SOLUSI PEMODELAN PERSAMAAN STRUKTURAL DENGAN PENDUGA KUADRAT TERKECIL PARSIAL PADA PEUBAH LATEN TINGKAT DUA (STUDI KASUS: PEMODELAN KINERJA BANK)
LILIK PURWANDI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2016 Lilik Purwandi NIM G151110161
RINGKASAN LILIK PURWANDI Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank). Dibimbing oleh MUHAMMAD NUR AIDI dan I MADE SUMERTAJAYA. Model Persamaan Struktural (MPS) dengan pendugaan Kuadrat Terkecil Parsial (KTP) merupakan pemodelan lunak (soft modeling) yang merupakan salah satu solusi dari MPS dengan penduga kemungkinan maksimum ketika asumsiasumsi tidak terpenuhi khususnya asumsi kecukupan jumlah contoh (Monecke & Leisch 2012). MPS dengan peduga KTP selalu mensyaratkan setiap peubah laten minimal diukur oleh satu indikator (Lohmö ller 1989, Monecke & Leisch 2012). Permasalahan persamaan struktural dua tingkat terjadi karena peubah laten tingkat dua tidak memiliki indikator. Secara empirik ada dua pendekatan yang bisa digunakan sebagai solusi. Pendekatan pertama adalah menurunkan orde peubah laten tingkat dua menjadi peubah laten tingkat satu. Pendekatan kedua melalui pemodelan dua tahap. Tahap pertama dengan mencari skor faktor pada peubah laten tingkat satu yang merupakan peubah laten eksogen pada peubah laten tingkat dua. Tahap kedua yaitu menggunakan peubah laten tingkat satu sebagai indikator peubah laten tingkat dua. Penelitian ini bertujuan untuk mencari solusi terbaik pada persamaan struktural tingkat dua dengan penduga KTP dengan peubah laten tingkat dua tidak memiliki indikator pada kasus studi perbankan. Data pada penelitian ini bersumber data sekunder yang merupakan data hasil survei dan pencatatan. Survei dilakukan dengan wawancara tatap muka pada responden terpilih di 30 kabupaten dan kota dengan jumlah 3000 responden. Metode penarikan contoh yang digunakan adalah metode multistage random sampling, dengan rumah tangga sebagai unit terkecil. Data cacahan diperoleh dari Laporan Bulanan Bank Indonesia. Peubah laten eksogen ekuitas merek (EK) diduga berpengaruh pada peubah laten endogen kinerja bank (KB) dan peubah endogen keterikatan merek (KM), peubah laten endogen diduga berpengaruh pada peubah laten endogen KB. MPS pertama merupakan solusi pertama dan MPS kedua merupakan solusi kedua. Hasil pemodelan menunjukkan MPS pertama menghasilkan koefisien jalur yang positif dan nyata pada hubungan pengaruh EK terhadap KB serta EK terhadap KM, sedangan hubungan pengaruh KM terhadap KB tidak nyata. MPS kedua menghasilkan kesimpulan yang sama dengan MPS pertama. Model struktural peubah KB pada MPS pertama memiliki nilai R-Square 0.57 sedang MPS kedua memiliki R-Square 0.81. Model struktural peubah KM pada MPS pertama memiliki nilai R-Square 0.49 sedang MPS kedua memiliki R-Square 0.47. MPS pertama diperoleh nilai goodness of fit sebesar 0.63 dan MPS ke dua diperoleh nilai goodness of fit sebesar 0.69. Kata kunci: Ekuitas Merek, Kinerja Bank, KTP, MPS,
SUMMARY LILIK PURWANDI.The Solutions of Structural Equation Modeling Using Partial Least Square Estimator on Second Order Latent Variable (Case Study: Modeling Bank’s Performance). Supervised by MUHAMMAD NUR AIDI and. I MADE SUMERTAJAYA Structural Equation Model (SEM) using Partial Least Squares (PLS) estimator is a soft modeling, which is one of the solutions using maximum likelihood estimator when the assumptions do not fullfilled. especially the assumption of the adequacy on number of observation (Monecke & Leisch 2012). SEM using PLS estimator always require’s every latent variables must be measured by one indicator (Lohmoller, 1989, Monecke & Leisch 2012). SEM using PLS problem occurs if the two levels of latent variables does not have indicators. Empirically, there are two approaches that can be used as a solutions. The first approach is down falling second order latent variable to the first order latent variable. The second approach is through a two-stage modeling. The first step is estimate the factor scores using factor analysis in the first order latent variable, the second is using its factor scores in first order as indicator in second order latent variable. The objective this research is to find the best solution of the SEM using PLS estimator which second latent variables doesn’t have indicators in case study banks performance. The data in this research is secondary from survey and record data. The survey was conducted with face-to-face interviews at selected respondents in 30 districts and the cities. The sampling method used is multistage random sampling, with the household as the sampling unit. The record data obtained from the Monthly Report of Bank Indonesia. Exogenous latent variable of brand equity (EK) is estimated has significant effect on endogenous latent variables banks performance (KB) and endogenous latent variable brand engagement (KM), endogenous latent variable brand engagement is estimated has significant positive effect on the banks performance (KB). The first solutions show those latent variable brand equity (EK) has significant effect to the bank performance (KB) and brand engagement (KM), brand engagement (KM) hasn’t significant effect to the bank performance (KB). The second solutions was have similar result as first solution. Structural model of bank performance (KB) on the first solution has R-Square 0.57 and the second solution has R-Square 0.81. Structural model of brand engagement (KM) on the first solution has R-Square 0.49 and the second solution has R-Square 0.47.The first solution has smaller goodness of fit value (0.63) than goodness of fit value on second solutions (0.69). Its show that the second solutions is better than the first solution. Keywords: Brand Equity, Banks Performance, PLS, SEM.
© Hak Cipta Milik IPB, Tahun 2016 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
SOLUSI PEMODELAN PERSAMAAN STRUKTURAL DENGAN PENDUGA KUADRAT TERKECIL PARSIAL PADA PEUBAH LATEN TINGKAT DUA (STUDI KASUS: PEMODELAN KINERJA BANK)
LILIK PURWANDI
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
Penguji Luar Komisi pada Ujian Tesis: Dr. Farit Mochamad Afendi, MSi
Judul Tesis : Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank) Nama : Lilik Purwandi NIM : G151110161
Disetujui oleh Komisi Pembimbing
Dr Ir Muhammad Nur Aidi, MS Ketua
Dr Ir I Made Sumertajaya, MSi Anggota
Diketahui oleh
Ketua Program Studi Statistika
Dekan Sekolah Pascasarjana
Dr Ir Kusman Sadik, MSi
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 22 Januari 2016
Tanggal Lulus:
PRAKATA Puji dan syukur kehadirat Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul “Solusi Pemodelan Persamaan Struktural Dengan Penduga Kuadrat Terkecil Parsial Pada Peubah Laten Tingkat Dua (Studi Kasus: Pemodelan Kinerja Bank)”. Keberhasilan penulisan tesis ini tidak lepas dari bantuan, bimbingan dan petunjuk dari berbagai pihak. Penulis menyadari bahwa selama proses perkuliahan dan penyusunan tesis ini tidak lepas dari dukungan berbagai pihak. Pada kesempatan ini, penulis menyampaikan terima kasih kepada: 1. Keluarga tercinta atas segala kasih sayang, doa, dan dukungannya sampai saat ini. 2. Bapak Dr Ir Muhammad Nur Aidi MS dan Bapak Dr Ir I Made Sumertajaya MSi selaku dosen pembimbing yang telah banyak meluangkan waktunya dengan sabar membimbing penulis sampai menyelesaikan tesis ini. 3. Rekan-rekan mahasiswa Pascasarjana Statistika IPB atas bantuan serta kebersamaanya selama ini. 4. Serta semua pihak yang telah banyak membantu dan tak sempat penulis sebutkan satu per satu. Semoga tesis ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Lilik Purwandi 2016 Lilik Purwandi
DAFTAR ISI 1 PENDAHULUAN Latar Belakang Tujuan Penelitian
1 1 2
2 TINJAUAN PUSTAKA Model Persamaan Struktural (MPS) MPS Dengan Penduga KTP Analisis Faktor
3 3 4 6
3 METODE Data Konstruk Model Struktural dan Pengukuran Metode Analisis
8 8 9 10
4 HASIL DAN PEMBAHASAN Profil Demografi Responden Deskripsi Indikator Model Persamaan Struktural Pertama Model Persamaan Struktural Kedua Perbandingan Model
14 14 15 21 24 27
5 SIMPULAN DAN SARAN Simpulan Saran
30 30 30
DAFTAR PUSTAKA
31
LAMPIRAN
32
RIWAYAT HIDUP
34
DAFTAR TABEL 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.
Peubah Penelitian Adopsi Teori Jalur Model Struktural Uji Validitas Kekonvergenan MPS Pertama Uji Validitas Diskriminan MPS Pertama Uji Reliabilitas MPS Pertama Uji Koefisien Jalur MPS Pertama Uji Kecocokan Model Struktural MPS Pertama Persentase Keragaman Yang Mampu Di Jelaskan Tiap Faktor Muatan Faktor Peubah Laten Eksogen MPS Kedua Uji Validitas Kekonvergenan MPS Kedua Uji Validitas Diskriminan MPS Kedua Uji Reliabilitas MPS Kedua Uji Koefisien Jalur MPS Kedua Uji Kecocokan Model Struktural MPS Kedua
8 9 22 22 23 23 24 24 25 25 26 26 27 27
DAFTAR GAMBAR 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16.
Bentuk Hubungan Antar Peubah Konstruk MPS Pertama Konstruk MPS Kedua Responden Menurut Jenis Kelamin Responden Menurut Usia Responden Menurut Pekerjaan Box Plot Peubah Laten PM Box Plot Peubah Laten CM Box Plot Peubah Laten KN Box Plot Peubah Laten LN Box Plot Peubah Laten KM Box Plot Peubah Indikator Y1 Box Plot Peubah Indikator Y2 Box Plot Peubah Indikator Y3 Perbandingan Nilai Koefisien Jalur Perbandingan Nilai R-Square
9 10 11 14 14 15 16 17 17 18 19 20 20 21 28 28
DAFTAR LAMPIRAN 1. 2. 3. 4.
Struktur Pertanyaan Penelitian 32 Sintak MPS Pertama 33 Sintak MPS Kedua 34 Hasil MPS Pertama, Model Pengukuran, muatan silang, uji reliabilitas, model struktural 36 5. Hasil MPS Kedua, Model Pengukuran, muatan silang, uji reliabilitas, model struktural 38
1 PENDAHULUAN Latar Belakang Model Persamaan Struktural (MPS) merupakan salah satu metode yang populer di berbagai disiplin ilmu (Monecke & Leisch 2012). MPS sangat bagus untuk mengetahui hubungan antar peubah karena MPS merupakan kombinasi antara analisis faktor, analisis regresi dan analisis jalur. MPS dengan penduga kemungkinan maksimum mensyaratkan asumsi-asumsi yang cukup ketat seperti asumsi normalitas dan linieritas, tidak adanya outlier, ukuran jumlah contoh minimum 100 serta tidak adanya multikolinieritas (Monecke & Leisch 2012). Jika asumsi tersebut tidak terpenuhi maka model yang dihasilkan menjadi tidak bagus, untuk itu diperlukan pendekatan lain. Salah satu pendekatan yang bisa digunakan adalah dengan menggunakan metode pendugaan Kuadrat Terkecil Parsial (KTP). MPS dengan penduga KTP adalah suatu metode pemodelan lunak (soft modeling) yang merupakan salah satu solusi dari MPS dengan penduga kemungkinan maksimum ketika asumsi-asumsi tidak terpenuhi khususnya asumsi kecukupan jumlah contoh (Monecke & Leisch 2012). Asumsi kecukupan jumlah contoh seringkali menjadi kendala dalam suatu penelitian lapangan, kesulitan ini bisa terjadi karena biaya pengumpulan data yang mahal dan sulitnya mengumpulkan data. MPS dengan penduga KTP selalu mensyaratkan setiap peubah laten minimal diukur oleh satu indikator (Lohmö ller 1989, Monecke & Leisch 2012). Permasalahan terjadi pada persamaan struktural dua tingkat jika peubah laten tingkat dua tidak memiliki indikator. Secara empirik ada dua pendekatan yang bisa digunakan sebagai solusi permasalahan ini. Pendekatan pertama adalah menurunkan orde peubah laten tingkat dua menjadi peubah laten tingkat satu. Pendekatan kedua melalui pemodelan dua tahap. Tahap pertama dengan mencari skor faktor pada peubah laten tingkat satu yang merupakan peubah laten eksogen pada peubah laten tingkat dua. Tahap kedua yaitu menggunakan peubah laten tingkat satu sebagai indikator peubah laten tingkat dua. Kasus MPS tingkat dua dengan peubah laten tidak memiliki indikator juga terjadi pada penelitian pada industri perbankan. Industri perbankan adalah industri keuangan terbesar di Indonesia. Data Bank Indinesia akhir maret 2015 menunjukkan jumlah bank umum di Indonesia berjumlah 119 bank dengan 20.064 kantor yang tersebar di seluruh Indonesia (Statistik Perbankan Indonesia, Juli 2015). Jumlah ini menunjukkan bahwa persaingan pada industri perbankan sangat ketat. Hermawan Kertajaya dalam Marketing Plus 2000 menyatakan kondisi persaingan yang kacau (4C) mengharuskan perusahaan berada pada tipe customer driven, pada kondisi ini konsumen memegang peranan penting. Kondisi yang menyebabkan perusahaan tidak saja mengandalkan kualitas produk yang ditawarkan, tetapi aset berharga yang tidak terlihat (intangible) menjadi lebih penting. Salah satu aspek tak terlihat tersebut adalah ekuitas merek. Menurut Aaker (1998), ekuitas merek adalah nilai yang mencerminkan kekuatan produk dan jasa suatu produk atau perusahaan. Aaker menyatakan ekuitas merek dibentuk oleh loyalitas merek, kepuasan pelanggan, pengetahuan merek, kualitas produk, asosiasi merek dan faktor lainya. Menurut Keller (2013), ekuitas
2 merek (EK) dibentuk oleh identitas merek, kualitas merek, respon merek dan resonansi merek. Penelitian ini mengadopsi model dari berbagai ahli, dimana EK di bentuk dari pengetahuan merek (PM), citra merek (CM), kepuasan nasabah (KN) dan loyalitas nasabah (LN). Behnam dan Rezael (2015) pada penelitiann berjudul “Investigating the affective factor on building brand equity in banking Industri in Iran (case Study:Tosee Saderat Bank) menyatakan bahwa KN berpengaruh nyata dan positif terhadap EK. Marinova et al. (2008) pada penelitian berjudul “Customers Relation and Brand Equity in China Banking Service” menyatakan bahwa PM, CM dan LN perpengaruh nyata dan positif terhadap EK. Menurut Anastasia (2012), pada penelitiannya menyatakan bahwa EK berpengaruh nyata dan positif pada KM. Hsu et al. (2013) pada penelitian dengan judul “The Impact of Brand Value on Financial Performance” menyatakan bahwa EK dan KM berpengaruh nyata dan positif terhadap kinerja keuangan perusahaan. Pada penelitian ini peubah laten tingkat dua terjadi pada peubah laten EK. Tujuan Penelitian Tujuan penelitian ini adalah mencari solusi terbaik pada persamaan struktural tingkat dua dengan penduga kuadrat terkecil parsial dengan peubah laten tingkat dua tidak memiliki indikator pada kasus pemodelan EK, KM dan KB.
3
2 TINJAUAN PUSTAKA Model Persamaan Struktural (MPS) Model persamaan struktural (MPS) merupakan salah satu analisis multivariat yang dapat menganalisis hubungan peubah secara kompleks. MPS pada umumnya digunakan untuk penelitian-penelitian yang menggunakan banyak peubah dan dapat menganalisis model yang rumit secara simultan. MPS juga merupakan analisis sebab akibat yang dapat menampilkan model secara komprehensif bersamaan dengan kemampuan untuk mengkonfirmasi dimensi atau faktor dari sebuah konsep yang diujikan melalui indikator-indikator empiris. Model hubungan yang menjelaskan keterkaitan antar peubah laten pada MPS didefinisikan sebagai model struktural. Peubah laten yang merupakan peubah bebas didalam model struktural disebut dengan peubah laten eksogen, sedangkan peubah laten yang diukur dari peubah-peubah laten eksogen disebut peubah laten endogen. MPS sendiri terdiri dari dua model persamaan yaitu model struktural dan model pengukuran.Peubah pada model struktural merupakan peubah laten sehingga pendugaan terhadap parameternya tidak dapat dilakukan secara langsung. Hal ini disebabkan karena peubah laten tersebut bukan merupakan hasil pengukuran dari suatu peubah pengamatan. Pendugaan dan pengujian model struktural dibangun melalui model pengukuran yang berisi hubungan antara peubah laten dengan peubah-peubah penjelas. Model umum persamaan struktural (Bollen, 1989) adalah : 𝛈 = 𝐁𝛈 + 𝚪𝛏 + 𝛇 model pengukurannya adalah 𝐲 = Ʌy 𝛈 + 𝝐 𝐱 = Ʌ𝐱 𝛏 + 𝜹 dengan asumsi 𝐄(𝜻) = 𝟎, 𝐄(𝝐) = 𝟎, 𝐄(𝜹) =0, cov(𝜻, 𝝃) = 𝟎, cov(𝝐, 𝜼) = 𝟎, cov(𝜹, 𝝃) = 𝟎 dan matriks 𝐁 non singular. 𝛈 : vektor (px1) peubah laten endogen 𝛏 : vektor (qx1) peubah laten eksogen 𝐁: matriks (pxp) koefisien jalur antar peubah laten endogen 𝚪 : matriks (pxq) koefisien jalur antar peubah laten endogen dengan peubah laten eksogen 𝐲 : vektor (rx1) peubah penjelas dari peubah laten endogen 𝐱 : vektor (sx1) peubah penjelas dari peubah laten eksogen Ʌ𝐲 : matriks (rxp) koefisien jalur antara peubah laten endogen dengan peubah penjelasnya Ʌ𝐱 : matriks (sxq) koefisien jalur antara peubah laten eksogen dengan peubah penjelasnya 𝛇 : vektor (px1) galat model struktural 𝜖 : vektor (rx1) galat model pengukuran antara peubah laten endogen dengan peubah penjelasnya 𝜹 : veltor (sx1) galat model pengukuran antara peubah laten eksogen dengan peubah penjelasnya.
4 MPS Dengan Penduga KTP Metode pendugaan persamaan struktural dengan metode kuadrat terkecil parsial (KTP) pertama kali dikenalkan oleh Wold (1980) yang digunakan untuk kasus ekonometrik, kemudian metode pendugaan dengan KTP secara intensif dikembangkan oleh Chin (2010) dan Tenenhaus (2005). Metode pendugaan KTP menggunakan algoritma iteratif dengan mencari solusi pada model pengukuran terlebih dahulu baru kemudian langkah kedua mencari koefisien jalur (path coefficient) pada model struktural. Metode pendugaan KTP mampu menjelaskan keragaman galat pada peubah laten maupun peubah indikator pada persamaan regresi yang ada pada model. Metode pendugaan KTP lebih bersifat pemodelan lunak (soft modeling) yang tidak terlalu ketat pada pemenuhan asumsi seperti pada metode pendugaan kemungkinan maksimum (KM). Metode ini merupakan metode yang menarik, terutama pada pemodelan aplikasi lapangan yang mana cukup sulit untuk memenuhi asumsi yang ketat, seperti kecukupan jumlah contoh (Monecke & Leisch 2012) Menurut Tenenhaus (2005) model persamaan struktural dengan penduga KTP terdiri atas tiga komponen yaitu model struktural (structural model), model pengukuran (measurement model) dan skema pembobotan. Model pengukuran dan model struktural di temukan pada model persamaan struktural dengan konstruk peubah laten, sedangkan skema pembobotan merupakan pendekatan dari KTP (Monecke & Leisch 2015). Model struktural adalah model yang menggambarkan hubungan antar peubah laten berdasarkan subtantif teori. Model pengukuran adalah model yang menggambarkan hubungan antara peubah laten dengan peubah indikatornya. Peubah laten adalah peubah yang tidak dapat diukur secara langsung, sehingga pengukuran dari indikator. Adapun persamaan model struktural pada metode KTP sebagai berikut : 𝛈j = ∑ 𝛃ji 𝛈i + ∑ 𝛄jb 𝛏b + 𝛇j i
b
dengan: 𝛈j : peubah laten endogen ke-j 𝛃ji : koefisien jalur antara peubah laten endogen ke-j dengan peubah laten endogen ke-i 𝛈i : peubah laten endogen ke-i, untuk i ≠j 𝛄jb : koefisien jalur antara peubah laten endogen ke-j dengan peubah laten eksogen ke-b 𝛏b : peubah laten eksogen ke-b 𝛇j : sisaan model struktural p: banyaknya peubah laten endogen q: banyaknya peubah laten eksogen Pesamaan model struktural pada model KTP untuk hubungan reflektif adalah 𝐱 = 𝚲x 𝛏 + 𝛅 𝐲 = 𝚲y 𝛈 + 𝛜 dengan 𝐱 : indikator peubah laten eksogen (𝛏) 𝐲 : indikator peubah laten endogen (𝛈)
5 𝚲x dan 𝚲y : matriks muatan faktor yang menghubungkan peubah laten dengan indikatornya 𝛅 dan 𝛜: sisaan model pengukuran Inti prosedur KTP adalah menentukan pembobot-pembobot yang akan digunakan untuk menduga peubah laten pada model pengukuran. Pembobotpembobot diperoleh dari regresi KTP yang diterapkan pada setiap peubah indikator. Algoritma untuk menentukan pembobot-pembobot, koefisien jalur, dan nilai peubah laten dalam KTP terbagi menjadi 2 tahap, yaitu : 1. Pendugaan iterasi dari pembobot-pembobot awal dan nilai-nilai peubah laten awal dilakukan dengan langkah-langkah sebagai berikut : a. Pendugaan model pengukuran 𝑎𝑤𝑎𝑙 ξ̂1 = ∑ 𝑤 ̂1𝑘 x1𝑘 k 𝑎𝑤𝑎𝑙 η̂𝑖 = ∑ 𝑤 ̂ 𝑖𝑘 𝑦𝑖𝑘 k
b. Pendugaan model struktural η̂∗𝑖 = ∑ 𝑣𝑖1 ξ1 1
η̂∗j
= 𝑣ji η𝑖 + ∑ 𝑣j1 ξ1 1
𝑣i1 , 𝑣ji dan 𝑣j1 adalah pembobot model struktural. Pembobot model struktural yang digunakan adalah pembobot berdasarkan skema centroid. Bobot untuk 𝑣i1 adalah 1, untuk η𝑖 𝑑𝑎𝑛 ξ𝑖 yang berhubungan 𝑣i1 = { 0 , untuk η𝑖 𝑑𝑎𝑛 ξ𝑖 yang tidak berhubungan c. Pembaruan pembobot model pengukuran Pembaruan diperoleh untuk mendapatkan bobot baru model pengukuran 𝑏𝑎𝑟𝑢 yaitu 𝑤 ̂ 𝑖𝑘 dengan formula berikut : 𝑏𝑎𝑟𝑢 ∗ 𝑦ik = 𝑤 ̂𝑖𝑘 η̂i + 𝑒ik d. Pemeriksaan kekonvergenan Kriteria konvergensi yang digunakan adalah baru baru−1 (wik ) − wik ≤ 10−5 𝑏𝑎𝑟𝑢−1 w𝑖𝑘 Apabila kriteria konvergensi belum terpenuhi maka proses iterasi diulangi dari langkah a dengan menggunakan bobot baru sampai langkah c hingga konvergensinya terpenuhi. Jika telah konvergen maka dilanjutkan langkah 2. 2. Menduga koefisien jalur Pembobot yang diperoleh digunakan untuk menduga digunakan untuk menduga skor peubah laten dengan formula berikut : 𝑏𝑎𝑟𝑢 ξ̂l = ∑ 𝑤 ̂ kl xkl k 𝑏𝑎𝑟𝑢 η̂j = ∑ 𝑤 ̂𝑘𝑗 𝑦kj k
Skor peubah laten selanjutkan digunakan untuk menduga koefisien jalur antar peubah dengan menggunakan penduga kuadrat terkecil.
6 Ada 2 struktur model yang dievaluasi yaitu model struktural dan model pengukuran. Evaluasi model dugaan dengan menggunakan metode KTP dilakukan dengan menghitung indeks kecocokan model pada model struktural dan model pengukuran. 1. Model Pengukuran Pengujian model pengukuran pada prinsipnya untuk mengukur sejauh mana indikator mampu menjelaskan peubah laten. Ada 3 cara untuk menguji kebaikan model pengukuran yang bersifat reflektif yaitu melalui validitas kekonvergenan, validitas diskriminan dan reliabilitas gabungan.Uraian cara pengujuan kebaikan model pengukuruan yang bersifat reflektif adalah sebagai berikut: a. Validitas Kekonvergenan Nilai muatan faktor 0.5 sampai 0.6 dianggap cukup untuk menggambarkan indikator tersebut mampu menggambarkan peubah latennya. b. Validitas Diskriminan Validitas diskriminan diukur dari besarnya nilai muatan silang tiap blok peubah laten. Jika indikator dalam satu blok memiliki nilai muatan silang yang lebih tinggi jika dibandingkan muatan silang pada blok peubah laten lain, maka dapat disimpulkan indikator tersebut memiliki validitas diskriminan yang baik. Validitas diskriminan menunjukkan bahwa indikator tersebut benar merefleksikan peubah latenya dan tidak merefleksikan peubah lain. c. Reliabilitas Gabungan Reliabilitas gabungan ρc digunakan untuk mengukur reliabilitas setiap peubah laten, dengan menggunakan persamaan sebagai berikut : (∑λi )2 ρc = (∑λi )2 + ∑(I − λ2i ) dengan λi merupakan koefisien jalur ke–i. Nilai ini menunjukkan stabilitas dan konsistensi dari suatu pengukuran. Nilai berkisar 0 sampai 1. Nilai batas yang diterima untuk tingkat reliabilitas komposit ρc adalah ≥0.8 walaupun bukan nilai absolut (Chin 2010). 2. Model Struktural a. Pengujian hubungan peubah laten eksogen terhadap peubah laten endogen dengan melihat nilai t-hitung tiap koefisien jalur tiap peubah pada model struktural. b. Nilai 𝑅2 yang menunjukkan besarnya keragaman peubah endogen yang dapat dijelaskan oleh peubah eksogen. Analisis faktor Analisis faktor adalah analisis yang bertujuan untuk mencari hubungan internal segugus peubah acak (Matjik & Sumertajaya, 2011). Peubah-peubah yang dianalisis berkorelasi tinggi didalam grupnya sendiri dan berkorelasi rendah dengan yang berbeda grup. Bentuk umum persamaan model faktor (Matjik & Sumertajaya, 2011) sebagai berikut : 𝐱 = 𝛍 + 𝐋𝐅 + 𝛆
7 Dimana 𝛍 =vektor rataan (px1) 𝐋 =matriks konstanta yang tidak diketahui nilainya (pxk) 𝐅 =vektor acak faktor umum (kx1) 𝛆 =vektor unsur galat (px1) Model tersebut memiliki asumsi : E(𝐅) = 𝟎 E(𝛆) = 𝟎 Cov(𝐅, 𝛆) = 𝟎 var(𝐅) = ∆ definit positif Pendugaan skor faktor dapat dilakukan dengan metode regresi. Metode ini menduga skor faktor untuk pengamatan yang berpadanan dengan 𝑋𝑖 menggunakan formula yang sama dengan formula koefisien regresi linier yaitu : 𝑓̂𝑖 = 𝐿̂′𝑺−1 (𝑥𝑖 − 𝑥̅ ), i = 1, …, n dengan 𝑓̂ : vektor dugaan skor faktor (nx1). 𝐿̂′ : vektor transpose dugaan nilai muatan faktor (1xp). 𝑺−1 : matrik inves ragam peragam (pxp). 𝑥̅ : vektor rataan (px1)
8
3 METODE Data Data penelitian ini bersumber dari data sekunder yang merupakan data hasil survei dan pencatatan. Survei dilakukan melalui wawancara tatap muka (face to face interview) pada responden terpilih di 30 kabupaten dan kota yang tersebar di Indonesia. Jumlah contoh yang diambil 3000 responden dengan kriteria memiliki produk tabungan. Metode penarikan contoh yang digunakan adalah metode multistage random sampling, dengan rumah tangga sebagai unit terkecil. Multistage random sampling adalah pengambilan contoh dengan proses bertahap dengan menggabungkan beberapa teknik penarikan contoh. Teknik multistage random sampling dilakukan secara bertahap pada level kecamatan, level kelurahan, level rukun warga, level rukun tetangga hingga sampai unit terkecil rumah tangga. Tahap pilihan kecamatan ditiap kabupaten dan kota dengan menggunakan teknik sampling acak sistematik yaitu pengambilan kecamatan diambil dengan selang tertentu dari list daftar kecamatan. Penentuan titik awal dilakukan melalui bilangan acak. Tahap pemilihan kelurahan ditiap kecamatan dilakukan dengan teknik sampling acak sistematik. Tahap pemilihan rukun warga di tiap kelurahan dilakukan dengan teknik sampling acak sistematik. Tahap pemilihan rukun tetangga juga dilakukan dengan teknik sampling acak sistematik. Pemilihan rumah tangga dilakukan dengan teknik sampling acak sistematik dengan titik awal adalah rumah tangga sebelah kanan rumah ketua rukun tetangga. Tabel 1. Peubah Penelitian Kode Peubah Nama Peubah Pengetahuan Merek Pengetahuan merek 𝑋1 Pengetahuan iklan 𝑋2
Citra Merek Kekuatan Merek 𝑋3 Kaulitas produk 𝑋4 Kualitas layanan 𝑋5 Kepuasan Nasabah Kepuasan pada produk 𝑋6 Kepuasan pada layanan 𝑋7 Loyalitas Nasabah Pembeliam ulang 𝑋8 Tidak akan berpindah 𝑋9 Keterikatan Merek 𝑋10
𝑋11 Kinerja Bank 𝑌1 𝑌2 𝑌3
Skala Data Rasio
Rasio Rasio Rasio
Satuan
-
Rasio
-
Rasio Rasio
-
Rasio
-
Rasio
Level rekomendasi Level kepercayaan
Rasio Rasio
-
Keuntungan Harga saham Loan deposit ratio
Rasio Rasio Rasio
Trilyun Rupiah/lot -
9 Nama peubah, jenis data dan skala data disajikan pada Tabel 1. Data cacahan diperoleh dari Laporan Bulanan Bank Indonesia. Data hasil survey merupakan data rata-rata agregat dari tiap bank. Setiap responden menjawab tiap pernyataan indikator dengan skala likert 1 sampai 6, nilai 1 menunjukkan sangat tidak setuju dan 6 menunjukkan sangat setuju. Pernyataan disajikan pada Lampiran 1. Konstruk Model Struktural dan Pengukuran Konstruk model struktural pada Gambar 1 melibatkan satu peubah laten eksogen dan dua peubah laten endogen. EK adalah peubah laten eksogen, KM dan KB adalah peubah laten endogen. Model pengukurannya ada 6 blok model pengukuran yaitu PM, CM, KN, LN, KM dan KB. Konstruk model struktural dan pengukuran pada Gambar 1 melibatkan peubah laten EK, KM dan KB.
Gambar 1. Bentuk Hubungan Antar Peubah Konstruk model struktural Gambar 1 diadopsi dari teori yang dikemukakan oleh Aaker (1998), Keller (2013), Pappu dan Quester (2006), Anastasia (2012) serta Hsu et al. (2013). Aaker dan Keller menyatakan bahwa PM berpengaruh terhadap EK dan CM berpengaruh terhadap EK. Adopsi teori hubungan antar peubah laten disajikan pada Tabel 2. Tabel 2 Adopsi Teori Jalur Model Struktural Hubungan Jalur Adopsi Teori PM EK Aaker (1996), Keller (2013) CM EK Aaker (1996), Keller (2013) KN EK Pappu dan Quester (2006) LN EK Aaker (1996) EK KM Anastasia (2012) EK KB Hsu et al. (2013) KM KB Hsu et al. (2013)
10
Metode Analisis Langkah analisis data pada penelitian ini secara garis besar ada 3 bagian yaitu statistik deskriptif, pengepasan model dengan metode pendugaan kuadrat terkecil parsial (KTP) dan perbandingan model: 1. Statistik Deskriptif. Statistik deskriptif bertujuan untuk mengetahui deskripsi setiap indikator. Statistik deskriptif yang digunakan adalah nilai terendah, nilai terbesar, rataan dan range dengan menggunakan Box Plot untuk mempermudah visualisasi data. 2. Menyusun konstruk MPS. Konstruk MPS pada penelitian ini ada 2 yaitu konstruk tanpa peubah laten tingkat pertama dan konstruk dengan peubah laten tingkat pertama. a. Kontruk MPS Pertama Konstruk pertama merupakan konstruk model tanpa peubah laten tingkat pertama. Indikator peubah laten tingkat kedua merupakan indikator dari peubah laten tingkat pertama. Kontruk pertama disajikan pada Gambar 2.
ζ2
ζ1
Gambar 2 Konstruk MPS Pertama Model persamaan pengukuran pada model pertama sebagai berikut :
11 𝑥 𝜆11 𝛿1 𝑋1 𝑥 𝜆 𝛿2 𝑋2 12 𝜆𝑥21 𝛿3 𝑋3 𝑥 𝜆22 𝛿4 𝑋4 𝑥 𝑋5 = 𝜆31 𝐸𝐾 + 𝛿5 𝑋6 𝛿6 𝜆𝑥32 𝑥 𝑋7 𝛿7 𝜆33 𝑥 𝑋8 𝛿8 𝜆41 [𝑋9 ] [𝜆𝑥 ] [𝛿9 ] 42
[
𝜆𝑥 𝑋10 𝛿10 ] = [ 51 𝑥 ] 𝐾𝑀 + [𝛿 ] 𝑋11 𝜆52 11 𝑦
𝜆11 𝜀1 𝑌1 𝑦 [𝑌2 ] = [𝜆12 ] 𝐾𝐵 + [𝜀2 ] 𝑦 𝜀3 𝑌3 𝜆13 dan model persamaan strukturalnya sebagai berikut : 𝐾𝑀 = 𝛽12 𝐸𝐾 + ζ1 𝐾𝐵 = 𝛽13 𝐸𝐾 + 𝛽23 KM + ζ2 b. Konstruk Model Persamaan Struktural Kedua. Konstruk kedua merupakan konstruk model persamaan struktural tingkat dua, dimana peubah laten tingkat dua disusun dari peubah laten tingkat pertama. Peubah laten EK dibentuk oleh peubah laten PM, CM, KN dan LN. Kontruk kedua disajikan pada Gambar 3.
ζ3
ζ2
ζ1
Gambar 3. Konstruk MPS Kedua Model persamaan pengukuran pada model kedua sebagai berikut :
12 [
𝜆𝑥 𝑋1 𝛿 ] = [ 11 ] 𝑃𝑀 + [ 1 ] 𝑥 𝑋2 𝛿2 𝜆12
𝜆𝑥21 𝑋3 𝛿3 𝑥 [𝑋4 ] = [𝜆22 ] 𝐶𝑀 + [𝛿4 ] 𝑋5 𝛿5 𝜆𝑥23 [
𝜆𝑥 𝑋6 𝛿6 ] = [ 31 𝑥 ] 𝐾𝑁 + [ ] 𝑋7 𝛿7 𝜆32
[
𝑋8 𝜆𝑥 𝛿 ] = [ 41 ] 𝐿𝑁 + [ 8 ] 𝑥 𝑋9 𝛿9 𝜆42
[
𝜆𝑥 𝑋10 𝛿 ] = [ 51 ] 𝐾𝑀 + [ 10 ] 𝑥 𝑋11 𝛿11 𝜆52 𝑦
𝜆11 𝜀1 𝑌1 𝑦 𝜀 [𝑌2 ] = [𝜆12 [ ] 𝐾𝐵 + 2 ] 𝑦 𝜀3 𝑌3 𝜆13 𝐸𝐾 = 𝛾11 𝑃𝑀 + 𝛾12 𝐶𝑀 + 𝛾13 𝐾𝑁 + 𝛾14 𝐿𝑁 + ζ3 dan model persamaan strukturalnya sebagai berikut : 𝐾𝑀 = 𝛽12 𝐸𝐾 + ζ1 𝐾𝐵 = 𝛽13 𝐸𝐾 + 𝛽23 KM + ζ2 3. Melakukan pendugaan parameter pada tiap model pengukuran dan model struktural. 3.1 Pendugaan peremeter model pengukuran dan model struktural pada model pertama Tahap 1: Pendugaan iterative dari pembobot-pembobot awal nilainilai peubah laten awal dimulai pada langkah d dan selanjutnya langkah a sampai langkah d diulang sampai konvergen dengan batas kekonvergenan yang telah ditentukan. a. pembobot model struktural 1, jika η dan ξ berhubungan 𝑣𝑖𝑗 = { 0 , jika η dan ξ tidak berhubungan b.pendugaan model struktural η̂j = ∑ 𝑣𝑖𝑗 η𝑖 i
c.pembobot model pengukuran yk = w ̂ k η𝑗 + e𝑘 (outward) d.pendugaan model pengukuran ξ̂j = ∑ w ̂ k yk i
ki
i
13 η̂j = ∑ w ̂ ki yki ki
4.
5.
6.
7.
8.
Tahap 2: Pendugaan koefisien-koefisien jalur Pendugaan parameter model pengukuran dan model struktural pada model kedua Ada 2 tahap pendugaan parameter yaitu : Tahap 1: Menduga skor faktor pada masing-masing peubah grup persamaan peubah laten tingkat satu. Tahap 2: Menduga parameter persamaan struktural, dimana peubah penjelas merupakan estimasi dari nilai skor faktor peubah laten tingkat pertama. Langkah selanjutnya sesuai dengan pendugaan parameter model persamaan struktural pertama. Khusus pembobot model tingkat dua menggunakan pendekatan model pengukuran formatif. Menguji model pengukuran Model pengukuran diuji melalui uji validitas kekonvergenan, uji validitas diskriminan dan uji reliabilitas gabungan. Uji validitas kekonvergenan bertujuan untuk menguji apakah indikator merefleksikan peubah latennya. Uji validitas diskriminan bertujuan untuk menguji apakah peubah indikator tersebut tidak mengukur peubah late lainya. Uji reliabilitas gabungan bertujuan untuk menguji apakah indikator dalam satu blok memiliki reliabilitas gabungan yang baik dalam mengukur peubah laten. Uji validitas kekonvergenan melalui nilai muatan faktor, uji validitas diskriminan melalui nilai muatan silang, uji reliabilitas gabungan melalui nilai cronbach alpha dan composite reliability. Menguji model struktural Uji model struktural dilakukan melalui uji t untuk koefisien jalur dan besarnya nilai R-Square untuk kecocokan model struktural. Koefisien jalur dinyatakan nyata jika memiliki nilai t-hitung lebih besar dari nilai t-tabel. Uji kecocokan model secara simultan Uji kecocokan model secara simultan dari besarnya nilai goodness of fit. Nilai goodness of fit menunjukan besarnya keragaman data yang mampu dijelaskan oleh keseluruhan model. Perbandingan kebaikan model Perbandingan model yang dilakukan adalah perbandingan model struktural MPS pertama dan MPS kedua dari besarnya nilai koefisien jalur dan nilai RSquare. Interpretasi
14
4 HASIL DAN PEMBAHASAN Tahapan hasil yang dibahas adalah deskripsi data, hasil pemodelan MPS pertama, hasil pemodelan MPS kedua. Melakukan perbandingan MPS pertama dengan MPS kedua. Profil Demografi Responden Profil demografi pada penelitian ini yaitu jenis kelamin, usia dan pekerjaan. Pada penelitian ini persentase perbandingan responden laki-laki dan perempuan disajikan pada Gambar 4. Persentase responden laki-laki 49 % dan persentase responden perempuan sebesar 51 %. Persentase ini hampir sama dengan persentasi nasional penduduk Indonesia saat ini.
Gambar 4. Responden Menurut Jenis Kelamin
Gambar 5. Responden Menurut Usia
15 Responden menurut usia pada Gambar 5 diperoleh persentase responden pada kategori usia 35-39 tahun paling besar (22.5 %) kemudian diikuti responden pada kategori usia 30 hingga 35 tahun (20.6 %) dan responden pada kategori 25 hingga 29 tahun (18.1%). Persentase responden paling kecil pada kategori usia 55 hingga 60 tahun dengan persentase 2.5 %. Profil usia responden menunjukkan bahwa nasabah bank didominasi oleh usia 25 hingga 39 tahun.
Gambar 6. Responden Menurut Pekerjaan Mayoritas pekerjaan responden adalah karyawan swasta dan Badan Usaha Milik Negara (BUMN) dengan persentase sebesar 30.2 % kemudian diikuti wiraswasta sebesar 27.5 %, sedangkan yang paling rendah adalah responden sebagai ibu rumah tangga dengan persentase sebesar 10.5 %. Ibu rumat tangga yang dimaksud dalam penelitian ini adalah ibu rumah tangga dengan suami bekerja. Penelitian ini menemukan nasabah bank didominasi oleh orang dengan pekerjaan karyawan swasta dan BUMN dan pegawai negeri sipil (PNS).
Deskripsi Indikator Penelitian ini menemukan sebanyak 42 agregat bank, namun karena keterbatasan data indikator pada peubah laten KB, maka diputuskan menjadi 12 bank saja. Indikator pada penelitian ini 11 indikator dengan 6 peubah laten. Indikator X1 dan indikator X2 mengukur peubah laten PM. Peubah laten PM adalah peubah pengetahuan merek dibenak nasabah terhadap merek bank. Indikator X1 adalah indikator yang mengukur tingkat pengetahuan nasabah terhadap nama bank, sedangkan indikator X2 adalah indikator yang mengukur tingkat pengetahuan nasabah pada iklan suatu bank. Gambaran indikator yang mengukur peubah laten PM disajikan pada Gambar 7. Makin tinggi nilai indeks rata-rata agregat menunjukkan makin tinggi penengatahuan merek responden pada bank . Peubah X1 memiliki nilai minimum sebesar 3.90, nilai maksimum 4.5, nilai rataan 4.16 dan range sebesar 0.6. Peubah X2 memiliki nilai minimum sebesar 3.30 nilai maksimum
16 sebesar 4.30, nilai rataan 3.84 dan range 1. Gambar 7 menunjukkan bahwa pengetahuan nasabah akan 12 bank lebih baik dibanding pengetahuan nasabah terhadap iklan bank. Indikator X2 memiliki range yang lebih panjang dibanding indikator X1, artinya ada ketimpangan penyebaran iklan dari 12 bank yang dilihat, di dengar oleh responden, baik iklan yang bersumber media televisi, radio, majalah, tabloid, buletin, koran, website maupun media lain. Hal ini mengindikasikan dari ke 12 bank tersebut ada perbedaan iklan sisi fekuensi maupun penyebaran media yang digunakan untuk beriklan.
Gambar 7. Box Plot Indikator Peubah Laten PM Peubah laten CM diukur oleh 3 indikator yaitu indikator X3, X4 dan X5. Indikator X3 adalah indikator kekuatan merek. Merek dikatakan kuat jika dipersepsikan oleh pengguna produk perbankan sebagai merek yang terkenal. Makin tinggi skor penilaian menunjukkan bank kuat di benak penggunanya. Indikator X3 memiliki nilai minimum 3.70, nilai maksimum 4.5, rataan 4.18 dan range 0.8. Indikator X4 adalah indikator kualitas produk. Makin tinggi nilai indeks, menunjukkan bahwa kualitas produk perbankan suatu bank makin baik menurut pengguna bank. Produk yang dimaksud adalah semua produk di tiap bank, misalnya produk tabungan, giro, kartu kredit dan lainya. Indikator X4 memiliki nilai terendah 4.0, nilai tertinggi 4.40, rataan 4.20 dan range 0.4. Indikator X5 adalah indikator reputasi kualitas layanan dibenak pengguna bank, layanan yang dimaksud adalah layanan secara umum, misalnya layanan teller dan layanan customer service. Makin tinggi nilai indeks agregat menunjukkan jasa layanan bank tersebut memiliki reputasi yang baik dalam pelayanan nasabahnya. Indikator X 5 memiliki nilai minimum 4.10, nilai maksium 4.40, nilai rataan 4.28 dan range 0.30. Gambar 7 diperoleh adanya keragaman yang cukup besar pada indikator X3 yang menunjukkan bahwa dibenak pengguna bank ada penilaian reputasi bank yang cukup berbeda, ada bank yang memiliki reputasi baik dan ada bank yang memiliki reputasi cukup baik. Reputasi yang baik dimiliki oleh bank-bank besar di Indonesia, khususnya bank BUMN. Gambar 7 juga diperoleh indikator X4 dan indikator X5
17 memiliki nilai keragaman yang kecil, hal ini menunjukkan ke 12 bank yang menjadi contoh pada penelitian ini memiliki kualitas produk dan kualitas layanan yang hampir sama.
Gambar 8. Box Plot Indikator Peubah Laten CM Peubah laten KN diukur oleh indikator X6 dan X7. Indikator X6 adalah indikator yang mengukur tingkat kepuasan nasabah pada produk suatu bank. Indikator X7 adalah indikator yang mengukur tingkat kepuasan nasabah pada kualitas layanan suatu bank.
Gambar 9. Box Plot Indikator Peubah Laten KN
18
Makin tinggi nilai indeks rata-rata tingkat kepuasan menunjukkan nasabah makin puas dengan produk dan layanan bank tersebut. Indikator X6 memiliki nilai minimum 3.90, nilai maksimum 4.70, nilai rataan 4.42 dan range 0.8. Indikator X7 memiliki nilai minimum 4.10, nilai maksimum 4.60, rataan 4.42 dan range 0.6. Gambar 9 diperoleh bahwa kepuasan nasabah bank pada layanan lebih baik dibanding kepuasan nasabah pada kualitas produk, karena miliki ragam yang lebih kecil meskipun memiliki nilai rataan yang sama. Kepuasan nasabah pada layanan setiap bank hampir sama karena setiap bank memiliki prosedur pelayanan yang sangat ketat dan standart operasional prosedurnya hampir sama. Kepuasan nasabah pada produk memiliki ragam yang lebih besar dapat disebabkan karena tiap bank memiliki kualitas produk yang berbeda. Tiap bank dapat mengambil posisioning dan target pasar yang berbeda sehingga menyebabkan kepuaasan nasabah pada produk perbannkan berbeda.
Gambar 10. Box Plot Indikator Peubah Laten LN Peubah laten LN adalah peubah loyalitas nasabah, diukur oleh indikator X8 dan X9. Indikator X8 adalah indikator pembelian berulang. Makin tinggi indeks ratarata X8 menunjukkan menunjukkan ada kecenderungan nasabah akan tetap menggunakan produk bank tersebut dimasa depan. Indikator X9 adalah indikator yang mengukur loyalitas nasabah dari sisi sikap, nasabah tidak akan berpindah ke bank lain meskipun ada produk bank lain dengan kualitas yang lebih atau sama baik. Indikator X8 memiliki nilai minimum 4.0, nilai maksimum 4.6, rataan 4.38 dan range 0.6. Indikator X9 memiliki nilai minimum 4.0, nilai maksimum 4.7, rataan 4.28 dan range 0.7. Gambar 10 menunjukkan bahwa ada kecenderungan nasabah bank akan tetap menggunakan produk dari bank tersebut, namun juga ada kecenderungan untuk berpindah atau menambah penggunaan produk dari bank lain. Hal ini terindikasi dari besarnya range dan keragaman indikator X9 yang lebih besar dari indikator X8.
19
Gambar 11. Box Plot Indikator Peubah Laten KM Peubah Laten KM adalah peubah yang mengukur keterikatan nasabah dengan bank yang digunakan. Keterikatan merek diukur dari indikator X 10 dan indikator X11. Indikator X10 mengukur tingkat rekomendasi sedangkan indikator X11 mengukur tingkat kepercayaan dari aspek rasa bangga. Keterikatan adalah level tertinggi dari seorang nasabah yang dapat dilihat dari nasabah tersebut secara sukarela menjadi ambassador suatu bank melalui word of mouth (WOM). Mereka merekomendasikan penggunaan produk dan layanan bank yang mereka gunakan kepada orang lain. Makin tinggi rata-rata indeks skor menunjukkan makin tinggi level rekomendasi dan makin tinggi level kepercayaan terhadap suatu bank. Indikator X10 memiliki nilai minimum sebesar 4.0, nilai maksimum sebesar 4.50, rataan 4.27 dan range 0.5. Indikator X11 memiliki nilai minimum 4.00, nilai maksimum 4.60, rataan 4.38 dan range 0.60. Gambar 10 menunjukkan bahwa distribusi indikator X10 cenderung tidak seimbang dan keragamannya besar di nilai rendah, artinya ada nasabah bank dengan level rekomendasi cukup berbeda. Gambar 11 juga menunjukkan level kepercayaan yang cukup bervariasi pada tiap bank. Hal ini menunjukkan nasabah bank memiliki level kepercayaan yang berbeda, nasabah bank besar cenderung bangga namun pada nasabah bank yang lain cenderung biasa saja. Peubah laten KB diukur oleh tiga indikator yaitu Y1, Y2 dan Y3. Indikator Y1 adalah indikator yang diukur dari keuntungan tiap bank dengan satuan trilyun rupiah. Y2 adalah indikator yang diukur dari harga saham tiap bank dengan satuan rupiah per lot. Indikator Y3 adalah indikator yang diukur dari nilai loan deposit ratio. Loan deposit ratio merupakan rasio antara besarnya seluruh volume kredit yang disalurkan oleh bank dan jumlah penerimaan dana yang diperoleh dari berbagai sumber. Rasio ini digunakan untuk mengukur tingkat likuiditas. Indikator Y1 memiliki nilai minimum sebesar 0.1 trilyun, nilai maksimum sebesar 6.10 trilyun, nilai rataan sebesar 1.80 trilyun dan range 6 trilyun. Gambar 12 menunjukkan bahwa ada kesenjangan keuntungan antar bank. Rata-rata keuntungan
20 bank sebesar 1.80 trilyun namun ada yang hanya mendapatkan keuntungan 0.1 triyun da nada yang mendapatkan keuntungan sangat besar yaitu 6 trilyun.
Gambar 12. Box Plot Indikator Y1 Indikator Y2 memiliki nilai minimum sebesar Rp.812, nilai maksimum sebesar Rp.13.794, nilai rataan sebesar Rp.4.999 dan range Rp.12.982. Gambar 13 mengindikasikan ada keragaman yang cukup besar harga saham pada tiap bank, hal ini juga terlihat dari besarnya nilai range harga saham.
Gambar 13. Box Plot Indikator Y2 .
21 Indikator Y3 memiliki nilai minimum sebesar 0.75, nilai maksimum sebesar 1.10, nilai rataan sebesar 0.89 dan range 0.35. Gambar 14 menunjukkan bahwa loan deposit ratio bank yang menjadi contoh cenderung memiliki nilai yang cukup seragam.
Gambar 14. Box Plot Indikator Y3 Model Persamaan Struktural (MPS) Pertama Pengujian Model Pengukuran Pengujian model pengukuran menggunakan uji validitas kekonvergenan, uji validitas diskriminan dan uji reliabilitas gabungan. Uji validitas MPS pertama pada Tabel 3 diperoleh nilai muatan faktor untuk semua indikator lebih besar dari 0.6. Hal ini menunjukkan bahwa semua indikator memiliki tingkat validitas kekonvergenan yang tinggi dalam merefleksikan peubah latennya. Uji validitas kekonvergenan indikator peubah EK menunjukkan bahwa semua indikator pada peubah EK memiliki nilai muatan faktor lebih dari 0.6. Nilai muatan faktor terendah pada indikator X8 dengan nilai muatan faktor sebesar 0.63. Nilai muatan faktor tertinggi pada indikator X4 dengan nilai muatan faktor sebesar 0.91. Pengujian validitas kekonvergenan dengan menggunakan uji t menunjukkan semua muatan faktor nyata pada taraf nyata 5 %, sehingga dapat disimpulkan indikator X1, X2, X3, X4, X5, X6, X7, X8, dan X9 merefleksikan peubah laten EK. Hasil pengujian validitas kekonvergenan indikator peubah laten KM nyata pada taraf nyata 5 %, yang berarti bahwa indikator X 10 dan X11 mampu merefleksikan peubah laten KM. Besarnya nilai muatan faktor X10 dan X11 masingmasing sebesar 0.98. Hasil pengujian validitas kekonvergenan peubah laten KB nyata pada taraf nyata 5 %, sehingga dapat disimpulkan indikator Y1, Y2 dan Y3 mampu merefleksikan peubah laten KB.
22 Tabel 3. Uji validitas kekonvergenan MPS pertama Nilai-t Alur Jalur Muatan Faktor Galat Baku Ekuitas Merek EK ----> X1 0.87 0.06 15.76** 8.84** EK ----> X2 0.83 0.09 EK ----> X3 0.81 0.07 11.39** 13.14** EK ----> X4 0.91 0.07 EK ----> X5 0.82 0.12 6.57** 11.33** EK ----> X6 0.88 0.08 EK ----> X7 0.92 0.04 21.37** 2.64** EK ----> X8 0.63 0.24 EK ----> X9 0.77 0.14 5.57** Keterikatan Merek KM ----> X10 0.98 0.02 58.18** 77.31** KM ----> X11 0.98 0.01 Kinerja Bank 37.36** KB ----> Y1 0.95 0.03 KB ----> Y2 0.95 0.02 40.73** 2.95** KB ----> Y3 0.73 0.25 **nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 % Uji validitas diskriminan bertujuan untuk mengetahui apakah indikator yang digunakan untuk mengukur peubah laten yang diukur, tidak mengukur peubah laten lainya. Hasil uji validitas diskriminan disajikan pada Tabel 4. Tabel 4. Uji validitas diskriminan MPS pertama Muatan Silang Alur Jalur Ekuitas Merek Keterikatan Merek Kinerja Bank Ekuitas Merek EK ----> X1 0.87 0.65 0.91 EK ----> X2 0.83 0.55 0.73 EK ----> X3 0.81 0.67 0.75 EK ----> X4 0.91 0.66 0.58 EK ----> X5 0.82 0.51 0.60 EK ----> X6 0.88 0.49 0.52 EK ----> X7 0.92 0.65 0.64 EK ----> X8 0.63 0.40 0.31 EK ----> X9 0.77 0.61 0.31 Keterikatan Merek KM ----> X10 0.66 0.98 0.59 KM ----> X11 0.71 0.98 0.58 Kinerja Bank KB ----> Y1 0.72 0.58 0.95 KB ----> Y2 0.77 0.54 0.95 KB ----> Y3 0.46 0.46 0.73
23 Hasil uji validitas diskriminan pada Tabel 4 diperoleh nilai muatan silang tiap indikator pada peubah latennya lebih tinggi dibanding dengan peubah laten lainya, kecuali indikator X1 dengan nilai muatan silangnya lebih besar daripada peubah laten KB, meskipun demikian peneliti tetap menggunakan indikator X 1 sebagai indikator dari peubah laten EK karena alasan teori. Secara umum dapat disimpulkan bahwa peubah dan indikator yang digunakan dalam penelitian ini telah memenuhi validitas diskriminan. Indikator X1 hingga X9 benar mengukur peubah laten EK, indikator X10 dan X11 benar mengukur peubah laten KM dan indikator Y1, Y2 dan Y3 benar mengukur peubah KB. Langkah selanjutnya adalah menguji reliabilitas gabungan tiap blok dengan menggunakan nilai cronbach alpha dan composite reliability. Nilai cronbach alpha harus lebih besar dari 0.6 dan nilai composite reliability harus lebih besar dari 0.7. Uji reliabilitas pada Tabel 5 menunjukkan bahwa semua indikator dalam satu blok memiliki nilai reliabilitas gabungan yang baik sehingga indikator yang digunakan untuk mengukur tiap peubah laten adalah reliabel. Tabel 5. Uji reliabilitas MPS pertama Peubah Laten Cronbach Alpha Composite Reliability Ekuitas Merek 0.94 0.95 Keterikatan Merek 0.95 0,98 Kinerja Bank 0.85 0,91
Keterangan Reliabel Reliabel Reliabel
Pengujian Model Struktural Hasil pengujian koefisien jalur model struktural pada Tabel 6 menunjukkan bahwa peubah laten EK berpengaruh nyata terhadap peubah laten KB, peubah laten EK berpengaruh nyata terhadap peubah laten KM dan peubah laten KM tidak berpengaruh nyata terhadap peubah laten KB. Nilai koefisien jalur EK ke KB lebih besar dari nilai koefisien jalur KM ke KB. Koefisien jalur EK ke KB sebesar 0.7, koefisien jalur EK ke KM sebesar 0.65 dan koefisien jalur KM ke KB sebesar 0.14. Peubah laten EK selain memiliki pengaruh langsung, juga memiliki pengaruh tak langsung pada peubah laten KB melalui peubah laten KM. Pengaruh langsung peubah laten EK ke peubah laten KB sebesar 0.70 dan pengaruh tak langsungya sebesar 0.09. Tabel 6. Uji koefisien jalur MPS pertama Hubungan Peubah Koefisien Galat Baku Nilai-t Nilai-p EK ---> KB 0.70 0.225 6.96 0.01** EK ---> KM 0.65 0.304 2.15 0.05* KM ---> KB 0.14 0.304 0.46 0.65 **nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 % Evaluasi model struktural melalui nilai R-Square. Nilai R-Square menunjukkan besarnya keragaman yang mampu dijelaskan oleh model struktural. Tabel 7 menunjukkan bahwa persamaan struktural yang melibatkan peubah laten endogen KB memiliki nilai R-Square sebesar 0.57 artinya peubah laten EK dan peubah laten KM mampu menjelaskan keragaman peubah laten KB sebesar 57 % sedangkan sisanya dijelaskan oleh peubah laten yang tidak terdapat dalam model. Persamaan struktural yang melibatkan peubah laten endogen KM memiliki RSquare sebesar 0.49 artinya peubah laten EK hanya mampu menjelaskan keragaman peubah laten KM sebesar 49 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak terdapat dalam model.
24
Tabel 7. Uji kecocokan model struktural MPS pertama Peubah Laten R-Square KB 0.57 KM 0.49 Kebaikan Model Kebaikan model secara simultan dapat diketahui dari besarnya nilai goodness of fit. MPS pertama dengan menggunakan penduga KTP memiliki nilai goodness of fit sebesar 0.63, artinya keseluruhan peubah laten eksogen dan indikator mampu menjelaskan keragaman peubah laten KB sebesar 63 % sedangkan sisanya di pengaruhi oleh peubah lain yang tidak ada dalam model. Hasil MPS pertama menunjukkan bahwa pada penelitian ini peubah laten KB paling besar dipengaruhi oleh peubah laten EK, artinya peningkatkan kinerja bank dpat dilakukan dengan melalui peningkatan EK sedangkan peningkatan EK dapat dilakukan dengan peningkatan indikatornya khususnya indikator yang memiliki nilai muatan faktor paling besar seperti indikator X4 dan indikator X7. Model Persamaan Struktural (MPS) Kedua Pendugaan parameter MPS kedua dilakukan melalui dua tahap. Tahap pertama adalah melakukan pendugaan nilai skor faktor peubah laten tingkat satu yang merupakan peubah laten eksogen pada peubah laten tingkat dua. Peubah eksogen yang dimaksud adalah peubah laten PM, CM, KN dan LN. Tahap kedua adalah menduga parameter MPS kedua dengan menggunakan penduga KTP, peubah laten peubah PM, CM, KN dan LN menjadi indikator peubah EK. Menduga Skor Faktor Menduga skor faktor tiap peubah laten eksogen dilakukan dengan pendekatan regresi. Tabel 8 menunjukkan bahwa faktor pertama pada peubah PM mampu menjelaskan keragaman indikator X1 dan X2 sebesar 86%. Faktor 1 pada peubah CM mampu menjelaskan keragaman indikator X3, X4, X5 sebesar 77.9%. Faktor 1 pada peubah KN mampu menjelaskan keragaman indikator X6 dan X7 sebesar 93.7%. Faktor 1 pada peubah LN mampu menjelaskan keragaman peubah indikator X8 dan X9 sebesar 89.19 %. Tabel 8. Persentase keragaman yang mampu di jelaskan tiap faktor Faktor Faktor 1 Faktor 2 Faktor 3
Peubah PM % Keragaman 86.4 13.6 -
Peubah CM % Keragaman 77.9 21.4 0.7
Peubah KN % Keragaman 93.7 6.3 -
Peubah LN % Keragaman 89.19 10.81 -
Besarnya nilai muatan faktor pada tiap indikator di setiap peubah laten eksogen tingkat satu disajikan Tabel 9. Indikator X1 dan X2 memiliki nilai muatan faktor sebesar 0.93. Indikator X3 memiliki nilai muatan faktor 0.79, indikator X4 sebesar 0.97 dan indikator X5 memiliki nilai muatan faktor sebesar 0.89. Indikator
25 X6 dan X7 memiliki nilai muatan faktor sebesar 0,96. Indikator X8 dan X9 memiliki nilai muatan faktor sebesar 0.94. Tabel 9. Mautan faktor peubah laten eksogen MPS kedua Peubah Laten Muatan Faktor Pengetahuan Merek X1 0.93 X2 0.93 Citra Merek X3 0.79 X4 0.97 X5 0.89 Kepuasan Nasbah X6 0.96 X7 0.96 Loyalitas Nasabah X8 0.94 X9 0.94 Pengujian Model Pengukuran Pengujian model pengukuran menggunakan uji validitas kekonvergenan, uji validitas diskriminan dan uji relibilitas gabungan. Uji validitas kekonvergenan pada Tabel 10 diperoleh semua indikator nyata pada taraf nyata 5 %. Hasil pengujian tersebut menunjukkan bahwa semua indikator memiliki tingkat validitas kekonvergenan yang tinggi. Peubah laten EK dan indikatornya menggunakan hubungan formatif, dimana peubah laten EK merupakan kombinasi linier dari indikator PM, CM, KN dan LN. Peubah laten KM dan peubah laten KB menggunakan hubungan yang bersifat reflektif, indikator merupakan refleksi dari peubah laten. Tabel 10. Uji validitas kekonvergenan MPS kedua Nilai-t Alur Jalur Muatan Faktor Galat Baku Ekuitas Merek PM ----> EK 0.99 0.042 23.33* 0.118 7.42* CM ----> EK 0.88 KN ----> EK 0.73 0.123 5.99* 0.222 2.33* LN ----> EK 0.52 Keterikatan Merek 0.015 65.07* KM ----> X10 0.98 KM ----> X11 0.98 0.013 73.48* Kinerja Bank KB ----> Y1 0.95 0.023 40.96* 0.028 33.73* KB ----> Y2 0.95 KB ----> Y3 0.73 0.236 3.08* **nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 %
26 Uji validitas diskriminan pada Tabel 11 diperoleh bahwa semua indikator memang mengukur peubah laten yang di ukur. Nilai muatan silang indikator yang mengukur peubah laten EK lebih besar dibanding jika mengukur peubah laten KM dan KB. Indikator peubah laten KM memiliki nilai muatan silang lebih besar dibanding jika menjadi indikator peubah laten KM dan peubah laten KB. Indikator yang mengukur peubah laten KB memiliki nilai muatan silang lebih besar jdibanding jika menjadi indikator peubah laten EK dan peubah laten KM. Tabel 11. Uji validitas diskriminan MPS kedua Muatan Silang Alur Jalur
Ekuitas Merek
Keterikatan Merek
Kinerja Bank
0.99 0.88 0.73 0.52
0.66 0.67 0.60 0.50
0.91 0.72 0.57 0.32
0.64 0.70
0.98 0.98
0.59 0.58
0.89 0.91 0.54
0.58 0.54 0.46
0.95 0.95 0.73
Ekuitas Merek PM ----> EK CM ----> EK KN ----> EK LN ----> EK Keterikatan Merek KM ----> X10 KM ----> X11 Kinerja Bank KB ----> Y1 KB ----> Y2 KB ----> Y3
Langkah selanjutnya adalah menguji reliabiabilitas gabungan tiap blok dengan menggunakan nilai cronbach alpha dan composite reliability. Nilai cronbach alpha harus lebih besar dari 0.6 dan nilai composite reliability harus lebih besar dari 0.7. Uji reliabitas pada Tabel 12 menunjukkan bahwa semua peubah laten yang digunakan memiliki nilai reliabilitas gabungan yang baik karena miliki nilai cronbach alpha lebih besar 0.6 dan nilai composite reliability lebih besar 0.7 sehingga indikator yang digunakan untuk mengukur tiap peubah laten adalah reliabel. Peubah Laten KM KB
Tabel 12. Uji reliabilitas MPS kedua Cronbach Alpha Composite Reliability 0.95 0,98 0.85 0,91
Keterangan Reliabel Reliabel
Pengujian Model Struktural Pengujian koefisien jalur pada model struktural pada Tabel 13 menunjukkan bahwa peubah laten EK berpengaruh nyata pada taraf nyata 5 % ke peubah laten KB dan peubah laten KM, sedangkan peubah laten KM tidak berpengaruh nyata pada peubah laten KB. Peubah laten EK ke peubah laten KB memiliki pengaruh sebesar 0.92. Peubah laten EK pada peubah laten KB memiliki pengaruh sebesar 0.68. Peningkatan rata-rata EK sebesar satu satuan secara langsung akan meningkatkan rata-rata KB sebesar 0.92, peningkatan rata-rata EK sebesar satu satuan secara langsung akan meningkatkan rata-rata KM sebesar 0.62.
27 Tabel 13. Uji koefisien jalur MPS kedua Hubungan Peubah Koefisien Galat Baku Nilai-t EK ---> KB 0.92 0.197 4.68 EK ---> KM 0.68 0.197 2.98 KM ---> KB -0.03 0.229 -1.82 **nyata pada tarat nyata 5 %, * nyata pada taraf nyata 10 %
Nilai-p 0.00** 0.01** 0.85
Evaluasi model struktural melalui nilai R-Square. Nilai R-Square menunjukkan besarnya keragaman yang mampu dijelaskan oleh model struktural. Tabel 14 menunjukkan bahwa persamaan struktural yang melibatkan peubah laten endogen KB memiliki R-Square sebesar 0.81 artinya peubah laten EK dan peubah laten KM mampu menjelaskan keragaman peubah laten KB sebesar 81% sedangkan sisanya dijelaskan oleh peubah laten yang tidak terdapat dalam model. Persamaan struktural yang melibatkan peubah laten endogen KM memiliki R-Square sebesar 0.47 artinya peubah laten EK hanya mampu menjelaskan keragaman peubah laten KM sebesar 47 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak masuk dalam model. Tabel 15. Uji kecocokan model struktural MPS pertama Peubah Laten R-Square KB 0.81 KM 0.47 . Kebaikan Model Kebaikan model pada MPS kedua adalah kebaikan modelyang diduga dengan penduga KTP. Kebaikan model secara simultan dapat diketahui dari besarnya nilai goodness of fit. Secara umum model MPS kedua dengan menggunakan penduga KTP memiliki goodness of fit sebesar 0.69, artinya keseluruhan peubah laten eksogen dan indikator mampu menjelaskan keragaman peubah KB sebesar 69 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak ada dalam model. Peningkatan KB dapat dilakukan melalui peningkatan EK. Peningkatan EK dapat dilakukan dengan memprioritaskan peningkatan PM, CM dan KN. Peningkatan PM dapat dilakukan melalui peningkatakan volume program dan keefektifan program promosi. Peningkatan CM dan KN dapat dilakukan dengan memperbaiki kualitas produk dan kualitas layanan. Perbandingan Model Model yang dibandingkan pada penelitian ini adalah model struktural karena model secara keseluruhan antara MPS pertama dan MPS kedua berbeda, khususnya di model pengukurannya peubah laten EK. Model pengukuran peubah laten EK pada MPS pertama memiliki sembilan indikator yang bersifat reflektif sedangkan model struktural MPS kedua memililiki 4 indikator yang sebenarnya adalah peubah laten dan indikator peubah laten EK bersifat formatif. Indikator pada peubah laten EK di MPS kedua merupakan hasil reduksi dari dari sembilan indikator sehingga nilai dugaan indikator PM, CM, KN dan LN memiliki galat. Model MPS pertama memiliki satu galat model, sedangkan model MPS kedua memiliki 2 galat pada modelnya yaitu galat pada pendugaan skor faktor dan galat pada pendugaan parameter dengan penduga KTP.
28 Hasil perbandingan koefisien jalur pada Gambar 14 menunjukkan bahwa koefisien jalur peubah laten EK ke KB pada MPS kedua memiliki nilai lebih besar dibanding koefisien jalur pada MPS pertama. Koefisien jalur EK ke KB pada MPS pertama memiliki nilai 0.7 sedangkan pada MPS kedua sebesar 0.92. Ada selisih nilai koefisien jalur sebesar 0.22. Koefisien jalur peubah laten EK ke KM pada MPS pertama sebesar 0.65, hanya selisih 0.03 dari koefisien jalur peubah laten EK ke KM yang memiliki nilai sebesar 0.68. Koefisien jalur EK ke KB dan koefisien jalur EK ke KM berdasarkan uji t adalah nyata pada taraf nyata 5 %. Koefisien jalur peubah laten KM ke KB pada MPS pertama sebesar 0.14 sedangkan pada MPS kedua sebesar -0.03. Ada perbedaan arah koefisien jalur peubah laten KM ke KB pada MPS pertama searah (positif) dan MPS kedua yang berlawanan arah (negatif). Perbedaan arah tersebut tidak menjadi masalah karena dari uji t dengan taraf nyata 5 % maupun dengan taraf nyata 10 % koefisien jalur KM ke KB pada MPS pertama dan MPS kedua tidak nyata. Adanya perbedaan nilai koefisien jalur model struktural pada MPS pertama dan MPS kedua ini disebabkan karena perbedaan jumlah dan konsep indikator peubah EK. Indikator peubah laten EK pada MPS pertama berjumlah 9 indikator dan bersifat reflektif, sedangkan indikator peubah laten EK pada PMS kedua berjumlah 4 indikator dan bersifat formatif, sehingga mempengaruhi konsep perhitungan dan pembobotan pada saat menduga parameter koefisien jalur dengan penduga KTP. Pada MPS kedua sembilan indikator pada peubah laten EK direduksi dengan analisis faktor menjadi 4 indikator saja berdasarkan konsep teori yang sudah ada.
Gambar 15. Perbandingan Nilai Koefisien Jalur R-Square menunjukkan tingkat kebaikan model struktural pada peubah endogen. Ada 2 persamaan struktural pada penelitian ini. Persamaan struktural pada MPS pertama diperoleh persamaan : ̂ = 0.65𝐸𝐾 ̂ +𝜉 1 𝐾𝑀 ̂ ̂ ̂ +𝜉2 𝐾𝐵 = 0.14𝐾𝑀 + 0.70𝐸𝐾 sedangkan persamaan persamaan struktural pada MPS kedua adalah : ̂ = 0.68𝐸𝐾 ̂ +𝜉 1 𝐾𝑀 ̂ = −0.03𝐾𝑀 ̂ + 0.92𝐸𝐾 ̂ +𝜉2 𝐾𝐵
29 Perbandingan nilai R-Square pada Gambar 15 menunjukkan bahwa RSquare persamaan struktural peubah endogen KM pada MPS pertama dan MPS kedua tidak jauh berbeda hanya berbeda 0.02. Persamaan struktural peubah endogen KM pada MPS pertama memiliki R-Square sebesar 0.49 sedangkan pada MPS kedua memiliki nilia R-Square 0.47. Keragaman peubah laten EK pada MPS pertama mampu menjelaskan keragaman peubah laten KM sebesar 49 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak ada pada penelitian ini. Keragaman peubah laten EK pada MPS kedua mampu menjelaskan keragaman peubah KM sebesar 47 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak ada dalam model. Ada perbedaan nilai R-Square persamaan struktural paubah endogen KB pada MPS pertama dan MPS kedua sebesar sebesar 0.24. Nilai R-Square persamaan struktural peubah endogen KB pada MPS pertama sebesar 0.57 dan pada MPS kedua sebesar 0.81. Nilai 0.57 menunjukkan bahwa keragaman peubah laten KB mampu dijelaskan oleh keragaman peubah EK dan KM sebesar 57 % sedangkan sisanya dijelaskan oleh peubah lain yang tidak terdapat dalam model. Nilai RSquare 0.81 menunjukkan bahwa keragaman peubah laten KB mampu dijelaskan sebesar 81 % oleh peubah EK dan KM sedangkan sisanya dijelaskan oleh peubah lain yang tidak terdapat dalam model.
Gambar 16. Perbandingan Nilai R-Square. Perbedaan nilai koefisien jalur pada persamaan struktural pada MPS pertama dan MPS kedua dari sudut pandang ilmu manajemen memberikan implikasi yang sama. Pada kasus ini, kedua MPS memberikan implikasi bahwa untuk meningkatkan KB harus meningkatkan EK, karena selain memiliki pengaruh langsung EK juga memiliki pengaruh tak langsung. Pada kedua model MPS peubah EK berpengaruh nyata dan positif pada KB dan KM tidak berpengaruh nyata pada KB. Peningkatan EK dapat dilakukan dengan peningkatan kualitas produk perbankan dan tetap mempertahankan kualitas layanan.
30
5 SIMPULAN DAN SARAN Simpulan Kedua MPS menghasilkan kesimpulan yang sama yaitu EK berpengaruh nyata ke KB, EK berpengaruh nyata ke KM, sedangkan KM tidak berpengaruh nyata ke KB. MPS kedua menghasilkan nilai R-Square pada peubah endogen KB lebih tinggi (0.81) dibanding MPS pertama (0.57), nilai R-Square peubah endogen KM pada MPS pertama (0.49) tidak jauh berbeda dengan nilai MPS kedua (0.47). Solusi kedua lebih baik dibanding dengan solusi pertama dari sisi persamaan struktural, hal ini terlihat dari besarnya nilai goodness of fit pada masing-masing model. Nilai goodness of fit MPS kedua (0.69) lebih tinggi dibanding nilai goodness of fit MPS pertama (0.63) dan juga mampu menjelaskan keragaman peubah KB sebesar 81 %. Peubah laten EK memiliki pengaruh langsung dan tak langsung pada peubah laten KB, sehingga untuk meningkatkan kinerja suatu bank harus meningkatkan EK. Saran Penelitian lebih lanjut dapat dilakukan dengan penambahan jumlah amatan dan juga menggunakan pendekatan lain, misalnya model hibrid yang diusulkan oleh Sanchez (2013).
31
DAFTAR PUSTAKA Aaker DA. 1998. Measuring Brand Equity Across Products and Markets. California Management. Anastasi. 2012. The influence of brand engagement in social network on the intention of customer’s to purchase a product regarding its brand equity. [Thesis]Erasmus Universiteit Roterdam [BI] Bank Indonesia. 2015. Statistik Perbankan Indonesia Juli 2015.Jakarta.BI Behnam EF, Rezael, L.S. 2015. Investigating the affective factor on building brand equity in banking Industri in Iran (case Study:Tosee Saderat Bank). Research Journal of Management Science vol 4 no 8. Bollen AK. 1989. Structural Equation With Latent Variables. NewYork: John Wiley & Son. Chin WW. 2010. Handbooks of Partial Least Squares. Berlin Heidelberg: Springers. Hsu FJ, Wang TY, Chen MY. 2013. The Impact of Brand Value on Finantial Performance. Journal Advances in Management & Applied Economics vol 3 no 6. Keller, K.L. 2013. Strategic Brand Management. New Jersey: Prentice Hall. Lohmoller, J.B. 1989. Latent Variable Path Modeling with Partial Least Squares. Heidelberg: Physica. Kertajaya, H. 2002. Hermawan Kertajaya On Marketing. Jakarta: Gramedia Pustaka Utama Marinova ST, Jinghuan C, Marin AM. 2008. Customers Relation and Brand Equity in China Banking Service. Revista de Admijastracoa FACES Journal vol 7 no 3. Mattijk AA, Sumertajaya IM. 2011. Sidik Peubah Ganda.Bogor: IPB Press. Monecke A, Leisch F. 2012. Structural Equation Using Partial Least Squares. Pappu, R; Quester, P. 2006. Does Customer Satisfactionlead to Improved Brand Equity ? An Emperical Examination of Two Categories of Retail Brands. Journal of Product & Management. Tenenhaus. 2005. PLS Path Modeling. Computational Statistics dan Data Analysis. Wold, H.1982.Partial Least Square, Encyclopedia of Statistical sciences Vol.V1.Newyork: Jon Wiley and Sons, Didalam Monecke, A; Leisch, F. 2012. Structural Equation Using Partial Least Squares.
32 Lampiran 1 Struktural Pertanyaan Penelitian
Pertanyaan
Saya sering melihat/mendengar Bank[_______] Saya sering melihat/mendengar Iklan Bank[________] Bank [_______] termasuk bank yang terkenal Kualitas produk dan layanan bank [_______] sangat baik Produk dan layanan bank [_______] memiliki reputasi yang baik Saya selama ini selalu puas menggunakan produkBank [_______] Saya selama ini selalu puas dengan Layanan Bank [_______] Saya pasti akan menggunakan produk dan layanan Bank[_______] dimasa depan. Saya tidak akan berpindah dari Bank[________] meskipun ada produk dan layanan bank lain yang sama baik atau lebih baik Saya akan merekomendasikan produk dan layanan Bank [________] kepada orang lain Saya merasa bangga menggunakan produk Bank [________]
Bank ………
Bank …..
Bank …..
Bank ……
33 Lampiran 2 Sintak MPS Pertama #import data mydata <- read.table("D:/Data3.csv", header=TRUE, sep=",") databank<-data.frame(mydata) #inner model MatrixY<-read.table("D:/MT1.csv", header=TRUE, sep=",") MY<-as.matrix(MatrixY) #matrix xy bacanya ke samping #outermodel MatrixM<-read.table("D:/MT2.csv", header=TRUE, sep=",") MM<-as.matrix(MatrixM) library(plspm) n1 =c(0, 0, 0) n2 =c(1, 0, 0) n3 =c(1, 1, 0) bank3_path =rbind(n1, n2, n3) rownames(bank3_path) =c("EK","KM","KB") colnames(bank3_path) =rownames(bank3_path) Bank3_blocks =list(1:9, 10:11, 12:14) Bank3_modes =c("A","A","A") Bank3_pls1 =plspm(databank, bank3_path, Bank3_modes) #outermodel Bank3_pls1$outer_model #innermodel Bank3_pls1$inner_model #path coeffisien Bank3_pls1$path_coefs #laten variabel scores Bank3_pls1$scores #cross loading Bank3_pls1$crossloadings #summary inner model Bank3_pls1$inner_summary #Total Effect Bank3_pls1$effects #unidimensionalitas Bank3_pls1$unidim #gof Bank3_pls1$gof #resampling Bank3_pls1$boot Bank3_val =plspm(databank, bank3_path, Bank3_modes,boot.val = TRUE, br = 200) Bank3_val$boot
Bank3_blocks,
modes
=
Bank3_blocks,
modes
=
34 Lampiran 3 Sintak MPS kedua #import data mydata <- read.table("D:/Data3.csv", header=TRUE, sep=",") databank<-data.frame(mydata) #inner model MatrixY<-read.table("D:/MT1.csv", header=TRUE, sep=",") MY<-as.matrix(MatrixY) #matrix xy bacanya ke samping #outermodel MatrixM<-read.table("D:/MT22.csv", header=TRUE, sep=",") MM<-as.matrix(MatrixM) #memanggil paket library(plspm) # path matrix n1 =c(0, 0, 0) n2 =c(1, 0, 0) n3 =c(1, 1, 0) bank3_path =rbind(n1, n2, n3) rownames(bank3_path) =c("EK","KM","KB") colnames(bank3_path) =rownames(bank3_path) Bank3_blocks =list(16:19, 10:11,12:14) Bank3_modes =c("B","A","A") Bank3_pls1 =plspm(databank, bank3_path, Bank3_blocks, Bank3_modes) # plot path coeffs plot(Bank3_pls1) #outermodel Bank3_pls1$outer_model #innermodel Bank3_pls1$inner_model #path coeffisien Bank3_pls1$path_coefs #laten variabel scores Bank3_pls1$scores #cross loading Bank3_pls1$crossloadings #summary inner model Bank3_pls1$inner_summary #Total Effect Bank3_pls1$effects #unidimensionalitas Bank3_pls1$unidim #gof Bank3_pls1$gof
modes
=
35
Lampiran 3 Lanjutan
#resampling Bank3_pls1$boot Bank3_val =plspm(databank, bank3_path, Bank3_modes,boot.val = TRUE, br = 200) Bank3_val$boot
Bank3_blocks,
modes
=
36 Lampiran 4 Hasil MPS pertama, model pengukuran, muatan silang,uji reliabilitas, model struktural Model Pengukuran No Indikator Peubah Laten Pembobot 1 X1 EK 0.18 2 X2 EK 0.14 3 X3 EK 0.16 4 X4 EK 0.14 5 X5 EK 0.13 6 X6 EK 0.11 7 X7 EK 0.15 8 X8 EK 0.08 9 X9 EK 0.10 10 X10 KM 0.50 11 X11 KM 0.52 12 Y1 KB 0.41 13 Y2 KB 0.42 14 Y3 KB 0.29
Muatan faktor 0.87 0.83 0.81 0.91 0.82 0.88 0.92 0.63 0.77 0.98 0.98 0.95 0.95 0.73
Muatan silang No Indikator Peubah laten 1 X1 EK 2 X2 EK 3 X3 EK 4 X4 EK 5 X5 EK 6 X6 EK 7 X7 EK 8 X8 EK 9 X9 EK 10 X10 KM 11 X11 KM 12 Y1 KB 13 Y2 KB 14 Y3 KB
EK 0.87 0.83 0.81 0.90 0.81 0.88 0.92 0.63 0.76 0.66 0.71 0.72 0.77 0.46
KM 0.65 0.54 0.66 0.65 0.50 0.49 0.64 0.39 0.60 0.97 0.97 0.58 0.54 0.45
KB 0.90 0.73 0.75 0.57 0.60 0.52 0.64 0.31 0.30 0.59 0.58 0.94 0.95 0.73
Uji reliabilitas Peubah laten EK KM KB
Jumlah Indikator 9 2 3
Cronbach Alpha 0.94 0.95 0.85
Composite Reliability 0.95 0.97 0.91
37
Lampiran 4 Lanjutan Model Struktutal $KM
Intercep EK
Penduga parameter 1.57E-15 7.02E-01
Galat baku Nilai t Nilai P 0.2253301 6.96E-15 1 0.2253301 3.11E+00 0.01099087
Penduga parameter 5.59E-16 6.54E-01 1.41E-01
Galat baku Nilai t Nilai P 0.2166366 2.58E-15 1 0.3040272 2.15E+00 0.05984431 0.3040272 4.64E-01 0.65337923
$KB
Intercep EK KM
38 Lampiran 5 Hasil MPS kedua, Model pengukuran, muatan silang, model struktural, uji reliabilitas. Model Pengukuran No Indikator 1 PM 2 CM 3 KN 4 LN 5 X10 6 X11 7 Y1 8 Y2 9 Y3
Peubah laten EK EK EK EK KM KM KB KB KB
Bobot 1.03 0.02 -0.26 0.30 0.49 0.52 0.41 0.41 0.28
Muatan silang 0.98 0.87 0.73 0.51 0.97 0.97 0.94 0.95 0.72
Muatan silang No
Indikator
Peubah laten
EK
KM
KB
1 2 3 4 5 6 7 8 9
PM CM KN LN X10 X11 Y1 Y2 Y3
EK EK EK EK KM KM KB KB KB
0.98 0.87 0.73 0.51 0.63 0.70 0.88 0.90 0.54
0.66 0.66 0.59 0.49 0.97 0.97 0.58 0.54 0.45
0.91 0.72 0.56 0.32 0.59 0.58 0.94 0.95 0.72
Model Struktural $KM
Intercep EK
Nilai parameter Galat baku Nilai t Nilai P 8.97E-16 0.2298363 3.90E-15 1 6.87E-01 0.2298363 2.99E+00 0.013611
$KB
Intercep EK KM
Nilai parameter Galat baku Nilai t Nilai P -1.60E-16 0.1439023 -1.11E-15 1 9.26E-01 0.1979926 4.68E+00 0.001154 -3.61E-02 0.1979926 -1.82E-01 0.859296
39
Lampiran 5
Lanjutan
Uji Reliabilitas Peubah laten KM KB
Jumlah indikator 2 3
Cronbach alpha 0.95 0.85
Composite reliability 0.97 0.91
40
RIWAYAT HIDUP Penulis dilahirkan di Rembang pada tanggal 14 September 1984 dari pasangan Bapak Sukahar dan Ibu Djumari. Penulis merupakan putra ketiga dari sembilan bersaudara. Pendidikan penulis berawal dari Sekolah Dasar Waru III Rembang dan melanjutkan pendidikannya ke SLTP Negeri 2 Rembang hingga lulus pada tahun 2000. Pada tahun 2000 penulis melanjutkan pendidikan di SMA Negeri II Rembang, dan lulus pada tahun 2003. Pada tahun yang sama penulis diterima sebagai mahasiswa di Institut Teknologi Sepuluh Nopember Surabaya pada Jurusan Statistika dan menamatkannya pada tahun 2008. Tahun 2011 penulis berkesempatan untuk melanjutkan studi S2 di Institut Pertanian Bogor Program Studi Statistika.
