESIA SKRIPSI DEPOK. Analisis pengaruh..., Luky Hananto, FT UI, 2011

Recommend Documents