UNIVERSITAS INDONESIA

UNIVERSITAS INDONESIA ANALISIS PENGARUH FAKTOR-FAKTOR KUALITAS DAN HARGA TERHADAP KESETIAAN PELANGGAN PADA INDUSTRI PENERBANGAN DOMESTIK DENGAN MENGGUNAKAN STRUCTURAL EQUATION MODELING

SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik

PARAMITHA MANSOER 0706274905

1

HALAMAN JUDUL

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI DEPOK JUNI 2011

i

Universitas Indonesia

Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011

HALAMAN PERNYATAAN ORISINALITAS 2 3

HALAMAN PERNYATAAN ORISINALITAS HALAMAN PERNYATAAN ORISINALITAS

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

Nama NPM Tanda Tangan Tanggal

: Paramitha Mansoer : 0706274905 : : Juni 2011

ii Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


PERSETUJUAN 4

PERSETUJUAN

Skripsi dengan judul: Analisis Pengaruh Faktor-Faktor Kualitas dan Harga Terhadap Kesetiaan Pelanggan pada Industri Penerbangan Domestik dengan Menggunakan Structural Equation Modeling

Dibuat untuk melengkapi sebagian persyaratan menjadi Sarjana Teknik pada program studi Tekni Industri jurusan Teknik Industri Fakultas Teknik Universitas Indonesia dan disetujui untuk diajukan dalam sidang ujian skripsi.

Depok, 13 Juni 2011

Ir. M. Dachyar M.Sc NIP 195911201986031002

iii Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


KATA PENGANTAR 5

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT, karena atas berkat dan rahmatNya, penulis dapat menyelesaikan skripsi ini dengan baik. Penyusunan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Teknik Jurusan Teknik Industri pada Fakultas Teknik Universitas Indonesia. Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, baik dari masa perkuliahan sampai pada penyusunan skripsi sangatlah sulit bagi penulis untuk menyelesaikan skripsi ini. Untuk itu penulis mengucapkan terima kasih kepada: 1. Bapak Ir. M. Dachyar, M.Sc, selaku dosen pembimbing yang telah memberikan bimbingan, dorongan, arahan, ilmu, dan masukan kepada penulis. 2. Bapak Prof. Ir. Teuku Yuri M. Zagloel dan seluruh pengajar Teknik Industri UI yang telah memberikan ilmu yang sangat bermanfaat bagi penulis. 3. Ibu Hardjilah, Mbak Tryana Susanti, Mbak Willy B. Andalasari, Mbak Fatimah, Pak Mursyid, Mas Dodi Hartoyo, Mas Latief, Mas Ridwan, dan Pak Agung Prehadi atas bantuan, dukungan, dan kerjasamanya. 4. Luky Hananto, Monasisca Novianei, Melati Puspaning Putri dan Dhareta Sasanawati teman sebimbingan yang senantiasa bersama dalam berbagai situasi. 5. Gina Adryani, Ayuning Pramesthi Pintoarsi, Sarah Noviani Rodjali, Astriana Gita, Aulya Nuraini, Anisha Puti Lalita, Annisa Zahara, Citra Atma Pertiwi, Rini Kurniaputri, Khairiyah, Sekar Melati dan Indi Puspita yang telah berbagi tawa dan tangis selama empat tahun ini, serta membantu dan memberikan semangat pada penulis dalam menyelesaikan skripsi ini. 6. Seluruh teman-teman TI’07 tercinta yang telah memberikan semangat, bantuan, masukan, kenangan, kasih sayang, pengertian, serta telah menjadi sahabat yang sangat baik selama empat tahun ini. 7. Teman-teman TI08, TI09, dan TI10 atas doa, semangat, bantuan, dan kebersamaannya selama ini.

iv



8. Kedua orang tua, yang sangat penulis cintai, yang telah memberikan semangat dan dukungan moril maupun materiil kepada penulis. 9. Seluruh keluarga besar yang telah memberikan semangat dan dukungan. 10. Terakhir, untuk kekasih yang jauh dimata tapi dekat dihati, terimakasih atas semangatnya, nasihatnya, kesabarannya dan pengertiannya dalam menemani penulis melewati masa-masa skripsi ini.

Depok, 14 Juni 2011 Penulis

v Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama NPM Program Studi Departemen Fakultas Jenis karya

: Paramitha Mansoer : 0706274905 : Teknik Industri : Teknik Industri : Teknik : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Nonekslusif (Non-exclusive RoyaltyFree Right) atas karya ilmiah saya yang berjudul: “Analisis Pengaruh Faktor-Faktor Kualitas dan Harga terhadap Kesetiaan Pelanggan pada Industri Penerbangan Domestik dengan Menggunakan Structural Equation Modeling” beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Nonekslusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola 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.

6

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI Dibuat di : Depok Pada tanggal : Juni 2011 Yang menyatakan

(Paramitha Mansoer)

vi Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


ABSTRAK 7 Nama Program Studi Judul

ABSTRAK

: Paramitha Mansoer : Teknik Industri : Analisis Pengaruh Faktor-Faktor Kualitas dan Harga terhadap Kesetiaan Pelanggan pada Industri Penerbangan Domestik dengan Menggunakan Structural Equation Modeling

Penelitian ini bertujuan untuk mengetahui pengaruh faktor-faktor kualitas dan harga dalam mempengaruhi kesetiaan pelanggan dengan menggunakan Structural Equation Modeling (SEM). Pengambilan data dilakukan kepada pengguna traditional airlines dan low-cost carrier sebagai responden. Faktor-faktor kualitas dan harga yang digunakan dalam penelitian ini adalah penawaran penerbangan (offer of flights and destination), pengalaman pembelian tiket (ticket purchase experience), pengalaman di bandara (airport experience), pengalaman dalam penerbangan (flight experience), kehandalan layanan (service reliability) dan harga (price). Hasil penelitian menunjukkan bahwa faktor-faktor yang terbukti mempengaruhi kesetiaan pelanggan pada pengguna traditional airlines adalah penawaran penerbangan (offer of flights and destination), pengalaman dalam penerbangan (flight experience) dan kehandalan layanan (service reliability). Sedangkan faktor-faktor yang terbukti mempengaruhi kesetiaan pelanggan pada pengguna low-cost carrier adalah pengalaman di bandara (airport experience), kehandalan layanan (service reliability) dan harga (price). Kata kunci: Customer loyalty, penerbangan, structural equation modeling

vii



ABSTRACT 8

ABSTRACT

Name : Paramitha Mansoer Study Program : Industrial Engineering Title : Analysis of Quality Factors and Price to Customer Loyalty by using Structural Equation Modeling The purpose of this research is to identify factors that influence motivation of cycling by using Structural Equation Modeling (SEM). The data is taken from traditional airlines and low-cost carrier users. Factors used in this research are offers of flight and destination, ticket purchase experience, airport experience, flight experience, service reliability, and price. The result of the research on traditional airlines users show that offers of flight and destination, flight experience, and service reliability positively influence customer loyalty. While the low-cost carrier users show that airport experience, service reliability, and price have the positive influence to customer loyalty. Keywords: Customer loyalty, air transport, structural equation modeling

viii Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


DAFTAR ISI HALAMAN JUDUL................................................................................................ i HALAMAN PERNYATAAN ORISINALITAS .................................................... ii PERSETUJUAN .................................................................................................... iii KATA PENGANTAR ........................................................................................... iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................. vi ABSTRAK ............................................................................................................ vii ABSTRACT ......................................................................................................... viii DAFTAR GAMBAR ............................................................................................ xii DAFTAR TABEL ................................................................................................ xiv BAB 1. PENDAHULUAN ..................................................................................... 1 1.1

Latar belakang .......................................................................................... 1

1.2

Diagram Keterkaitan Masalah .................................................................. 5

1.3

Rumusan masalah ..................................................................................... 6

1.4

Tujuan penelitian ...................................................................................... 6

1.5

Batasan masalah ....................................................................................... 6

1.6

Metodelogi penelitian ............................................................................... 6

1.7

Sistimatika penulisan ................................................................................ 9

BAB 2. DASAR TEORI ....................................................................................... 11 2.1

Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan ....... 11

2.1.1

Definisi Kualitas dan Kualitas Layanan (Service Quality) ............. 11

2.1.2

Definisi Kepuasan Pelanggan (Customer Satisfaction) .................. 13

2.1.3

Definisi Kesetiaan Pelanggan (Customer Loyalty) ......................... 14

2.2 Hubungan antara Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan .......................................................................................................... 16 2.3

Structural Equation Modeling ................................................................ 18

2.3.1

Perkembangan Structural Equation Model (SEM) ......................... 18

2.3.2

Konsep Structural Equation Model ................................................. 21

2.3.3

Variabel-Variabel dalam SEM ........................................................ 21

2.3.4

Model-Model dalam SEM .............................................................. 22

2.3.5

Kesalahan-Kesalahan dalam SEM .................................................. 25

2.3.6

Bentuk Umum Structural Equation Model (Hybrid Model) ........... 26

2.3.7

Confirmatory Factor Analysis (CFA) ............................................. 27

2.3.8

Prosedur SEM ................................................................................. 28

2.3.9

Model Pengukuran .......................................................................... 41 ix Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


2.3.10

Model Struktural ............................................................................. 44

BAB 3. PENGUMPULAN DAN PENGOLAHAN DATA ................................. 47 3.1

Penyusunan Kuesioner ........................................................................... 47

3.1.1

Penentuan Faktor-Faktor dalam ...................................................... 47

3.1.2

Penentuan Skala Kuesioner ............................................................. 50

3.1.3

Penentuan Model Dugaan ............................................................... 52

3.2

Penyebaran Kuesioner ............................................................................ 54

3.2.1

Metode Pengambilan Data .............................................................. 54

3.2.2

Pengujian Kuesioner Awal .............................................................. 54

3.2.3

Pengujian Kuesioner Keseluruhan .................................................. 56

3.3

Uji Asumsi Kenormalan Data ................................................................ 59

3.4

Data Responden ...................................................................................... 62

3.4.1

Data Jenis Kelamin ......................................................................... 62

3.4.2

Data Usia ......................................................................................... 64

3.4.3

Data Pendidikan Terakhir ............................................................... 65

3.4.4

Data Daerah Tempat Tinggal .......................................................... 66

3.4.5

Data Pekerjaan ................................................................................ 68

3.4.6

Data Penghasilan per Bulan ............................................................ 69

3.4.7

Frekuensi penerbangan dalam satu tahun ....................................... 70

3.5

Pemeriksaan Data yang Hilang (Missing Value) .................................... 71

3.6

Pengerjaan Model Traditional Airlines .................................................. 73

3.6.1

Metode Structural Equation Modeling (SEM) ................................ 73

3.6.2

Spesifikasi Model ............................................................................ 73

3.6.3

Identifikasi Model ........................................................................... 74

3.6.4

Estimasi Model ............................................................................... 76

3.6.5

Uji Kecocokan Model TA ............................................................... 80

3.6.6

Respesifikasi Model TA.................................................................. 86

3.7

Pengerjaan Model Low-cost Carrier ...................................................... 95

3.7.1

Pengolahan data .............................................................................. 95

3.7.2

Uji Kecocokan Model LCC ............................................................ 97

3.8

Model Struktural LCC .......................................................................... 102

BAB 4. ANALISIS ............................................................................................. 105 4.1

Analisis Model Struktural Traditional Airlines.................................... 105

4.2

Analisis Model Struktural Low-cost Carrier........................................ 111

BAB 5. KESIMPULAN DAN SARAN ............................................................. 118

x Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


5.1

Kesimpulan ........................................................................................... 118

5.2

Saran ..................................................................................................... 119

DAFTAR PUSTAKA ......................................................................................... 120

xi Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


9

DAFTAR GAMBAR DAFTAR GAMBAR

Gambar 1.1 Perbandingan Biaya Operasional Maskapai Penerbangan .................. 2 Gambar 1.2 Diagram Keterkaitan Masalah ............................................................. 5 Gambar 1.3 Diagram Alir Metode Penelitian (Sambungan)................................... 9 Gambar 2.1 Hubungan antara Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan ............................................................................................. 16 Gambar 2.2 Model Kualitas Layanan dan Harga terhadap Kesetiaan Pelanggan di Industri Penerbangan............................................................................................. 18 Gambar 2.3 Simbol Variabel Laten ...................................................................... 22 Gambar 2.4 Simbol Variabel Teramati ................................................................. 22 Gambar 2.5 Contoh Model Struktural................................................................... 23 Gambar 2.6 Reciprocal Causation ........................................................................ 23 Gambar 2.7 Unanalyzed Association .................................................................... 24 Gambar 2.8 Model Pengukuran ............................................................................ 24 Gambar 2.9 Kesalahan Sruktural .......................................................................... 25 Gambar 2.10 Diagram Lintasan Kesalahan Pengukuran ...................................... 26 Gambar 2.11 Diagram Lintasan Kesalahan Pengukuran Untuk Contoh Kasus Variabel Laten Diukur Oleh Satu Variabel Teramati ........................................... 26 Gambar 2.12 Diagram Lintasan Full Atau Hybrid Model .................................... 27 Gambar 2.13 Langkah-langkah menyusun model SEM ....................................... 30 Gambar 2.14 Contoh model struktural rekursif .................................................... 45 Gambar 2.15 Contoh model struktural resiprokal ................................................. 45 Gambar 3.1 Model dugaan penelitian kesetiaan pelanggan pada industri penerbangan .......................................................................................................... 53 Gambar 3.2 Diagram Lingkaran Jenis Kelamin Responden TA .......................... 63 Gambar 3.3 Diagram Lingkaran Jenis Kelamin Responden LCC ........................ 63 Gambar 3.4 Diagram Lingkaran Usia Responden TA .......................................... 64 Gambar 3.5 Diagram Lingkaran Usia Responden LCC........................................ 64 Gambar 3.6 Diagram Lingkaran Pendidikan Terakhir Responden TA................. 65 Gambar 3.7 Diagram Lingkaran Pendidikan Terakhir Responden LCC .............. 66 Gambar 3.8 Diagram Lingkaran Tempat Tinggal Responden TA........................ 67 Gambar 3.9 Diagram Lingkaran Tempat Tinggal Responden LCC ..................... 67 Gambar 3.10 Diagram Lingkaran Pekerjaan Responden TA................................ 68 Gambar 3.11 Diagram Lingkaran Pekerjaan Responden LCC ............................. 68 Gambar 3.12 Diagram Lingkaran Pernghasilan per Bulan Responden TA .......... 69 Gambar 3.13 Diagram Lingkaran Pernghasilan per Bulan Responden LCC........ 70 Gambar 3.14 Diagram Lingkaran Frekuensi Penerbangan dalam Satu Tahun Responden TA....................................................................................................... 71

xii



Gambar 3.15 Diagram Lingkaran Frekuensi Penerbangan dalam Satu Tahun Responden LCC .................................................................................................... 71 Gambar 3.16 Model Dugaan ................................................................................. 74 Gambar 3.17 Program SIMPLIS ........................................................................... 77 Gambar 3.18 Pendefinisian File Input .................................................................. 78 Gambar 3.19 Pendefinisian Variabel Laten .......................................................... 78 Gambar 3.20 Pendefinisian Hubungan Model Pengukuran .................................. 78 Gambar 3.21 Pendefinisian Hubungan Model Struktural ..................................... 79 Gambar 3.22 Pendefinisian Option ....................................................................... 79 Gambar 3.23 Output T-Value Model Model Faktor-Faktor Kesetiaan Pelanggan pada TA ................................................................................................................. 83 Gambar 3.24 Output standardized loading factors (SLF) model faktor-faktor kesetiaan pelanggan pada TA................................................................................ 84 Gambar 3.25 Tambahan sintak untuk respesifikasi model ................................... 87 Gambar 3.26 Output T-Value Model Pengukuran TA .......................................... 90 Gambar 3.27 Output Standardized Loading Factors (SLF) Model Pengukuran TA ............................................................................................................................... 91 Gambar 3.28 Output LISREL untuk model struktural TA ................................... 94 Gambar 3.29 Sintak untuk Model LCC ................................................................ 96 Gambar 3.30 Output T-Value Model Model Faktor-Faktor Kesetiaan Pelanggan pada LCC ............................................................................................................ 100 Gambar 3.31 Output Standardized Loading Factors (SLF) Model Pengukuran Customer Loyalty LCC ....................................................................................... 101 Gambar 3.32 Model Struktural LCC ................................................................... 103 Gambar 4.1 Model Struktural Akhir TA ............................................................. 110 Gambar 4.2 Model Struktural Akhir LCC .......................................................... 117

xiii Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


DAFTAR TABEL 10 DAFTAR TABEL Tabel 1.1 Perbedaan antara Traditional Airlines dan Low-cost Carrier ................. 3 Tabel 2.1 Perbedaan CFA Model dan EFA Model ............................................... 27 Tabel 2.2 Perbedaan CFA Model dan EFA Model (lanjutan) .............................. 28 Tabel 2.3 Perbedaan ML dan WLS ....................................................................... 34 Tabel 2.4 Perbandingan Ukuran-Ukuran GOF ..................................................... 36 Tabel 2.5 Perbandingan Ukuran-Ukuran GOF (lanjutan) ..................................... 37 Tabel 2.6 Perbandingan Ukuran-Ukuran GOF (lanjutan) ..................................... 38 Tabel 2.7 Perbandingan Ukuran-Ukuran GOF (lanjutan) ..................................... 39 Tabel 3.1 Faktor-faktor yang dalam mempengaruhi kesetiaan pelanggan pada industri penerbangan ............................................................................................. 48 Tabel 3.2 Faktor-faktor yang dalam mempengaruhi kesetiaan pelanggan pada industri penerbangan (lanjutan)............................................................................. 49 Tabel 3.3 Penilaian dalam penelitian kesetiaan pelanggan pada industri penerbangan .......................................................................................................... 50 Tabel 3.4 Atribut karakteristik responden............................................................. 51 Tabel 3.5 Nilai alpha cronbach untuk TA ............................................................ 55 Tabel 3.6 Nilai alpha cronbach untuk LCC ......................................................... 55 Tabel 3.7 Nilai alpha cronbach untuk masing-masing variabel ........................... 56 Tabel 3.8 Hasil uji reliabilitas kuesioner keseluruhan TA .................................... 57 Tabel 3.9 Hasil uji reliabilitas kuesioner keseluruhan LCC ................................. 57 Tabel 3.10 Hasil Uji Reliabilitas Kuesioner Per Variabel .................................... 57 Tabel 3.11 Hasil Uji Reliabilitas Kuesioner Per Variabel (lanjutan) .................... 58 Tabel 3.12 Hasil uji validitas kuesioner keseluruhan TA ..................................... 58 Tabel 3.13 Hasil uji validitas kuesioner keseluruhan LCC ................................... 58 Tabel 3.14 Hasil uji validitas kuesioner keseluruhan............................................ 59 Tabel 3.15 Statistik deskriptif untuk TA ............................................................... 60 Tabel 3.16 Statistik deskriptif untuk LCC ............................................................ 61 Tabel 3.17 Data Jenis Kelamin Responden........................................................... 62 Tabel 3.18 Data Usia Responden .......................................................................... 64 Tabel 3.19 Data Pendidikan Terakhir Responden................................................. 65 Tabel 3.20 Data Tempat Tinggal Responden ........................................................ 66 Tabel 3.21 Data Pekerjaan Responden.................................................................. 68 Tabel 3.22 Data Penghasilan Responden .............................................................. 69 Tabel 3.23 Data Frekuensi Penerbangan dalam Satu Tahun Responden .............. 70 Tabel 3.24 Pemeriksaan Negative Error Variance Hasil Estimasi TA................. 80 Tabel 3.25 Nilai-nilai GOFI TA............................................................................ 82 Tabel 3.26 Construct reliability, variance reliability, reliabilitas TA .................. 85

xiv



Tabel 3.27 Hasil uji kecocokan keseluruhan model awal dan setelah respesifikasi ............................................................................................................................... 88 Tabel 3.28 Construct Reliability, Variance Reliability, Reliabilitas TA Sebelum Dan Setelah Respesifikasi ..................................................................................... 92 Tabel 3.29 Evaluasi Terhadap Koefisien Model Struktural Dan Kaitannya Dengan Hipotesis Penelitian............................................................................................... 95 Tabel 3.30 Daftar Error Variance LCC ................................................................. 97 Tabel 3.31 Daftar GOFI LCC ............................................................................... 98 Tabel 3.32 Construct Reliability, Variance Reliability, Reliabilitas LCC .......... 102 Tabel 3.33 Evaluasi Terhadap Koefisien Model Struktural Dan Kaitannya Dengan Hipotesis Penelitian............................................................................................. 104 Tabel 4.1 Evaluasi terhadap Hasil Model Struktural TA .................................... 105 Tabel 4.2 Stadardized Loading Factors untuk Penawaran Penerbangan pada TA ............................................................................................................................. 106 Tabel 4.3 Stadardized Loading Factors untuk Pengalaman Penerbangan pada TA ............................................................................................................................. 107 Tabel 4.4 Stadardized Loading Factors untuk Kehandalan Layanan pada TA .. 108 Tabel 4.5 Stadardized Loading Factors untuk Citra dan Kepuasan Pelanggan terhadap Kesetiaan Pelanggan pada TA .............................................................. 110 Tabel 4.6 Evaluasi terhadap Hasil Model Struktural LCC ................................. 111 Tabel 4.7 Stadardized Loading Factors untuk Pengalaman di Bandara pada LCC ............................................................................................................................. 113 Tabel 4.8 Stadardized Loading Factors untuk Kehandalan Layanan pada LCC 114 Tabel 4.9 Stadardized Loading Factors untuk Kualitas Layanan dan Harga terhadap Citra pada LCC ..................................................................................... 115 Tabel 4.10 Stadardized Loading Factors untuk Citra dan Harga terhadap Citra pada LCC ............................................................................................................ 116

xv Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011


BAB I PENDAHULUAN 1 1.1

AHULUAN Latar belakang Industri penerbangan internasional mulai mengenal adanya konsep low-

cost carrier saat sebuah maskapai penerbangan yang berbasis di Texas, Amerika Serikat, yang bernama Southwest Airlines memperkenalkan konsep ini pada tahun 1967. Pada awalnya Southwest Airlines hanya menerapkan konsep ini pada penerbangan di negara bagian tersebut hingga pada tahun 1978 pemerintah Amerika Serikat mengeluarkan kebijakan pemerintah, yang dikenal dengan nama Aircraft Deregulation Act, yang memberikan maskapai penerbangan kebebasan untuk menentukan rute dan harga untuk penerbangan antar negara bagian di Amerika Serikat. Sejak saat itulah maskapai penerbangan terbagi menjadi dua jenis, yaitu low-cost carrier (LCC) dan full-cost carrier atau yang dikenal juga dengan nama traditional airlines (TA). Jadi, apakah sebenarnya definisi low-cost carrier? Menurut Uherek (2006), low-cost carrier adalah maskapai penerbangan yang beroperasi dengan jarak penerbangan yang relatif pendek pada suatu wilayah tertentu tanpa menawarkan pelayanan tambahan. Terdapat dua alasan utama yang menyebabkan konsep low-cost carrier dapat berkembang dengan sukses, alasan pertama adalah mereka menciptakan kebutuhan atas rute-rute penerbangan baru yang sebelumnya tidak ada. Alasan kedua atas kesuksesan konsep ini adalah mereka menekan biaya dari semua aspek yang mungkin ditekan.

1



2

Gambar 1.1 Perbandingan Biaya Operasional Maskapai Penerbangan Sumber : Uherek (2006)

Bedasarkan gambar di atas, dapat dilihat bahwa low-cost carrier memiliki biaya operasional yang sangat kecil bila dibandingkan dengan biaya operasional yang dikeluarkan oleh traditional airlines. Biaya operasional yang kecil ini berhasil didapatkan dengan beberapa cara, seperti: 1. Dalam satu hari maskapai penerbangan low-cost carrier dapat berkali-kali melakukan penerbangan ke tujuan yang sama, hal ini dapat menurunkan biaya dalam pelatihan awak pesawat karena maskapai penerbangan tersebut tidak perlu mengeluarkan biaya tambahan melakukan pelatihan awak pesawat tambahan. 2. Pada umumnya sebuah maskapai penerbangan melakukan penerbanga dengan rute yang relatif pendek. Kegiatan ini dapat mereduksi biaya yang dikeluarkan untuk akomodasi awak pesawat dan juga dapat meningkatkan ketepatan waktu penerbangan. 3. Low-cost carrier menerapkan prinsip penerbangan point-to-point dengan konsep ini maskapai penerbangan tidak perlu mengeluarkan biaya untuk pemindahan koneksi penerbangan dan juga peletakan bagasi di bandara tujuan. Hal ini bertolak belakang dengan traditional airlines yang menawarkan konsep hub yang memfasilitasi perpindahan penerbangan yang dapat membebankan banyak biaya bagi maskapai penerbangan terebut. 4. Karena penerbangan dilakukan dengan rutin pada suatu rute yang pendek, waktu antara pendaratan dan penerbangan berikutnya dapat direduksi.

Universitas Indonesia Aanalisis pengaruh..., Paramita Mansoer, FT UI, 2011

3

5. Low-cost carrier memotong semua fasilitas tambahan yang ada di dalam pesawat seperti makanan, minuman dan penyediaan koran. Pemotongan fasilitas-fasilitas tambahan ini memungkinkan penurunan biaya yang besar. 6. Biasanya pesawat-pesawat yang digunakan oleh maskapai penerbangan low-cost carrier merupakan pesawat generasi terbaru yang memiliki efisiensi bahan baku yang tinggi dan biaya pemeliharaan yang rendah. 7. Maskapai penerbangan low-cost carrier biasanya hanya menggunakan satu tipe pesawat saja, agar dapat menekan biaya pemeliharaan pesawat. 8. Memiliki desain pesawat yang memungkinkan untuk menampung lebih banyak penumpang jika dibandingkan dengan traditional airlines. 9. Biasanya jadwal penerbangan untuk low-cost carrier dilakukan pada waktu-waktu diluar jam sibuk bandara untuk menekan biaya transit. Tabel dibawah ini akan menunjukkan perbedaan-perbedaan yang dimiliki oleh low-cost carrier dan traditional airlines. Tabel 1.1 Perbedaan antara Traditional Airlines dan Low-cost Carrier Kriteria Biaya operasional Harga Jarak penerbangan

Traditional Airlines Tinggi Tinggi Panjang Terdapat variasi pilihan Kelas penerbangan kelas penerbangan Kapasitas penumpang Lebih kecil On-board services Full service Memiliki rute dengan Rute dan transit tempat transit Memiliki beberapa tipe Tipe pesawat pesawat

Low-cost Carrier Rendah Rendah Pendek Tidak terdapat variasi kelas penerbangan Lebih besar Tidak ada Rute point-to-point Hanya memiliki satu tipe pesawat

Maskapai penerbangan yang pertama kali berdiri di Indonesia adalah Garuda Indonesia Airways. Garuda Indonesia Airways didirikan pada 26 Januari 1940, dan mulai beroperasi pada tahun 1950. Garuda Indonesia Airways merupakan maskapai penerbangan milik pemerintah yang menerapkan konsep full-service carrier, atau yang dikenal juga dengan traditional airlines. Sejak saat


4

didirikan, Garuda Indonesia Airways memonopoli industri penerbangan tanah air. Hal ini berlangsung hingga terjadinya krisis ekonomi pada tahun 1998. Saat krisis ekonomi melanda Indonesia, Garuda Indonesia Airways mengalami pukulan dengan menurunnya jumlah penumpang mereka secara drastis. Pada saat itulah, dua orang kakak beradik, Kusnan dan Rusdi Kirana, melihat sebuah peluang dari keadaan ini dan mendirikan sebuah maskapai penerbangan yang diberi nama Lion Air. Lion Air melihat krisis ekonomi yang terjadi sebagai sebuah peluang untuk mendirikan sebuah perusahaan penerbangan swasta dengan strategi harga tiket yang murah sesuai dengan moto mereka yaitu “we make people fly” atau dengan kata lain Lion Air menerapkan konsep low-cost carrier. Lion Air pertama kali beroperasi pada tahun 2000, dengan 24 armada pesawat, hingga pada tahun 2010 kemarin, Lion Air berhasil menambah armada pesawatnya dengan 100 unit Boeing 737-900ER. Sementara pada saat yang sama Garuda Indonesia Airways hanya memiliki 75 unit pesawat. Untuk memberikan perbandingan yang apple-to-apple atas kedua maskapai penerbangan ini, pada Febuari 2010, Direktur Perhubungan Udara Kementrian Transportasi, Tri S. Sunoko, menyatakan bahwa Lion Air memiliki market share yang terbesar pada penerbangan domestik, yaitu sebesar 41,9 persen, sementara Garuda Indonesia berada di posisi ke-dua dengan 1,27 juta penumpang atau sebesar 19,1 persen dari total penumpang penerbangan domestik. Hal ini menunjukkan bahwa dalam kurun waktu 10 tahun sejak berdirinya, Lion Air telah berhasil melampaui jumlah market share Garuda Indonesia. Akan tetapi, walaupun maskapai penerbangan dengan konsep low-cost carrier mengalami perkembangan yang cukup baik, Vice President Corporate Communication

Garuda

Indonesia

Airways,

Bapak

Pujobroto,

dalam

wawancaranya dengan Media Indonesia, menyatakan bahwa Garuda Indonesia Airways tidak merasa khawatir dengan hal ini. Beliau menyatakan, “GIA berfokus pada full service airlines, berbeda dengan layanan low cost carrier yang ditawarkan kedua maskapai itu. Karena itu, masing-masing pun memiliki pangsa pasarnya sendiri”. Dengan kata lain, masing-masing tipe maskapai penerbangan


5

memiliki pelanggan yang setia terhadap layanan yang mereka berikan. Apa sajakah faktor-faktor yang menyebabkan kesetiaan pelanggan terhadap maskapai penerbangan tersebut? Apakah faktor kualitas? Atau faktor harga? Bagaimanakah pandangan pelanggan terhadap masing-masing jenis maskapai penerbangan ini? Penelitian ini dibuat dengan tujuan untuk mengetahui faktor-faktor yang mendorong kesetiaan pelanggan pada masing-masing jenis maskapai penerbanga di Indonesia. 1.2

Diagram Keterkaitan Masalah

Gambar 1.2 Diagram Keterkaitan Masalah


6

1.3

Rumusan masalah Berdasarkan latar belakang dan diagram keterkaitan masalah yang telah

dibahas, maka sebuah perusahaan penyedia jasa penerbangan hendaknya mengetahui faktor-faktor yang mempengaruhi kesetiaan pelanggan, agar perusahaan tersebut dapat memberikan pelayanan yang terbaik sesuai dengan kebutuhan pelanggannya. 1.4

Tujuan penelitian Tujuan dari dilakukannya penelitian ini adalah untuk menemukan hubungan

antara faktor-faktor kualitas dan juga harga dalam mempengaruhi kesetiaan pelangan pada maskapai penerbangan nasional yang diperhatikan berdasarkan dua jenis maskapai penerbangan, yaitu traditional airlines dan low-cost carrier, dan juga melakukan analisis terhadap hubungan tersebut. 1.5

Batasan masalah Untuk membatasi penelitian pada pokok permasalahan, maka penulis

membatasi lingkup penelitian. Batasan dalam penelitian ini adalah sebagai berikut: o Penelitian dengan melakukan survei kepuasan pelanggan pengguna jasa maskapai penerbangan nasional. Maskapai yang digunakan untuk mewakili traditional airlines adalah Garuda Indonesia Airways dan yang digunakan untuk mewakili low-cost carrier adalah Lion Air. o Data yang digunakan merupakan data primer yang berasal dari kustioner yang diberikan kepada pengguna jasa penerbangan nasional dan berdomisili di Jabodetabek. 1.6

Metodelogi penelitian Penelitian yang dilakukan peneliti terdiri dari 5 tahap utama, yaitu:

1. Studi pendahuluan Pada studi pendahuluan, hal-hal yang dilakukan adalah sebagai berikut: •

menentukan pokok permasalahan yang akan diteliti dan dibahas

•

menentukan tujuan penulisan, yaitu sasaran yang ingin dicapai dari penelitian ini.

2. Penyusunan landasan teori


7

Pada tahap ini, peneliti menentukan dan menyusun landasan teori yang dapat mendukung penelitian yang dilakukan. Teori yang dibahas adalah teori seputar Customer Relationship Management, Customer Satisfaction, Customer Loyalty, dan Structural Equation Modelling. 3. Pengumpulan dan pengolahan data Setelah semua data terkumpul dari penyebaran kuesioner, langkah selanjutnya adalah mengolah dan menganalisis 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 parameterparameter 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. Hasil Pada tahap ini dipaparkan hasil dan analisis dari penelitian yang telah dilakukan 5. Kesimpulan dan saran Pada tahap ini peneliti membuat kesimpulan dan saran dari penelitian yang telah dilakukan. Berikut ini merupakan diagram alir metodologi penelitian yang digunakan dalam penelitian ini:


8

Gambar 1.3 Diagram Alir Metode Penelitian


9

Gambar 1.3 Diagram Alir Metode Penelitian (Sambungan)

1.7

Sistimatika penulisan Pembahasan mengenai penelitian yang dilakukan oleh peneliti disajikan

dalam lima bab, yaitu sebagai berikut: Bab I merupakan bab pendahuluan yang menjelaskan latar belakang peneliti memilih topik skripsi ini. Hal ini diperkuat dengan penguraian tujuantujuan penelitian yang ingin dicapai, perumusan masalah, dan batasan sehingga pusat perhatian penelitian ini menjadi jelas bagi pembaca. Selain itu, dalam bab


10

ini juga dijelaskan mengenai metodologi penelitian dan sistematika penulisan sehingga pembaca dapat memperoleh gambaran awal tentang langkah-langkah dan proses penelitian yang dilakukan oleh peneliti. Bab 2 menjelaskan secara terperinci mengenai landasan teori dan konsep yang sesuai dengan masalah yang telah dirumuskan di atas, yaitu mencangkup dasar teori Customer Relationship Management, Customer Satisfaction, Customer Loyalty, dan Structural Equation Modelling. Bab 3 berisi tentang pelaksanaan pengumpulan dan pengolahan data. Dimulai dari proses penyusunan kuestioner, proses pembuatan model dugaan, proses pengaplikasian model, pengecekan kecocokan model, respesifikasi dan juga memunjuklan model akhir. Bab 4 berisi hasil pengolahan data berupa analisis terhadap model akhir yang telah dihasilkan pada bab sebelumnya. Bab 5 merupakan bab terakhir yang berisi kesimpulan.


BAB II DASAR TEORI 2

DASAR TEORI

2.1

Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan

2.1.1

Definisi Kualitas dan Kualitas Layanan (Service Quality) Kualitas memiliki beberapa definisi yang dijelaskan oleh beberapa ahli.

Kualitas menurut Buzzell dan Gale (1987) adalah apa yang pelanggan katakan tentang hal tersebut, dan kualitas dari produk maupun jasa adalah apa yang pelanggan persepsikan sebagai hal tersebut. Sedangkan Goetsch dan Davis (1994) menyatakan, kualitas merupakan suatu kondisi dinamis yang berhubungan dengan produk, jasa, manusia, proses, dan lingkungan yang memenuhi atau melebihi harapan. Kualitas pelayanan yang dipersepsikan oleh pelanggan memiliki tiga komponen dasar (Gronroos, 1992), yaitu: 1.

Kualitas teknis atau hasil. Apa yang pelanggan terima dalam interaksinya dengan perusahaan jelas sangat penting untuk mereka dan pada penilaian kualitas mereka. Secara internal hal ini sering dianggap sebagai kualitas penyampaian produk.

2.

Kualitas fungsional atau yang berkaitan dengan proses. Selain itu pelanggan juga dipengaruhi oleh bagaimana dia mendapat pelayanan atau bagaimana dia mengalami proses produksi dan konsumsi yang simultan, yang merupakan dimensi lain dari kualitas, yang sangat terkait dengan hubungan pembeli dan penjual, sehingga disebut kualitas fungsional.

3.

Citra perusahaan. Biasanya penyedia layanan tidak dapat bersembunyi dibalik nama merek. Dalam berbagai kasus pelanggan akan dapat melihat perusahaannya, sumber daya, dan bagaimana pengoperasiannya. Oleh karena itu citra perusahaan atau pribadi merupakan hal terpenting dalam tiap pelayanan. Hal tersebut dapat berdampak pada persepsi kualitas dengan berbagai cara. Jika perusahaan memiliki citra yang baik dimata pelanggan, maka kesalahan-kesalahan kecil dapat dimaafkan oleh 11



12

pelanggan. Apabila kesalahan tersebut terjadi berulang kali maka citra perusahaan dapat rusak. Namun, apabila citra perusahaan sudah buruk, maka kesalahan sebesar apapun akan memiliki dampak negatif yang lebih besar. Parasuraman, Zeithaml, dan Berry (1990) menyatakan bahwa terdapat sepuluh dimensi dari kualitas pelayanan yang dipersepsikan, yaitu: 1. Reliability, mencakup dua hal pokok, yaitu konsistensi kinerja dan kehandalan. 2. Responsiveness, berfokus pada sikap kesediaan dan kesiapan dari karyawan untuk menyediakan pelayanan. 3. Competence, berarti memiliki pengetahuan dan kemampuan yang dibutuhkan. 4. Access, meliputi kemudahan untuk dicapai atau dihubungi. 5. Courtesy, melibatkan kesopanan, rasa hormat, pertimbangan, dan keakraban dari tiap karyawan. 6. Communication, berarti menjaga pelanggan tetap mendapatkan informasi dalam bahasa yang pelanggan mengerti, dan mendengarkan pelanggan. 7. Credibility, melibatkan sikap dapat dipercaya, jujur, mendapatkan perhatian pelanggan dengan sikap yang terbaik. 8. Security, merupakan bebas dari bahaya, risiko maupun keraguan. 9. Understanding/ Knowing the customer, berarti berusaha untuk mengerti kebutuhan pelanggan. 10. Tangibles, meliputi bukti fisik dari pelayanan. Pada perkembangan berikutnya Zeithaml dan kawan-kawan, menyatakan bahwa 10 dimensi ini dapat disarikan menjadi 5 dimensi pokok, ialah: bukti langsung (tangibles), kehandalan (reliability), daya tanggap (responsiveness), jaminan (security), dan empati (empathy).


13

2.1.2

Definisi Kepuasan Pelanggan (Customer Satisfaction) Kepuasan pelanggan adalah perasaan atau sikap seorang pelanggan

terhadap produk atau jasa setelah telah digunakan (Jamal A. a., 2002). Seorang pelanggan yang puas akan menyampaikan pesan-pesan positif tentang produk atau jasa kepada orang lain. Seorang pelanggan tidak puas, di sisi lain, kemungkinan akan beralih ke pengganti produk atau jasa pada saat ketika dia merasa perlu sama. Pelanggan yang sama juga akan terlibat dalam sebuah kata negatif dari mulut ke mulut, menyebabkan efek merusak yang serius pada bisnis (Naser et al, 1999.). Kepuasan pelanggan terutama berasal dari respon fisiologis berdasarkan perbedaan persepsi antara harapan sebelum dikonsumsi dan pengalaman praktis setelah konsumsi layanan atau produk. Oleh karena itu, hal-hal tertentu sering mempengaruhi keseluruhan sikap dan pengambilan keputusan ketika pelanggan membeli produk atau jasa. Dalam banyak penelitian tentang perilaku pembelian dilakukan oleh pelanggan seperti teori harapan-konfirmasi dan teori harapan rasional yang digunakan untuk mengeksplorasi harapan sebelum pembelian dan kepuasan setelah pembelian (Kotler dan Keller, 2006). Kepuasan pelanggan dianggap sebagai tujuan utama dari kegiatan pemasaran dan berfungsi sebagai penghubung antara proses pembelian dan konsumsi, yang berpuncak pada fenomena setelah pembelian, seperti perubahan sikap, pengulangan pembelian dan loyalitas merek. Kepuasan pelangan atas pemenuhan kebutuhan dan keinginan telah lama dianggap sebagai faktor penting bagi keberhasilan organisasi. Hal ini karena keupasan pelanggan secara langsung mempengaruhi perilaku seperti loyalitas merek, pengulangan pembelian, dan dapat mengakibatkan peningkatan pangsa pasar dan bahkan profitabilitas (Kovacs, 2011). Dari sudut pandang perusahaan, kepuasan pelanggan berasal dari tiga sumber, biaya mendapatkan pelanggan baru versus mempertahankan pelanggan lama, permintaan kompetitif untuk kepuasan pelanggan, dan nilai siklus hidup pelanggan. Jika organisasi menginginkan kepuasan pelanggan, maka harus


14

mengetahui persyaratan karakteristik dan preferensi pelanggan secara spesifik, dan harus menghindari atau menangani secara efektif dengan ketidakpuasan pelanggan. Hal ini terutama karena biaya kehilangan pelanggan lebih tinggi daripada mempertahankan pelanggan lama, oleh karena itu sangat penting untuk mengadopsi strategi pemertahanan pelanggan. Dan sudah ada penelitian yang membuktikan bahwa saat ini biaya yang diperlukan untuk mempertahankan pelanggan tiga sampai lima kali lebih sedikit dibandingkan dengan biaya untuk memperoleh yang baru (Bateson, Hoffman, 2001). Anderson dan Srinivasan (2003) mengemukakan bahwa pengukuran kepuasan pelanggan dapat dikategorikan ke dalam 5 dimensi, (1) kepuasan secara keseluruhan, (2) favorit pelanggan, (3) loyalitas pelanggan, (4) rekomendasi pelanggan dan (5) pilihan prioritas. Memahami kepuasan pelanggan akan memudahkan perusahaan untuk menjaga kesetiaan pelanggan terhadap produk atau layanan. 2.1.3

Definisi Kesetiaan Pelanggan (Customer Loyalty) Chaudhuri dan Holbrook (2001) mengungkapkan loyalitas pelanggan

dibentuk oleh sikap loyalitas dan perilaku loyalitas. Sikap loyalitas berarti kesetiaan dalam sikap dan toleransi terhadap harga. Perilaku loyalitas berarti pembelian berkelanjutan dan perilaku rekomendasi. Gronholdt et al. (2000) menunjukkan loyalitas pelanggan terdiri dari 4 indikator termasuk niat pembelian kembali pelanggan, toleransi terhadap harga, bersedia merekomendasikan merek atau perusahaan dan kesediaan untuk melakukan pembelian silang. Dari keterangan diatas dapat disimpulkan bahwa pengukuran kesetiaan pelanggan dapat diukur melalui 5 level, (1) kesediaan untuk membeli kembali, (2) pemberian komentar positif, (3) kerelaan untuk melakukan rekomendasi, (4) toleransi dengan penyesuaian harga, dan (5) frekuensi konsumsi. Kesetiaan pelanggan telah, dan terus didefinisikan sebagai frekuensi pembelian berulang atau volume relatif dari pembelian yang merek sama (Beerli, 2002). Beberapa faktor yang berpengaruh terhadap loyalitas pelanggan adalah CRM, citra perusahaan, komunikasi, dan penanganan keluhan. Citra perusahaan


15

penyedia layanan, bersama dengan kualitas pelayanan dan kepuasan pelanggan merupakan komponen kuat dan ilustrasi yang tepat untuk menjelaskan loyalitas pelanggan masa depan (Zins, 2001). Nguyen dan Leblanc (2001) menunjukkan bahwa citra perusahaan berhubungan positif dengan loyalitas pelanggan di tiga sektor (telekomunikasi, ritel dan pendidikan). Piotr (2004) membedakan pelanggan yang setia melalui 3 karakteristik sebagai berikut. (1) Mereka menghabiskan lebih banyak uang dalam membeli produk atau layanan perusahaan. (2) Mereka mendorong orang lain untuk membeli produk atau layanan perusahaan. (3) Mereka percaya bahwa membeli produk atau layanan perusahaan memiliki nilai tersendiri. Dengan kata lain pelanggan yang setia adalah pelanggan yang menunjukkan niat dan perilaku bersedia untuk melanjutkan hubungan dengan merek atau perusahaan tertentu. 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 keduanya (Lichtle, 2008). Dalam konteks tingkah laku psikologis, pelanggan dikatakan setia bila dia membeli suatu merek secara 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 probability. 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.


16

2.2

Hubungan antara Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan Banyak peneliti dan pakar ekonomi menemukan hubungan yang positif

antara loyalitas dan kepuasan pelanggan. Oliver (1997) mengemukakan bahwa kesetiaan konsumen dalam bentuk pembelian kembali produk dan layanan merupakan hasil dari adanya kepuasan pelanggan. Dalam penelitiannya MarieChristine Lichtlé dan Véronique Plichon (2008) 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. Pollack (2009) menggambarkan hubungan hirarkikal antara kualitas layanan, kepuasan pelanggan dan kesetiaan pelanggan seperti pada gambar di bawah ini:

Gambar 2.1 Hubungan antara Kualitas Layanan, Kepuasan Pelanggan dan Kesetiaan Pelanggan Sumber: Pollack (2009)


17

Dalam kebanyakan literatur yang ada, kualitas layanan secara keseluruhan biasanya tidak dipandang sebagai yang dibangun terpisah tetapi diperlakukan sebagai suatu agregat membangun dimana dimensi individu dijumlahkan untuk mendapatkan perkiraan kualitas pelayanan secara keseluruhan (Jamal & Anastasiadou, 2009). Akan tetapi mengingat fakta bahwa kualitas layanan secara keseluruhan melibatkan beberapa dimensi yang berbeda pendekatan agregat mungkin tidak selalu diinginkan terutama jika berhubungan dengan kepuasan pelanggan (Zhou, 2004) dan loyalitas (Bloemer et al, 1999) di mana analisis dimensi yang spesifik dapat memberikan nilai diagnostik yang lebih baik untuk peningkatan kualitas pelayanan. Hal ini juga sejalan dengan Brady dan Cronin (2001), yang berpendapat bahwa pelanggan membentuk persepsi mereka terhadap kinerja perusahaan dengan cara mengevaluasi setiap dimensi yang kemudian mengarah pada persepsi kualitas pelayanan secara keseluruhan. Josep Mikuć dan Darco Prebežac mendeskripsikan variabel-variabel kualitas dan hubungannya terhadap kesetiaan pelanggan pada industri penerbangan di penelitian yang mereka lakukan di Kroasia seperti pada gambar di bawah ini,


18

Gambar 2.2 Model Kualitas Layanan dan Harga terhadap Kesetiaan Pelanggan di Industri Penerbangan Sumber: Josep Mikuć dan Darco Prebežac, 2011

2.3

Structural Equation Modeling

2.3.1

Perkembangan Structural Equation Model (SEM) Teori dan model dalam ilmu sosial dan perilaku (social and behavioral

sciences) umumnya diformulasikan menggunakan konsep-konsep teoritis atau konstruk-konstruk (constructs) yang tidak dapat diukur atau diamati secara langsung. Meskipun demikian, masih dapat ditemukan beberapa indikator atau gejala yang dapat kita gunakan untuk mempelajari konsep-konsep teoritis tersebut. Jöreskog dan Sörborn (1989) mengatakan bahwa kondisi di atas menimbulkan dua permasalahan dasar yang berhubungan dengan usaha kita untuk membuat kesimpulan ilmiah (scientific inference) dalam ilmu sosial dan perilaku, sebagai berikut: •

Masalah Pengukuran. Permasalahan ini dapat kita ketahui dari adanya pertanyaan-pertanyaan, seperti: apa yang sebenarnya diukur oleh suatu


19

pengukuran, dengan cara apa dan seberapa baik seseorang dapat mengukur sesuatu yang perlu diukur, dan bagaimana validitas dan reliabilitas sebuah pengukuran. •

Masalah hubungan kausal antar variabel. Permasalahan ini dapat kita ketahui dari adanya pertanyaan-pertanyaan, seperti: bagaimana cara menyimpulkan hubungan kausal antar variabel-variabel yang kompleks dan tidak teramati secara langsung, melainkan melalui indikator-indikator, dan bagaimana cara menilai kekuatan hubungan antara variabel-variabel tersebut dengan indikator-indikatornya. Akhirnya, Karl 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 (CFA) dan LISREL. Lebih lanjut, model dari Jöreskog (1973) ini dikombinasikan dengan model dari Keesling (1973) dan Wiley (1973) menghasilkan suatu model persamaan struktural, yang mengandung dua bagian: •

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 variables), maka pada model ini variabel-variabelnya merupakan variabel laten (latent variables 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) yang disebutkan sebelumnya. Kedua bagian model ini merupakan jawaban terhadap dua permasalahan

dasar pembuatan kesimpulan ilmiah dalam ilmu sosial dan perilaku yang disebutkan pada awal pembahasan. Untuk permasalahan pertama yang berkaitan dengan masalah pengukuran dapat dijawab dengan model pengukuran, sedangkan


20

permasalahan kedua yang berkaitan dengan hubungan kausal dapat dijawab menggunakan model variabel laten. Model ini dapat dikatakan sebagai titik tolak perkembangan model persamaan struktural, karena setelah itu, banyak peneliti yang memberikan konstribusi terhadap perkembangan model ini. Perkembangan model persamaan struktural selanjutnya dapat kita lihat pada Bollen (1989) yang membahas model persamaan struktural dari perspektif umum, Goldberger (1972) dan Aigner et.al.(1984) dari perspektif ekonomi, Bielby dan Hauser (1977) dari perspektif sosiologi dan Bentler (1980, 1986) dari perspektif psikologi. Gujarati (1995) menunjukkan bahwa penggunaan variabel-variabel laten pada

regresi

berganda

menimbulkan

kesalahan-kesalahan

pengukuran

(measurement errors) yang berpengaruh pada estimasi parameter dari sudut biased-unbiased dan besar-kecilnya variance. Masalah kesalahan pengukuran ini diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran. Parameter-parameter 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 begitu, kedua model SEM tersebut memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran. Hair et.al. (2002) juga mendukung pendapat di atas dengan menunjukkan perbedaan antara teknik SEM dengan teknik regresi dan multivariat lainnya, melalui 2 karakteristik SEM seperti di bawah ini: 1. Estimasi terhadap multiple interrelated dependence relationships (susunan beberapa persamaan regresi berganda yang terpisahkan tetapi saling berkaitan). Susunan persamaan ini dispesifikasikan dalam bentuk model struktural dan diestimasi oleh SEM secara simultan. 2. Kemampuan

untuk

menunjukkan

konsep-konsep

tidak

teramati

(unobserved concepts) serta hubungan-hubungan yang ada di dalamnya, dan perhitungan terhadap kesalahan-kesalahan pengukuran dalam proses estimasi. SEM menyajikan konsep tidak teramati melalui penggunaanpenggunaan variabel-variabel laten. Sebuah variabel laten adalah sebuah konsep yang dihipotesiskan atau yang tidak teramati, dan hanya dapat


21

didekati melalui variabel-variabel teramati. Sementara itu, variabel teramati adalah variabel yang nilainya dapat diperoleh dari responden melalui berbagai metode pengumpulan data (survei, tes, observasi, dan lain-lain). Pendekatan variabel-variabel teramati terhadap suatu konsep jarang dilakukan dengan sempurna dan hampir selalu ada kesalahankesalahannya.

Kesalahan-kesalahan

tersebut

dapat

diestimasi

menggunakan fasilitas-fasilitas yang ada pada SEM. 2.3.2

Konsep Structural Equation Model Komponen-komponen model SEM terdiri dari: •

2 jenis Variabel yaitu Variabel Laten (Latent Variable) dan Variabel Teramati (Observerd/Measured/Manifest Variable).

•

2 jenis Model yaitu Model Struktural (Structural Model) dan Model Pengukuran (Measurement Model).

•

2 jenis Kesalahan yaitu Kesalahan Struktural (Structural Error) dan Kesalahan Pengukuran (Measurement Error).

Diagram Lintasan atau Path Diagram digunakan sebagai sarana komunikasi. Diagram lintasan dapat menggambarkan atau menspesifikasikan model SEM dengan lebih jelas dan mudah dibandingkan dengan menggunakan model matematik SEM. 2.3.3

Variabel-Variabel dalam SEM Dalam SEM terdapat dua variabel yaitu variabel laten dan variabel

teramati. Variabel laten (konstruk laten) yang sering disingkat LV merupakan konsep abstrak yang hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. Contohnya: perilaku orang, sikap, perasaan dan motivasi. SEM mempunyai 2 jenis variabel laten yaitu eksogen dan endogen. Variabel eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada dalam model. Notasi matematik dari variabel laten eksogen adalah huruf Yunani ξ (“ksi”). Sedangkan variabel endogen merupakan variabel terikat pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan


22

sisanya variabel tersebut adalah variabel bebas. Notasi matematik dari variabel laten endogen adalah huruf Yunani η (“eta”).

Gambar 2.3 Simbol Variabel Laten Sumber: Wijanto, 2008

Variabel teramati (observed variable) atau variabel terukur (measured variable, MV) adalah variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Pada metode survei dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner mewakili sebuah variabel teramati. Notasi matematik dari variabel teramati yang berkaitan atau merupakan efek dari variabel laten eksogen (ksi) diberi label X. Sedangkan yang berkaitan dengan variabel laten endogen (eta) diberi label Y. Simbol diagram lintasan dari variabel teramati adalah bujur sangkat/kotak/empat persegi panjang seperti pada gambar di bawah ini:

Gambar 2.4 Simbol Variabel Teramati Sumber: Wijanto, 2008

2.3.4

Model-Model dalam SEM Dalam SEM terdapat dua model yaitu model struktural dan model

pengukuran. Model struktural menggambarkan hubungan-hubungan yang ada di antara variabel-variabel laten (independen dan dependen). Hubungan-hubungan ini

umumnya

linier,

meskipun

perluasan

SEM

memungkinkan

untuk

mengikutsertakan hubungan non-linier. Hubungan diantara variabel-variabel laten


23

serupa dengan persamaan regresi linier yang membentuk sebuah persamaan simultan variabel-variabel laten. Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten eksogen diberi label dengan huruf Yunani γ (“gamma”), sedangkan untuk regresi variabel laten endogen dengan variabel laten endogen yang lain diberi label huruf Yunani β (“beta”). Dalam SEM variabel-variabel laten eksogen boleh ber-“covary” secara bebas dan matrik kovarian variabel ini diberi tanda huruf Yunani Φ (“phi”).

Gambar 2.5 Contoh Model Struktural Sumber: Wijanto, 2008

Contoh model struktural yang menunjukkan Reciprocal Causation digambarkan dalam diagram lintasan pada Gambar 2.6.

Gambar 2.6 Reciprocal causation Sumber: Wijanto, 2008

Kovarian di antara 2 variabel laten eksogen ditunjukkan dalam bentuk Unanalyzed Association berupa panah melengkung 2 arah seperti Gambar 2.7.


24

Gambar 2.7 Unanalyzed association Sumber: Wijanto, 2008

Model pengukuran menghubungkan variabel laten dengan variabelvariabel teramati dalam bentuk 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 terikat. Muatan-muatan atau factor loadings yang menghubungkan variabel-variabel laten dengan variabel-variabel teramati diberi label dengan huruf Yunani λ (“lambda”). SEM mempunyai dua matrik lambda yang berbeda, yaitu pada sisi X adalah λx (lambda X) sedangkan pada sisi Y adalah λy (lambda Y). Model pengukuran yang paling umum dalam aplikasi SEM ialah model pengukuran kon-generik (congeneric measurement model), dimana setiap ukuran atau variabel teramati hanya berhubungan dengan satu variabel laten, dan semua kovariasi di antara variabel-variabel teramati adalah sebagai akibat dari hubungan antara variabel teramati dan variabel laten. Dengan memperhatikan arah panah yang keluar dari variabel laten menuju ke variabel-variabel teramati pada Gambar 2.8, maka dapat diartikan bahwa variabel-variabel teramati merupakan efek atau refleksi dari variabel latennya.

Gambar 2.8 Model pengukuran Sumber: Wijanto, 2008


25

2.3.5

Kesalahan-Kesalahan dalam SEM Pada umumnya pengguna SEM tidak berharap bahwa variabel bebas dapat

memprediksi secara sempurna variabel terikat, sehingga dalam suatu model biasanya ditambahkan komponen kesalahan struktural, yang diberi lambang Yunani ζ (“zeta”). Untuk memperoleh estimasi parameter yang konsisten, kesalahan struktural ini diasumsikan tidak berkorelasi dengan variabel-variabel eksogen dari model. Namun, kesalahan struktural dapat dimodelkan berkorelasi dengan kesalahan struktural yang lain.

Gambar 2.9 Kesalahan sruktural Sumber: Wijanto, 2008

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, yang diberi label dengan huruf Yunani δ (“delta”) untuk kesalahan pengukuran yang berkaitan dengan variabel teramati X, sedangkan yang berkaitan dengan variabel Y diberi label dengan huruf Yunani ε (“epsilon”). Kesalahan pengukuran δ boleh berkovari satu sama lain, meskipun secara default1 tidak berkovari satu sama lain. Matrik kovarian dari δ diberi tanda dengan huruf Yunani Θδ (“theta delta”) dan secara default adalah matrik diagonal, sedangkan matrik kovarian dari ε diberi tanda dengan huruf Yunani Θε (“theta epsilon”). 1

Default: kondisi atau nilai yang secara otomatis ditetapkan oleh sistem


26

Ketika sebuah variabel laten hanya direfleksikan/diukur oleh sebuah variabel teramati tunggal, maka estimasi nilai kesalahan pengukuran terkait sukar/tidak mungkin dilakukan. Dalam kasus ini, kesalahan pengukuran harus dispesifikasikan terlebih dahulu sebelum melakukan estimasi parameter atau kesalahan pengukuran dapat dianggap sebagai tidak ada atau nol.

Gambar 2.10 Diagram lintasan kesalahan pengukuran Sumber: Wijanto, 2008

Gambar 2.11 Diagram lintasan kesalahan pengukuran untuk contoh kasus variabel laten diukur oleh satu variabel teramati Sumber: Wijanto, 2008

2.3.6

Bentuk Umum Structural Equation Model (Full atau Hybrid Model) Full atau Hybrid Model merupakan model lengkap dari SEM. Contoh

sebuah full atau hybrid model ditunjukkan melalui diagram lintasan sebuah model di bawah ini:


27

Gambar 2.12 Diagram Lintasan Full Atau Hybrid Model Sumber: Wijanto, 2008

2.3.7

Confirmatory Factor Analysis (CFA) Model pengukuran yang menunjukkan sebuah variabel laten diukur oleh

satu atau lebih variabel-variabel teramati disebut sebagai CFA Model (Confirmatory Factor Analysis Model). Analisis faktor (factor analysis) dalam CFA

sedikit

berbeda

dengan

analisis

faktor

yang

digunakan

pada

statistik/multivariat (yang dikenal sebagai Exploratory Factor Analysis Model atau EFA Model). Berikut ini merupakan perbedaan antara CFA Model dan EFA Model: Tabel 2.1 Perbedaan CFA Model dan EFA Model CFA Model

EFA Model Model

rinci

Variabel-variabel teramati adalah indikator- hubungan indikator tidak sempurna dari variabel laten dengan (konstruk) tertentu yang mendasarinya

yang

menunjukkan

antara

variabel

laten

variabel

teramati

tidak

dispesifikasikan terlebih dahulu


28

Tabel 2.2 Perbedaan CFA Model dan EFA Model (lanjutan) Model dibentuk lebih dahulu, jumlah variabel Variabel laten ditentukan oleh Analisis

laten

tidak

ditentukan

sebelum analisis dilakukan

Pengaruh suatu variabel laten terhadap variabel Semua variabel laten diasumsikan teramati ditentukan lebih dahulu, ditetapkan mempengaruhi sama dengan nol atau suatu konstanta Kesalahan

pengukuran

kovarian

variabel-variabel

diestimasi,

dan

boleh

variabel

teramati

berkorelasi, laten

identifikasi

diperlukan

semua

dapat

parameter Kesalahan

pengukuran

tidak

berkorelasi Sumber: Wijanto, 2008

2.3.8

Prosedur SEM

2.3.8.1 Orientasi dalam SEM Penerapan statistik pada penelitian umumnya didasarkan atas pemodelan pengamatan atau observasi secara individual. Misalnya dalam regresi berganda atau ANOVA (analysis of variance), estimasi koefisien regresi atau varian kesalahan diperoleh dengan meminimisasikan jumlah kuadrat perbedaan antara variabel terikat diprediksi dengan variabel terikat diamati/diukur untuk setiap kasus atau observasi. Sedangkan didalam prosedur SEM lebih menekankan penggunaan kovarian dibandingkan dengan kasus-kasus secara individual. Jika dalam analisis statistik biasa, fungsi yang diminimumkan adalah perbedaan antara kovarian sampel dengan kovarian yang diprediksi oleh model. Dengan demikian yang dimaksud residual dalam SEM adalah perbedaan antara kovarian yang diprediksi/dicocokkan (predicted/fitted) dengan kovarian yang diamati (oleh karena itu SEM sering juga disebut sebagai Analysis of Covariance Structure). 2.3.8.2 Hipotesis Fundamental Hipotesis fundamental dalam prosedur SEM adalah bahwa matrik kovarian data dari populasi Σ (matrik kovarian variabel teramati) adalah sama dengan matrik kovarian yang diturunkan dari model Σ(θ) (model implied


29

covariance matrix). Jika model yang kita spesifikasikan benar dan jika parameterparameter (θ) dapat diestimasi nilainya, maka matrik kovarian populasi (Σ) dapat dihasilkan kembali dengan tepat. Hipotesis fundamental tersebut dapat diformulasikan sebagai berikut:

H0 : Σ = Σ (θ) ............................................. (2.2) Keterangan:

Σ = matrik kovarian populasi dari variabel-variabel teramati Σ (θ) = matrik kovarian dari model dispesifikasikan θ = vektor yang berisi parameter-parameter model.

Karena kita menginginkan agar residual = 0 atau Σ = Σ (θ), maka kita berusaha agar H0 diterima, sehingga dapat dikatakan bahwa data mendukung model yang kita spesifikasikan.

2.3.8.3 Tahapan dalam Prosedur SEM Berikut ini langkah-langkah dalam menyusun model berdasarkan Structural Equation Modeling (SEM):


30

Gambar 2.13 Langkah-langkah menyusun model SEM Langkah 1: Spesifikasi Model Langkah pertama dalam SEM dimulai dengan menspesifikasikan model penelitian

yang

akan

diestimasi.

Spesifikasi

model

penelitian,

yang

merepresentasikan permasalahan yang diteliti, adalah penting dalam SEM. Hoyle (1998) mengatakan bahwa analisis tidak akan dimulai sampai sebuah model dispesifikasikan yang menunjukkan hubungan di antara variabel-varibel yang akan dianalisis. Berikut ini merupakan tahapan-tahapan dalam langkah spesifikasi model:


31

1. Spesifikasi model pengukuran •

Definisikan variabel-variabel laten yang ada di dalam penelitian

•

Definisikan variabel-variabel teramati

•

Definisikan hubungan antara setiap variabel laten dengan variabelvariabel teramati yang terkait

2. Spesifikasi model struktural •

Definisikan hubungan kausal di antara variabel-variabel laten tersebut

3. Gambar Path Diagram dari model hybrid yang merupakan kombinasi model pengukuran dan struktural (jika diperlukan/optional).

Langkah 2: Identifikasi Langkah selanjutnya adalah memeriksa identifikasi dari persamaan simultan. Kline (2000) dan Chou and Bentler (1995) memberikan contoh sederhana untuk memahami identifikasi dalam SEM dengan menggunakan susunan persamaan yang pernah kita peroleh di SLTP. Secara garis besar ada 3 kategori identifikasi dalam persamaan simultan yaitu: 1. Under-Identified model adalah model dengan jumlah parameter yang diestimasi lebih besar daripada jumlah data yang diketahui (data tersebut merupakan variance dan covariance dari variabel-variabel teramati). Under-identified model pada SEM mempunyai degree of freedom = jumlah data yang diketahui – jumlah parameter yang diestimasi < 0, atau negatif. Pada contoh persamaan X + Y = 10, mewakili 1 buah data yang diketahui dan 2 parameter (X dan Y) yang akan diestimasi. Maka banyaknya degree of freedom = 1 – 2 = -1. 2. Just-Identified model adalah model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui. Just-identified model pada SEM mempunyai degree of freedom = jumlah data yang diketahui – jumlah parameter yang diestimasi = 0. Pada contoh terdapat dua persamaan X + Y = 10 dan X + 2Y = 16, merupakan 2 buah data yang diketahui, dan 2 parameter yang


32

diestimasi adalah X dan Y. Maka banyaknya degree of freedom = 2 – 2 = 0. 3. Over-Identified model adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Over-identified model pada SEM mempunyai degree of freedom = jumlah data yang diketahui – jumlah parameter yang diestimasi > 0, atau positif. Pada contoh ketiga, terdapat tiga persamaan X + Y = 10, X + 2Y = 16, dan 3X + 2Y = 22, yang merupakan 3 buah data yang diketahui dan dua parameter yang diestimasi adalah X dan Y. Maka banyaknya degree of freedom = 3 – 2 = +1. Di dalam SEM, diusahakan untuk memperoleh model yang over-identified dan menghindari moder yang under-identified. Jika sebuah variabel laten hanya mempunyai satu variabel teramati tunggal, hal ini menunjukkan bahwa variabel teramati tersebut 100% merefleksikan variabel laten, sehingga lazimnya kita menetapkan nilai λ = 1, dan nilai error variancenya (σ2δ atau σ2ε) sama dengan 0. Sedangkan jika kita menganggap bahwa variabel teramati tidak 100% merefleksikan variabel laten, tetapi hanya 90% (R2 = 0.90), maka kita hanya perlu menetapkan nilai error variancenya (σ2δ atau σ2ε) sebesar: {(1-0.90) x nilai variance dari variabel teramati yang bersangkutan}, dengan nilai λ akan bebas untuk diestimasi (Jöreskog dan Sörbom, 1995). Solusi di atas memang tidak secara tepat merepresentasikan model yang dispesifikasikan di atas, tapi paling tidak cukup mewakili. Proses identifikasi sederhana di atas dikenal sebagai “t-rule’ (Bollen, 1989). Langkah 3: Estimasi Langkah estimasi bertujuan untuk memperoleh nilai dari parameterparameter yang ada di dalam model. Nilai parameter-parameter tersebut adalah β, Г, Φ, Ψ, Λx, Θδ, ΛY, dan Θε, sedemikian sehingga matrik kovarian yang diturunkan dari model (model implied covariance matrix) Σ (θ) sedekat mungkin atau sama dengan matrik kovarian populasi dari variabel-variabel teramati Σ. Dikarenakan pada umumnya kita tidak mempunyai data seluruh populasi dan


33

yang kita punyai adalah data dari sampel suatu populasi, maka kita menggunakan S yang merupakan matrik kovarian sampel dari variabel-variabel teramati. Untuk mengetahui kapan estimasi kita sudah cukup dekat, kita memerlukan fungsi yang diminimisasikan. Fungsi yang diminimisasikan 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 θ disubstitusikan ke Σ(θ) maka diperoleh matrik Σ dan fungsi hasil minimisasi untuk θ adalah F(S, Σ) Ada beberapa jenis fungsi yang diminimisasikan 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). Estimator yang paling banyak digunakan dalam SEM adalah Maximum Likelihood Estimator (MLE). ML estimator (MLE) mempunyai beberapa karakteristik yang penting dan karakteristik ini adalah asimptotik sehingga berlaku untuk sampel yang besar (Bollen, 1989): 1. Meskipun estimator tersebut mungkin bias untuk sampel kecil, MLE secara asimptotik tidak bias. 2. MLE adalah konsisten. 3. MLE adalah asymptotically efficient, sedemikian sehingga diantara estimator yang konsisten, tidak ada yang mempunyai asymptotic variance lebih kecil. Distribusi dari estimator mendekati distribusi normal ketika ukuran sampel meningkat. Meskipun MLE populer penggunaannya dalam SEM, tetapi ada kekurangannya yang perlu kita perhatikan, yaitu ketika non-normality atau excessive kurtosis mengancam validasi dari uji signifikansi MLE. Bollen (1989) menyarankan beberapa alternatif untuk mengatasi hal ini yaitu: 1. Mentransformasikan variabel sedemikian rupa sehingga mempunyai multinormalitas yang lebih baik dan menghilangkan kurtosis yang berlebihan.


34

2. Menyediakan penyesuaian pada uji statistik dan kesalahan standar biasa sedemkian sehingga hasil modifikasi uji signifikan dari FML adalah secara asimptotis benar (asymptotically correct). 3. Menggunakan bootstrap resampling procedures. 4. Menggunakan estimator alternatif yang menerima ketidaknormalan (non-normality) dan estimator tersebut asymptotically efficient. Weighted Least Square (WLS) estimator adalah salah satu di antara metode tersebut. WLS dan ML berbeda dalam bentuk distribusi yang mendasarinya. Berikut ini perbedaan antara ML dan WLS. Tabel 2.3 Perbedaan ML dan WLS ML (Maximum Likelihood) Didasarkan

pada

multi

distribution

WLS (Weighted Least Square) normal Didasarkan pada asymptotic distribution free

Ukuran sampel yang diperlukan adalah Ukuran sampel yang diperlukan adalah minimal 5 responden untuk setiap minimal 10 responden untuk setiap variabel teramati yang ada di dalam variabel teramati yang ada di dalam model

model Rasio

5

teramati

responden

akan

distribusi normal

per

mencukupi

variabel Rasio

10

untuk teramati

responden

akan

per

mencukupi

variabel

untuk

distribusi yang lain Sumber: Wijanto, 2008

Sebelum kita melanjutkan ke tahap berikutnya, yaitu uji kecocokan, sebaiknya kita memeriksa hasil estimasi terhadap kemungkinan adanya offending estimates (nilai-nilai estimasi yang melebihi batas yang dapat diterima). Beberapa offending estimates yang sering ditemui adalah (Hair et.al., 1998): 1. Negative error variances (juga dikenal sebagai Heywood cases) atau nonsignificant error variances untuk konstruk-konstruk yang ada. Jika terjadi, maka salah satu cara untuk memperbaikinya adalah dengan menetapkan error variances tersebut ke nilai positif yang sangat kecil


35

misalnya 0.005 atau 0.01. Dalam banyak hal, keadaan di atas sebagai akibat dari model yang dibentuk tanpa justifikasi teori yang mencukupi atau modifikasi dilakukan hanya berdasarkan pertimbangan empiris (Hair et.al., 1998). 2. Standardized coefficient melebihi atau sangat dekat dengan 1. 3. Standard errors yang berhubungan dengan koefisien-koefisien yang diestimasi mempunya nilai sangat besar.

Langkah 4: Uji Kecocokan Pada tahap ini, hal yang akan dilakukan adalah memeriksa tingkat kecocokan antara data dengan model, validitas dan reliabilitas model pengukuran, dan signifikansi koefisien-koefisien dari model struktural. Menurut Hair et.al. (1998) evaluasi terhadap tingkat kecocokan data dengan model dilakukan melalui beberapa tahapan, yaitu: •

Kecocokan keseluruhan model (overall model fit)

•

Kecocokan model pengukuran (measurement model fit)

•

Kecocokan model struktural (structural model fit)

1. Kecocokan keseluruhan model (overall model fit) Tahap pertama ini ditujukan untuk mengevaluasi secara umum derajat kecocokan (Goodness of Fit) atau Goodness of Fit Indices (GOFI) antara data dengan model yang dapat digunakan secara bersama-sama atau kombinasi. Hair et.al (1998) mengelompokkan GOFI menjadi 3 bagian yaitu absolut fit measures (ukuran kecocokan absolut), incremental fit measures (ukuran kecocokan inkremental), dan parsimonius fit measures (ukuran kecocokan parsimoni). Pengelompokan GOFI dan anggotaanggota kelompoknya dapat dilihat pada tabel di bawah ini.


36

Tabel 2.4 Perbandingan Ukuran-Ukuran GOF UKURAN GOF

DESKRIPSI

TINGKAT

KECOCOKAN

YANG BISA DITERIMA ABSOLUT-FIT MEASURES (UJI KECOCOKAN ABSOLUT) Statistic

Chi-square Untuk

(X2)

dekat

menguji kecocokan

uji

seberapa Mengikuti antara berkaitan

statistik

dengan

yang

persyaratan

matrik kovarian sampel S signifikan. Semakin kecil semakin dengan

matrik

X2

kovarian baik.

model Σ(θ)

lebih

rendah

menghasilkan significance level p > 0.05) sehingga H0 diterima.

Non-Centrality

Ukuran perbedaan antara Σ Dinyatakan

Parameter (NCP)

dengan Σ(θ)

dalam

bentuk

spesifikasi ulang dari Chi-square. Penilaian

didasarkan

atas

perbndingan dengan model lain. Semakin kecil semakin baik. Scaled NCP (SNCP)

Merupakan pengembangan NCP dari

NCP

memperhitungkan

yang

dinyatakan

dalam

dengan bentuk rata-rata perbedaan setiap ukuran observasi

sampel

dalam

perbandingan

antar

rangka model.

Semakin kecil semakin baik. Goodness-of-Fit Index Ukuran kecocokan absolut

Nilai berkisar antara 0(poor fit)-

(GFI)

1(perfect fit), dengan nilai lebih tinggi adalah lebih baik. GFI≥ 0.90 adalah good-fit, sedang 0.80 ≤ GfI < 0.90 adalah marginal fit.


37

Tabel 2.5 Perbandingan Ukuran-Ukuran GOF (lanjutan) Root

Mean

Square Mewakili

Residual (RMR)

nilai

rata-rata Residual rata-rata antara matrik

residual yang diperoleh dari (korelasi atau kovarian) teramati mencocokkan

matrik dan hasil estimasi. Standardized

varian-kovarian dari model RMR≤ 0.05 adalah good fit. yang dihipotesiskan dengan matrik varian-kovarian dari data sampel Root Mean Square

Salah satu indeks informatif Rata-rata perbedaan per degree of

Error of

dalam SEM

freedom yang diharapkan terjadi

Approximation

dalam populasi dan bukan dalam

(RMSEA)

sampel. RMSEA ≤ 0.08 adalah good fit, sedang RMSEA < 0.05 adalah close fit.

Tucker_Lewis

Index Evaluasi SEM

Nilai berkisar antara 0-1, dengan

atau Non-Normed Fit

nilai lebih tinggi adalah lebih baik.

Index

TLI≥ 0.90 adalah good-fit, sedang

(TLI

atau

NNFI)

0.80≤ TLI< 0.90 adalah marginal fit.

Normed

Fit

Index Ukuran GOF


(NFI)

nilai lebih tinggi adalah lebih baik. NFI≥ 0.90 adalah good-fit, sedang 0.80≤ NFI< 0.90 adalah marginal fit.

Adjusted Goodness of Perluasan dari GFI yang Nilai berkisar antara 0-1, dengan Fit Index (AGFI)

disesuaikan dengan rasio nilai lebih tinggi adalah lebih baik. dof dari null model dengan AGFI≥ dof

dari

model

dihipotesiskan

0.90

adalah

good-fit,

yang sedang 0.80≤ AGFI< 0.90 adalah marginal fit.


38

Tabel 2.6 Perbandingan Ukuran-Ukuran GOF (lanjutan) Relative

Fit

Index


(RFI)

nilai lebih tinggi adalah lebih baik. RFI≥ 0.90 adalah good-fit, sedang 0.80≤ RFI< 0.90 adalah marginal fit.

Incremental Fit Index


(IFI)

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

Parsimonious Goodness

Berdasarkan parsimoni dari Spesifikasi ulang dari GFI, dimana of

Fit model yang diestimasi

(PGFI)

nilai lebih tinggi menunjukkan parsimoni Ukuran

yang ini

lebih

besar.

digunakan

untuk

perbandingan di antara modelmodel. Normed Chi-Square

X2

disesuaikan Rasio antara Chi-square dibagi

menggunakan

dof

untuk degree of freedom. Nilai yang

menilai kecocokan model disarankan: batas bawah: 1.0, dari berbagai model

batas atas: 2.0 atau 3.0 dan yang lebih longgar 5.0.

Parsimonious Normed Modifikasi dari NFI dengan Nilai Fit Index (PNFI)

tinggi

menunjukkan

memperhitungkan

kecocokan

lebih

baik;

banyaknya dof

digunakan

untuk

perbandingan

hanya

antar model alternatif.


39

Tabel 2.7 Perbandingan Ukuran-Ukuran GOF (lanjutan) Akaike

Information Membandingkan

Criterion (AIC)

model

beberapa Nilai

dengan

positif

jumlah menunjukkan

konstruk yang berbeda

baik;

lebih parsimoni

digunakan

kecil lebih untuk

perbandingan antar model. Para model tunggal, nilai AIC dari model

yang

mendekati

nilai

saturated AIC menunjukkan good fit. Consistent

Membandingkan beberapa model Nilai

Akaike

dengan

Information

berbeda dengan memperhitungkan baik;

Criterion

ukuran sampel

jumlah

konstruk

positif

yang menunjukkan

lebih parsimoni

digunakan

kecil lebih untuk

perbandingan antar model. Para

(CAIC)

model tunggal, nilai CAIC dari model

yang

saturated

mendekati

CAIC

nilai

menunjukkan

good fit. Critical (CN)

"N" Mengestimasi ukuran sampel yang CN ≥ 200 menunjukkan ukuran mencukupi untuk menghasilkan sampel

mencukupi

untuk

kecocokan model bagi sebuah uji digunakan mengestimasi model. X2

Kecocokan yang memuaskan atau baik. Sumber: Wijanto, 2008

2. Kecocokan model pengukuran (measurement model fit) Evaluasi ini akan dilakukan terhadap setiap konstruk atau model pengukuran (hubungan setiap variabel laten dengan beberapa variabel teramati/indikator) secara terpisah meliputi: • Evaluasi terhadap validitas (validity) Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur.


40

Menurut Rigdon dan Ferguson (1991), dan Doll, Xia, Torkzadeh (1994), suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika:

Nilai t muatan faktornya (loading factors) > 1.96 atau untuk praktisnya > 2, dan

Muatan faktor standarnya (standardized loading factors) > 0.70

• Evaluasi terhadap reliabilitas (reliability) Merupakan konsistensi suatu pengukuran. Hait et.al. (1998), menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika:

Nilai Construct Reliability (CR)-nya > 0.70, dan

Nilai Variance Extracted (VE)-nya > 0.5

3. Kecocokan model struktural (structural model fit) Evaluasi ini mencakup pemeriksaan terhadap signifikansi koefisienkoefisien

yang diestimasi.

Sebagai

ukuran

menyeluruh

terhadap

2

persamaan struktural, overall coefficient of determination (R ) dihitung seperti pada regresi berganda.

Langkah 5: Respesifikasi dan Strategi Pemodelan Tahap ini berkaitan dengan respesifikasi model berdasarkan atas hasil uji kecocokan tahap sebelumnya. Ada 3 strategi pemodelan yang dapat dipilih dalam SEM, yaitu: •

Strategi pemodelan konfirmatori atau confirmatory modeling strategy (Hair et.al., 1998) atau strictly confirmatory/SC (Jöreskog dan Sörbom, 1996).

Pada

dispesifikasikan

strategi satu

pemodelan model

ini

tunggal,

diformulasikan kemudian

atau

dilakukan

pengumpulan data empiris untuk diuji signifikansinya. Pengujian ini akan menghasilkan suatu penerimaan atau penolakan terhadap model tersebut. Strategi ini tidak memerlukan respesifikasi. •

Strategi kompetisi model atau competing models strategy (Hair et.al., 1998) atau alternative/competing models/AM (Jöreskog dan Sörbom, 1996). Pada strategi pemodelan ini beberapa model alternatif


41

dispesifikasikan dan berdasarkan analisis terhadap satu kelompok data empiris dipilih salah satu model yang paling sesuai. Pada strategi ini respesifikasi

hanya

diperlukan

jika

model-model

alternatif

dikembangkan dari beberapa model yang ada. •

Strategi pengembangan model atau model development strategy (Hair et.al., 1998) atau model generating/MG (Jöreskog dan Sörbom, 1996). Pada strategi pemodelan ini suatu model awal dispesifikasikan dan data empiris dikumpulkan. Jika model awal tersebut tidak cocok dengan data empiris yang ada, maka model dimodifikasi dan diuji kembali dengan data yang sama. Beberapa model dapat diuji dalam proses ini dengan tujuan untuk mencari satu model yang selain cocok dengan data secara baik, tetapi juga mempunyai sifat bahwa setiap parameternya dapat diartikan dengan baik. Respesifikasi terhadap model dapat dilakukan berdasarkan theory-driven atau data-driven, meskipun demikian respesifikasi berdasarkan theory-driven lebih dianjurkan (Hair et.al., 1998).

2.3.9

Model Pengukuran

2.3.9.1 Confirmatory Factor Analysis (CFA) Model pengukuran memodelkan hubungan antara variabel laten dengan variabel-variabel teramati (observed/measured variables). Hubungan tersebut bersifat reflektif (variabel-variabel teramati merupakan refleksi dari variabel laten terkait). Lazimnya dalam SEM hubungan ini bersifat con-generic, yaitu satu variabel teramati hanya mengukur atau merefleksikan sebuah variabel laten. Confirmatory Factor Analysis merupakan model pengukuran yang berusaha untuk mengkonfirmasi apakah variabel-variabel teramati tersebut memang merupakan ukuran/refleksi dari sebuah variabel laten. Hasil akhir CFA diperoleh melalui uji kecocokan keseluruhan model, analisis validitas model dan analisis reliabilitas model. CFA dilakukan melalui tahap-tahap sebagai berikut:


42

a. Spesifikasi model Langkah ini terdiri dari: o Spesifikasi model penelitian. o Menyusun instrumen/kuesioner berdasarkan variabel-variabel teramati. b. Pengumpulan data Langkah ini terdiri dari: o Mengumpulkan data melalui survei (data primer) atau dari database yang tersedia (data sekunder). c. Pembuatan program SIMPLIS dan menjalankannya Langkah ini terdiri dari: o Membuat program SIMPLIS-nya o Menjalankannya dengan menggunakan program LISREL 8.8 d. Analisis keluaran program SIMPLIS Langkah ini terdiri dari: o Memeriksa adanya offending estimate: - Negative error variance dan standardized loading factor > 1.0. - Nilai standard error yang sangat besar. Jika ada, maka harus melakukan respesifikasi model. o Analisis validitas model pengukuran, dengan memeriksa: - t-value dari standardized loading factor (λ) dari variabel-variabel teramati dalam model ada yang < 1.96. Jika ada harus melakukan respesifikasi model. - Standardized loading factor (λ) dari variabel-variabel teramati dalam model ≤ 0.70. Atau standardized loading factor (λ) dari variabelvariabel teramati dalam model ≤ 0.50. Jika ada harus melakukan respesifikasi model. - Uji kecocokan model pengukuran dilakukan dengan memeriksa nilai dari Chi-square dan p-value, RMSEA, Standardized RMR, GFI, AGFI, NFI, NNFI, CFI, dan lain-lain yang tercetak sebagai Goodness of Fit Statistics. - Analisis reliabilitas model pengukuran dengan menghitung nilai construct reliability (CR) dan variance extracted (VE) dari nilai-nilai


43

standardized loading factors dan error variances melalui rumusrumus sebagai berikut: (.)

(): (.)

!"

.

# $ % (#): .

!"

..................... (2.3)

………………….(2.4)

atau # $ % (#):

. &

................................. (2.4)

Reliabilitas model yang baik adalah jika: CR > 0.70 VR > 0.50

e. Respefikasi model penelitian dan perubahan program SIMPLIS Respesifikasi terhadap model penelitian dilakukan ketika ada offending estimates, validitas model belum baik, kecocokan keseluruhan model yang belum cukup baik dan reliabilitas model yang belum baik. Proses perubahan respesifikasi model dapat dilakukan dengan melakukan perubahan pada program SIMPLIS sesuai dengan kebutuhan respesifikasi. Perubahan yang perlu dilakukan dalam melakukan respesifikasi adalah: 1. Standardized loading factor variabel teramati > 1, lazimnya disebabkan oleh negative error variance dari variabel teramati terkait. Perubahan program dilakukan dengan menambahkan statemen:

Set Error Variance of (Nama Variabel) to 0.01 Sedangkan untuk standard error yang sangat besar biasanya disebabkan oleh misspecification sehingga perlu diakukan pemeriksaan model secara menyeluruh termasuk data dari variabel-variabel teramati. Kemudian proses diulang dari analisis keluaran program SIMPLIS. 2. Variabel-variabel teramati yang mempunyai t-value dari standardized loading factor < 1.96, dan < 0.50, atau < 0.70 dikeluarkan (tidak diikutkan) dari model. Perubahan pada program SIMPLIS dilakukan


44

dengan menghapus variabel-variabel teramati yang bersangkutan dari program. 3. Untuk meningkatkan kecocokan keseluruhan model, kita dapat memanfaatkan saran yang ada pada modification index, yang diolah oleh LISREL berdasarkan data dan model penelitian. Saran ini biasanya terdiri dari 2 bagian, yaitu: a. Menambahkan path (lintasan) di antara variabel teramati dengan variabel laten lainnya. b. Menambahkan error variance di antara 2 buah error variances, dengan cara menambahkan statemen pada program SIMPLIS sebagai berikut (asumsikan antara error dari Var1 dengan Var2): Let Error Covariance between Var1 and Var2 Free Atau Let Error Covariance of Var1 dan Var2 Jika kedua saran tersebut dilakukan, maka akan menurunkan nilai chisquare, yang berarti peningkatan kecocokan keseluruhan model. Ketika nilai standardized loading factor dibawah 0.70 (untuk CR) dan dibawah 0.50 (untuk VE), perlu dilakukan pemeriksaan model dengan melakukan penyesuaian seperti pada butir 1, 2, dan 3, sehingga diperoleh reliabilitas model yang baik. 2.3.10 Model Struktural 2.3.10.1

Model Struktural Rekursif

Model struktural rekursif adalah model struktural dimana tidak ada feedback loop diantara variabel-variabel latennya. Sebagai contoh, pada model Task Technology Fit pada gambar di bawah ini, bagian model strukturnya merupakan model struktural rekursif.2

2

Ibid., hal. 203


45

Gambar 2.14 Contoh model struktural rekursif Sumber: Wijanto, 2008

Analisis terhadap model struktural mencakup: a. Uji kecocokan keseluruhan model b. Analisis hubungan kausal, dengan melihat nilai-t dan koefisien persamaan struktural dan koefisien determinasi (R2).

2.3.10.2

Model Struktural Non Rekursif

Model struktural non rekursif atau resiprokal adalah model struktural yang mengandung feedback loop di antara variabel-variabel latennya. Contoh model struktural non rekursif sebagai berikut:

ACHMOT1 Achmot

Perform

PERFORMM

ACHMOT2

JBSATIS1 VERBINTM

Verbint

Jobsatis JBSATIS2

Gambar 2.15 Contoh model struktural resiprokal Sumber: Wijanto, 2008


46

Analisis terhadap model struktural mencakup: a. Uji kecocokan keseluruhan model b. Analisis hubungan kausal, dengan melihat nilai-t dan koefisien persamaan struktural dan koefisien determinasi (R2).


BAB 3 PENGUMPULAN DAN PENGOLAHAN DATA 3 3.1

BAB 3

Penyusunan Kuesioner Untuk mendapatkan data langsung berupa data primer, maka bentuk

kuesioner merupakan tools yang paling cocok dalam penelitian ini. Selain itu wawancara juga dilakukan untuk mendapatkan informasi lainnya. Penyusunan kuesioner merupakan tahap pertama yang dilakukan sebelum proses pengambilan data. Pada beberapa jurnal internasional, salah satu contohnya jurnal berjudul “A structural equation modeling of the Internet acceptance in Korea” karangan Byung Gon Kim, data yang penting untuk dikumpulkan adalah data responden dan pertanyaan-pertanyaan yang berhubungan dengan tujuan penelitian. Dengan demikian atribut-atribut yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Data responden Data responden terdiri dari jenis kelamin, pendidikan terakhir, usia, tempat tinggal, pekerjaan, penghasilan per bulan, dan frekuensi berpergian dengan menggunakan pesawat untuk penerbangan domestik. 2. Pertanyaan-pertanyaan yang berhubungan dengan kualitas pelayanan dan harga serta kesetiaan pelanggan. Pertanyaan-pertanyaan ini berhubungan dengan faktor-faktor yang berkaitan dengan kualitas pelayanan, harga dan kesetiaan pelanggan. Pembentukan faktor-faktor tersebut akan dibahas lebih detail pada bagian 3.1.1. 3.1.1

Penentuan Faktor-Faktor dalam Faktor-faktor yang mempengaruhi kesetiaan pelanggan pada industri

penerbangan dibentuk dengan berpedoman pada beberapa literatur. Faktor-faktor dalam Structural Equation Modeling (SEM) terdiri atas variabel laten dan variabel teramati, sehingga penentuan variabel-variabel laten dan variabel-variabel teramati juga berpedoman pada beberapa jurnal internasional maupun dan literatur lainnya. Berikut ini merupakan tinjauan jurnal-jurnal internasional yang

47



48

digunakan sebagai dasar dalam menentukan variabel-variabel laten dan variabelvariabel teramati dalam penelitian ini:

Tabel 3.1 Faktor-faktor yang dalam mempengaruhi kesetiaan pelanggan pada industri penerbangan No

Variabel Laten

Variabel Teramati FO1 : Pilihan tujuan yang menarik

1

Offers of flight and destination

FO2 : Frekuensi penerbangan FO3 : Jadwal keberangkatan dan kedatangan TE1 : Kemudahan dalam pemesanan langsung TE2 : Profesionalisme staf

2

Ticket Purchase Experience

TE3 : Fleksibilitas cara pemesanan TE4 : Kemudahan dalam pemesanan online TE5 : Kemudahan dalam pembayaran AE1 : Kemudahan dalam check-in AE2:

3

Airport Experience

Kemudahan

dalam

memperoleh

informasi AE3: Ruang tunggu bandara AE4 : Kemudahan dalam mengurus bagasi FE1 : Penawaran makanan dan minuman dalam penerbangan FE2 : Profesionalisme awak pesawat FE3 :Desain kabin FE4 : Tempat duduk yang nyaman

4

Flight Experience

FE5 : Air conditioner yang bekerja dengan baik FE6

:

Fasilitas

sanitasi

yang

terjaga

kebersihannya FE7 : Keseluruhan layanan dalam penerbangan


49

Tabel 3.2 Faktor-faktor yang dalam mempengaruhi kesetiaan pelanggan pada industri penerbangan (lanjutan) SR1 : Keamanan dalam penerbangan SR2 : Asuransi penerbangan SR3 : Prosedur keamanan 5

Service Reliability

SR4 : Letak alat keamanan penerbangan SR5 : Pemberitahuan keadaan penerbangan SR6 : Penerbangan tepat waktu SR7 : Pemberitahuan penyebab keterlambatan PR1 : Harga tiket terjangkau PR2 : Harga tiket bersaing

6

Price

PR3 : Memesan dari jauh hari untuk mendapatkan harga yang lebih murah PR4 : Memanfaatkan program diskon SQ1 : Kualitas dan ekspektasi

7

Service Quality

SQ2 : Kualitas dan harga SQ3 : Kualitas keseluruhan IM1 : Memiliki citra baik dalam masyarakat

8

Image

IM2 : Fokus kepada pelanggannya IM3 : Kontribusi dalam masyarakat IM4 : Kompetitif CS1 : Kepuasan terhadap keseluruhan jasa

9

Customer Satisfaction

CS2 : Kepuasan terhadap sarana penerbangan CS3 : Kepuasan terhadap pelayanan pelanggan (customer service) CS4 : Kepuasan dan ekspektasi CL1 : Keinginan penggunaan kembali layanan

10

Customer Loyalty

CL2 : Ke-tidak-inginan untuk berpindah maskapai CL3 : Keinginan untuk mempromosikan maskapai CL4 : Toleransi terhadap perubahan harga


50

Tabel 3.1 di atas memperlihatkan faktor-faktor yang digunakan oleh penelitian berkaitakan dengan kesetiaan pelanggan pada industri penerbangan di beberapa negara. Faktor-faktor yang mempengaruhi kesetiaan pelanggan pada industri penerbangan di negara lain kemudian dijadikan faktor-faktor yang akan diteliti dalam penelitian ini. Oleh karena itu, bentuk penelitian ini merupakan suatu konfirmasi apakah faktor-faktor tersebut berpengaruh terhadap kesetiaan pelanggan di industri penerbangan domestik di Indonesia.

3.1.2

Penentuan Skala Kuesioner Responden yang diharapkan mengisi kuesioner ini merupakan orang yang

sering bepergian dengan menggunakan salah satu dari dua jenis maskapai penerbangan, sehingga dapat menilai setiap pernyataan dalam kuesioner sesuai dengan keadaan riil. Skala yang digunakan merupakan skala likert. Ukuran skala likert yang biasanya digunakan dalam penelitian-penelitian internasional adalah skala 5-poin, 7-poin, 9-poin, 10-poin, dan 11-poin. Dengan demikian skala likert yang digunakan dalam penelitian ini adalah ukuran 5-poin. Berikut ini adalah penjelasan mengenai kriteria pada skala likert yang digunakan dalam penelitian ini: Tabel 3.3 Penilaian Dalam Penelitian Kesetiaan Pelanggan Pada Industri Penerbangan Tingkat Persetujuan

Bobot

Sangat tidak setuju

1

Tidak setuju

2

Cukup setuju

3

Setuju

4

Sangat setuju

5

Untuk atribut yang berhubungan dengan karakteristik responden adalah sebagai berikut:


51

Tabel 3.4 Atribut karakteristik responden

Atribut

Jenis Karakteristik

Pria Wanita SMP SMA D3 Pendidikan Terakhir S1 S2 S3 Lain-lain ≤ 20 tahun 20-29 tahun 30-39 tahun Usia 40-49 tahun 50-59 tahun > 60 tahun Jakarta Utara Jakarta Pusat Jakarta Barat Jakarta Timur Jakarta Selatan Tempat Tinggal Bogor Depok Tangerang Bekasi Lainnya Pelajar Karyawan Pekerjaan Wiraswasta Lainnya 0 - Rp. 1 juta Rp. 1-5 juta Penghasilan Per bulan Rp. 5-10 juta > Rp.10 juta 1 – 3 kali 4 – 6 kali Frekuensi Penerbangan dalam 1 Tahun 7 – 9 kali > 10 kali Jenis Kelamin


52

Data karakteristik responden yang merupakan data para penumpang maskapai penerbangan, terdiri atas dua bentuk data yaitu data demografi dan data yang berhubungan dengan penerbangan. Khusus untuk tempat tinggal responden, penelitian ini dibatasi hanya di daerah Jabodetabek. Untuk data lainnya yaitu usia, penghasilan per bulan, dan frekuensi melakukan penerbangan domestik dalam satu tahun di berikan dalam bentuk range. Untuk karakteristik semacam ini nilai yang lebih tinggi menyatakan jumlah yang lebih besar atau lebih banyak.

3.1.3

Penentuan Model Dugaan Setelah penentuan variabel-variabel laten dan variabel-variabel teramati

yang digunakan dalam penelitian ini, maka yang selanjutnya harus dibuat adalah model dugaan. Model dugaan ini berbentuk model struktur yang terdiri atas variabel-variabel laten dan variabel teramati. Namun untuk model penelitian awal hanya variabel-variabel laten yang tergambar. Di bawah ini merupakan model dugaan yang dibentuk:


53

FO3

FO2

FO1

TE1

PR1 Offer of flights and destination

TE2 TE3

PR2 IM1

Price PR3


IM2

PR4

TE4

IM3 SQ3

TE5

IM4

Image SQ2

AE1

SQ1

AE2 Service Quality

Airport Experince


Customer Loyalty

AE3 CS1

CL1

CS2

CL2

FE1

CS3

CL3

FE2

CS4

CL4

AE4

FE3

Service Reliability

Flight Experience

FE4 FE6 SR1

SR2

SR3

SR4

SR5

SR6

SR7

FE7

Gambar 3.1 Model Dugaan Penelitian Kesetiaan Pelanggan Pada Industri Penerbangan

Model dugaan ini dibentuk melalui studi literatur dari jurnal internasional. Dikarenakan metode yang digunakan dalam Structural Equation Modeling (SEM) ini berbentuk Confirmatory Factor Analysis (CFA), maka model dugaan ini akan dikonfirmasi kepada para responden untuk melihat tingkat signifikansi dari model.


54

3.2

Penyebaran Kuesioner

3.2.1

Metode Pengambilan Data Kuesioner ini bertujuan untuk mencari informasi dan data mengenai

kesetiaan pelanggan pada industri penerbangan. Oleh karena itu kuesioner ini disebarkan kepada para pengguna maskapai penerbangan baik yang lebih sering menggunakan jasa dari TA maupun LCC. Penyebaran kuesioner atau pengambilan data ini berlangsung dari tanggal 25 April hingga 20 Mei 2011. Metode dalam penyebaran kuesioner ini dilakukan dengan dua cara yaitu: a. Menyebarkan kuestioner langsung ke pengguna jasa penerbangan b. Membuat kuesioner secara online. Pembuatan kuesioner secara online ini dimaksudkan agar pengambilan data dapat berjalan dengan efektif dan efisien. Hal ini juga akan memudahkan karena dapat melakukan pengambilan data dengan melakukan pekerjaan lain secara paralel, sehingga akan efektif dalam pemanfaatan waktu. Kuesioner online ini dibuat dengan menggunakan google docs (salah satu aplikasi dari google), sehingga jika kuesioner online sudah selesai, link yang bersisi form online dapat langsung diisi oleh para responden.

3.2.2

Pengujian Kuesioner Awal Kuesioner awal ini merupakan beberapa kuesioner awal yang digunakan

untuk melakukan uji reliabilitas. Dalam penelitian ini kustioner awal yang didapatkan untuk TA adalah sebanyak 48 kuestioner, sementara kuestioner awal yang didapatkan untuk LCC adalah sebanyak 35 kuestioner. Ketika telah mendapatkan kuestioner-kuestioner awal yang diperlukam, hal yang dilakukan kemudian adalah uji reliabilitas untuk melihat kehandalan dari kuesioner yang telah dibuat dan disebarkan. Azwar (2001) mengatakan bahwa relibilitas merupakan terjemahan dari kata reliability yang artinya keterpercayaan, keterandalan, konsistensi, dan sebagainya. Uji reliabilitas ini dilakukan dengan cara kuantitatif dan kualitatif. Kualitatif disini berhubungan dengan persepsi


55

responden terhadap setiap pernyataan-pernyataan dalam kuesioner yang dapat ditangkap dari jawaban-jawaban yang diberikan. Sedangkan pengujian secara kuantitatif adalah dengan metode alpha cronbach. Metode alpha cronbach diukur berdasarkan skala alpha cronbach 0-1. Ukuran kemantapan alpha dapat diinterprestadikan sebagai berikut: 1. Nilai alpha Cronbach 0,00 s.d. 0,20, berarti kurang reliabel 2. Nilai alpha Cronbach 0,21 s.d. 0,40, berarti agak reliabel 3. Nilai alpha Cronbach 0,41 s.d. 0,60, berarti cukup reliabel 4. Nilai alpha Cronbach 0,61 s.d. 0,80, berarti reliabel 5. Nilai alpha Cronbach 0,81 s.d. 1,00, berarti sangat reliabel (Triton, 2005) Berikut adalah hasil penilaian alpha cronbach yang terlihat pada output dari SPSS 16. Tabel 3.5 Nilai alpha cronbach untuk TA

Tabel 3.6 Nilai alpha cronbach untuk LCC

Hasil SPSS 16 memperlihatkan bahwa nilai alpha cronbach dari kuesioner awal untuk TA sebesar 0.812 dan untuk LCC sebesar 0.806. Nilai tersebut menunjukkan bahwa kuesioner ini berada dalam range 0.8 s.d 1 yang berarti sangat handal (reliable) dan memiliki reliabilitas yang baik. Reliable berarti tingkat konsistensi, keakuratan dan daya prediksi kuesioner baik. Selain melakukan uji reliabilitas untuk keseluruhan kuestioner, dilakukan pula uji reliabilitas untuk variabel-variabel teramati yang mewakili masingmasing laten. Hal ini dilakukan untuk melihat tingkat konsistensi dan daya


56

prediksi masing-masing variabel teramati terhadap variabel latennya. Berikut adalah hasil dari SPSS 16:

Tabel 3.7 Nilai alpha cronbach untuk masing-masing variabel Nilai Cronbach No

Alpha

Variabel Laten TA

1 Offers of flight and destination

0.755

0.629

2 Ticket Purchase Experience

0.836

0.764

3 Airport Experience

0.740

0.859

4 Flight Experience

0.848

0.751

5 Service Reliability

0.768

0.839

6 Price

0.679

0.787

7 Service Quality

0.840

0.758

8 Image

0.710

0.726

9 Customer Satisfaction

0.869

0.863

0.749

0.886

10 Customer Loyalty

3.2.3

LCC

Pengujian Kuesioner Keseluruhan

3.2.3.1 Uji Kecukupan Data Setelah pengambilan data dalam waktu 6 minggu, lalu dilakukan uji kecukupan data sesuai dengan metode Structural Equation Modeling. Bentler dan Chou (1987) menyarankan bahwa paling rendah rasio 5 responden per variabel teramati akan mencukupi untuk distribusi normal ketika sebuah variabel laten mempunyai beberapa indikator. Dalam penelitian ini terdapat 45 variabel teramati yang menjelaskan 10 variabel laten. Oleh karena itu jumlah sampel minimum yang dibutuhkan adalah 225 (5 x 45 = 225). Dikarenakan jumlah sampel yang didapatkan dalam penelitian ini sebanyak 231 responden untuk TA dan 366 responden untuk LCC, maka jumlah sampel yang diolah dianggap sudah cukup dalam penelitian ini.


57

3.2.3.2 Uji Reliabilitas Seluruh Kuesioner Ketika semua kuesioner telah terkumpul maka perlu dilakukan pengujian reliabilitas terhadap kuesioner keseluruhan. Pengujian ini dilakukan untuk memastikan bahwa pengujian yang dilakukan pada kuesioner awal memang sudah benar dan tepat. Berikut ini merupakan hasil uji reliabilitas terhadap keseluruhan kuesioner. Tabel 3.8 Hasil uji reliabilitas kuesioner keseluruhan TA

Tabel 3.9 Hasil uji reliabilitas kuesioner keseluruhan LCC

Nilai alpha cronbach seluruh kuesioner adalah 0.814 untuk TA dan 0.825 untuk LCC, hal ini menunjukkan bahwa secara keseluruhan kuestioner yang disebarkan memiliki tingkat reliabilitas yang tinggi. Dilakukan pula pengujian reliabilitas terhadap masing-masing variabel seperti yang dilakukan pada kuestioner awal dengan hasil sebagai berikut:

Tabel 3.10 Hasil Uji Reliabilitas Kuesioner Per Variabel Nilai Cronbach No

Alpha

Variabel Laten TA

LCC


0.765

0.733


0.818

0.509


0.548

0.587


58

Tabel 3.11 Hasil Uji Reliabilitas Kuesioner Per Variabel (lanjutan) 4 Flight Experience

0.748

0.850


0.589

0.873

6 Price

0.756

0.403

7 Service Quality

0.711

0.573

8 Image

0.520

0.548


0.773

0.801

0.684

0.832

10 Customer Loyalty

3.2.3.3 Uji Validitas Uji validitas dilakukan untuk menguji ketepatan kuesioner dalam mengukur tingkat persetujuan terhadap pertanyaan-pertanyaan yang berhubungan dengan kesetiaan pelanggan pada industri penerbangan. Uji validitas dilakukan dengan mengukur korelasi antara variabel/item dengan skor total variabel. Teknik korelasi yang digunakan adalah Kaiser-Meyer-Olkin, dimana instrumen dikatakan valid apabila nilai koefisien korelasinya (r) > 0.5. Setelah dilakukan pengujian maka berikut ini adalah output dari SPSS 16. Tabel 3.12 Hasil uji validitas kuesioner keseluruhan TA

Tabel 3.13 Hasil uji validitas kuesioner keseluruhan LCC


59

Tabel 3.14 Hasil uji validitas kuesioner keseluruhan Nilai KMO No

Variabel Laten

TA

LCC


0.674

0.668


0.750

0.671


0.627

0.672

4 Flight Experience

0.686

0.838


0.608

0.877

6 Price

0.725

0.577

7 Service Quality

0.667

0.609

8 Image

0.650

0.562


0.769

0.674

0.588

0.794

10 Customer Loyalty

Variabel yang memiliki validitas baik adalah jika nilai KMO lebih dari 0,5. Berdasarkan table di atas, secara keseluruhan variabel-variabel teramati memiliki validitas yang baik.

3.3

Uji Asumsi Kenormalan Data Data yang didapatkan seharusnya terdistribusi normal, sehingga jumlah

sampel yang telah diambil sudah dapat merepresentasikan populasi dari suatu data. Berikut ini merupakan pengolahan statistik deskriptif dari keseluruhan data untuk melihat nilai Skewness dan Kurtosis.


60

Tabel 3.15 Statistik deskriptif untuk TA

FO1 FO2 FO3 TE1 TE2 TE3 TE4 TE5 AE1 AE2 AE3 AE4 FE1 FE2 FE3 FE4 FE5 FE6 FE7 SR1 SR2 SR3 SR4 SR5 SR6 SR7 PR1 PR2 PR3 PR4 SQ1 SQ2 SQ3 IM1 IM2 IM3 IM4 CS1 CS2 CS3 CS4 CL1 CL2 CL3 CL4

N

Minimum

Maximum

Statistic

Statistic

Statistic

Descriptive Statistics Mean Std. Skewness Deviation Statistic Statistic Statistic Std. Error

Kurtosis Statistic

Std. Error

231 230 231 231 231 230 231 231 231 231 231 231 230 231 230 231 230 230 231 231 231 231 231 231 231 231 231 230 229 231 231 231 231 231 231 231 231 229 231 231 231 231 231 231

3 3 3 2 3 3 2 3 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 3 2 3 2 1 1 1 3 3 3 3 2 2 1

5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

4,364 4,139 4,000 4,251 3,996 4,230 4,030 4,268 4,048 3,991 3,788 3,926 4,278 4,182 4,048 4,061 4,174 4,104 4,320 4,173 4,420 4,182 3,922 3,810 3,957 4,134 3,468 3,535 3,463 3,628 4,069 3,905 4,009 3,952 3,784 3,784 3,861 4,009 4,152 4,130 4,190 4,035 3,974 4,030

0,709 0,813 0,763 0,690 0,688 0,689 0,669 0,616 0,809 0,734 0,771 0,768 0,810 0,770 0,749 0,811 0,796 0,775 0,640 0,743 0,711 0,717 0,765 0,779 0,631 0,707 0,762 0,823 0,910 0,937 0,571 0,691 0,710 0,846 0,878 0,958 0,869 0,607 0,671 0,626 0,684 0,807 0,849 0,846

-0,654 -0,261 0,000 -0,696 0,006 -0,337 -0,387 -0,240 -0,386 -0,119 0,040 -0,164 -0,550 -0,324 -0,078 -0,111 -0,322 -0,183 -0,405 -0,291 -0,812 -0,285 0,133 0,347 0,033 -0,196 0,348 0,290 0,076 -0,088 0,009 0,048 -0,012 -0,127 0,009 -0,212 -0,089 -0,004 -0,187 -0,100 -0,262 -0,163 -0,122 -0,362

0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,161 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,160 0,161 0,160 0,160 0,160 0,160 0,160 0,160

-0,781 -1,442 -1,278 0,548 -0,874 -0,879 0,393 -0,602 -0,643 -0,773 -0,697 -0,636 -1,261 -1,246 -1,207 -1,469 -1,351 -1,311 -0,689 -1,142 -0,619 -1,023 -1,276 -1,274 -0,469 -0,981 -0,282 -0,570 -0,780 -0,881 0,064 -0,706 -1,004 -1,125 -0,822 -0,597 -0,825 -0,253 -0,791 -0,488 -0,862 -1,190 -1,224 -0,621

0,319 0,320 0,319 0,319 0,319 0,320 0,319 0,319 0,319 0,319 0,319 0,319 0,320 0,319 0,320 0,319 0,320 0,320 0,319 0,319 0,319 0,319 0,319 0,319 0,319 0,319 0,319 0,320 0,320 0,319 0,319 0,319 0,319 0,319 0,319 0,319 0,319 0,320 0,319 0,319 0,319 0,319 0,319 0,319

231

2

5

3,879

0,820

-0,011

0,160

-1,028

0,319


61

Tabel 3.16 Statistik deskriptif untuk LCC N

FO1 FO2 FO3 TE1 TE2 TE3 TE4 TE5 AE1 AE2 AE3 AE4 FE1 FE2 FE3 FE4 FE5 FE6 FE7 SR1 SR2 SR3 SR4 SR5 SR6 SR7 PR1 PR2 PR3 PR4 SQ1 SQ2 SQ3 IM1 IM2 IM3 IM4 CS1 CS2 CS3 CS4 CL1 CL2 CL3 CL4

Minimum Maximum

Statistic Statistic Statistic 365 1 5 366 1 5 366 1 5 366 2 5 366 2 5 364 2 5 366 1 5 366 2 5 365 2 5 365 1 5 365 2 5 366 2 5 366 1 5 366 2 5 366 1 5 366 1 5 365 2 5 366 2 5 366 1 5 366 2 5 365 2 5 365 2 5 365 1 5 364 1 5 365 1 5 366 1 5 366 2 5 365 1 5 365 2 5 366 1 5 365 2 5 366 2 5 366 2 5 365 2 5 366 2 5 366 2 5 366 2 5 365 2 5 366 1 5 366 2 5 364 2 5 366 1 5 366 1 5 366 1 5 366 1 5

Descriptive Statistics Mean Std. Skewness Kurtosis Deviation Statistic Statistic Statistic Std. Error Statistic Std. Error 3,901 0,771 -0,407 0,128 0,298 0,255 3,691 0,714 -0,196 0,128 0,396 0,254 3,669 0,771 0,249 0,128 -0,494 0,254 4,030 0,767 -0,308 0,128 -0,578 0,254 3,689 0,719 0,232 0,128 -0,584 0,254 4,014 0,858 -0,132 0,128 -1,386 0,255 3,869 0,824 -0,048 0,128 -0,804 0,254 3,937 0,837 -0,050 0,128 -1,205 0,254 3,589 0,753 0,180 0,128 -0,434 0,255 3,932 0,873 -0,365 0,128 -0,565 0,255 3,830 0,886 -0,067 0,128 -1,032 0,255 3,803 0,885 -0,010 0,128 -1,049 0,254 3,437 0,957 0,048 0,128 -0,375 0,254 3,511 0,827 0,389 0,128 -0,555 0,254 3,358 0,841 -0,060 0,128 -0,022 0,254 3,279 0,847 -0,103 0,128 0,029 0,254 3,679 0,821 -0,004 0,128 -0,626 0,255 3,566 0,801 -0,022 0,128 -0,462 0,254 3,399 0,793 0,021 0,128 0,724 0,254 3,519 0,693 0,626 0,128 -0,290 0,254 4,088 0,831 -0,628 0,128 -0,209 0,255 4,030 0,878 -0,401 0,128 -0,867 0,255 3,778 0,837 -0,100 0,128 -0,579 0,255 3,407 0,782 -0,226 0,128 0,722 0,255 3,318 0,807 -0,073 0,128 0,924 0,255 3,473 0,899 0,241 0,128 -0,221 0,254 3,951 0,771 -0,024 0,128 -1,056 0,254 4,052 0,798 -0,452 0,128 -0,092 0,255 4,030 0,859 -0,189 0,128 -1,319 0,255 4,036 0,835 -0,379 0,128 -0,479 0,254 3,422 0,648 0,658 0,128 0,096 0,255 3,719 0,787 0,339 0,128 -0,956 0,254 3,516 0,681 0,594 0,128 -0,269 0,254 3,542 0,708 0,782 0,128 -0,430 0,255 3,634 0,782 0,501 0,128 -0,805 0,254 3,268 0,533 1,120 0,128 1,300 0,254 3,678 0,755 0,381 0,128 -0,786 0,254 3,660 0,726 0,057 0,128 -0,382 0,255 3,333 0,640 0,706 0,128 0,909 0,254 3,623 0,637 0,395 0,128 -0,547 0,254 3,401 0,695 0,160 0,128 -0,146 0,255 3,429 0,933 0,188 0,128 -0,734 0,254 3,011 0,870 0,431 0,128 -0,300 0,254 3,164 0,916 0,552 0,128 -0,327 0,254 3,131 0,769 -0,010 0,128 1,637 0,254


62

Data di atas merupakan hasil pengolahan statistik deskriptif menggunakan SPSS 16. Statistik deskriptif ini bertujuan untuk melihat nilai dari Skewness dan Kurtosis yang menjadi salah satu cara menguji apakah data yang akan diolah ini merupakan data yang terdistribusi normal atau tidak. Data dikatakan terdistribusi normal jika nilai Skewnesnya berada diantara -1 hingga +1. Skewness merupakan derajat ketidaksimetrisan suatu distribusi. Sedangkan nilai Kurtosis untuk data yang dapat dikatakan terdistribusi normal adalah berada diantara -3 hingga +3. Kurtosis merupakan derajat keruncingan suatu distribusi. Dari table statistik deskriptif diatas dapat dilihat bahwa data yang didapatkan dari kuestioner TA memenuhi persyaratan skewness dan kurtosis yang telah disebutkan sebelumnya, sementara pada table statistik deskriptif LCC, terdapat satu buah variabel yang memiliki skewness diluar batas yang telah disebutkan sebelumnya. Secara garis besar data yang didapatkan dapat dikatakan merupakan data yang normal. 3.4

Data Responden Salah satu data yang diambil dalam kuesioner adalah data responden untuk

melihat karakteristik dari setiap responden yang mengisi kuesioner tersebut. Data responden tersebut merupakan data demografi responden dan data yang berhubungan dengan frekuensi bepergian. Berikut ini merupakan informasi yang didapatkan dari kuesioner yang disebarkan pada responden baik secara langsung maupun secara online. 3.4.1

Data Jenis Kelamin Tabel 3.17 Data Jenis Kelamin Responden Jenis Kelamin Pria Wanita

TA

LCC

132

198

99

196


63

Jenis Kelamin Responden TA

Pria

43% 57%

Wanita

Gambar 3.2 Diagram Lingkaran Jenis Kelamin Responden TA

Jenis Kelamin Responden LCC

Pria

46% 54%

Wanita

Gambar 3.3 Diagram Lingkaran Jenis Kelamin Responden LCC

Berdasarkan diagram lingkaran diatas dapat dilihat bahwa dari total responden TA yang di dapat, jumlah pria yang menggunakan traditional airlines ini lebih dari 50% apabila dibandingkan dengan jumlah wanita yang hanya berjumlah 99 orang yaitu senilai dengan 43%. Hal yang sama terjadi dengan responden LCC dimana jumlah responden pria 30 orang lebih banyak dibandingkan dengan responden wanita yaitu berjumlah 198 sedangkan responden wanita sebesar 168 orang.


64

3.4.2

Data Usia Tabel 3.18 Data Usia Responden Usia

TA

≤ 20

LCC 5

29

20 - 29

89

103

30 - 39

94

145

40 - 49

36

67

50 - 59

6

18

≥ 60

4

4

Usia Responden TA 2% 2%

3%

≤ 20 tahun 20-29 tahun

15% 37%

30-39 tahun 40-49 tahun

41% 50-59 tahun > 60 tahun

Gambar 3.4 Diagram Lingkaran Usia Responden TA

Usia Responden LCC 5%

1% 8%

≤ 20 tahun 20-29 tahun

18% 28%

30-39 tahun 40-49 tahun

40%

50-59 tahun > 60 tahun

Gambar 3.5 Diagram Lingkaran Usia Responden LCC

Data usia diatas merupakan usia responden pengguna traditional airlines dan low-cost carrier baik pria maupun wanita. Dapat dilihat pada kedua diagram


65

tersebut menunjukkan bahwa sebagian besar pengguna pesawat merupakan responnden yang tergolong berusia produktif. Menurut badan pusat statistik (BPS) yang tergolong dalam usia produktif merupakan orang yang berusia antara 20 sampai 59 tahun. Sedangkan responden yang berusia di atas 60 tahun dan kurang dari 20 tahun memiliki persentase sebesar yang kecil untuk kedua jenis maskapai penerbangan yaitu hanya 4% untuk reponden TA dan 9% untuk responden LCC. Hal ini dapat disebabkan oleh kebutuhan orang pada usia produktif untuk melakukan berpergian jauh lebih besar dibandingkan dengan orang diluar usia produktif. 3.4.3

Data Pendidikan Terakhir Tabel 3.19 Data Pendidikan Terakhir Responden Pendidikan Terakhir

TA

LCC

SMP

1

5

SMA

52

72

D3

5

42

S1

155

206

S2

15

24

S3

2

9

Lain-lain

1

8

Pendidikan Terakhir Responden TA 7%

1%

0%

0% SMP SMA

23% 2%

D3 S1

67%

S2 S3

Gambar 3.6 Diagram Lingkaran Pendidikan Terakhir Responden TA


66

Pendidikan Terakhir Responden LCC 7%

2% 2%

1% SMP SMA

20%

D3 12% 56%

S1 S2 S3

Gambar 3.7 Diagram Lingkaran Pendidikan Terakhir Responden LCC

Berdasarkan data pendidikan terakhir responden TA dan LCC diatas dapat dilihaat bahwa lebih dari 50% responden yang didapatkan memiliki pendidikan terakhir S1. Diikuti dengan SMA sebagai tingkat pendidikan terakhir ke-dua terbanyak, hal ini mungkin terjadi dengan cukup banyaknya responden yang berusia 20-29 tahun yang masih berprofesi sebagai pelajar atau mahasiswa.

3.4.4

Data Daerah Tempat Tinggal

Tabel 3.20 Data Tempat Tinggal Responden Tempat Tinggal

TA

LCC

Jakarta Utara

15

29

Jakarta Pusat

18

33

Jakarta Barat

17

34

Jakarta Timur

46

81

Jakarta Selatan

43

83

Bogor

36

22

Depok

15

34

9

18

32

30

Tangerang Bekasi


67

Tempat Tinggal Responden TA Jakarta Utara 4%

Jakarta Pusat

6%

14%

8%

Jakarta Barat 7%

6%

Jakarta Timur Jakarta Selatan

20%

16%

Bogor Depok

19%

Tangerang Bekasi

Gambar 3.8 Diagram Lingkaran Tempat Tinggal Responden TA

Tempat Tinggal Responden LCC Jakarta Utara

1% 5%

8%

Jakarta Pusat

8%

Jakarta Barat

9% 9%

Jakarta Timur 9% Jakarta Selatan

6%

Bogor 23%

22%

Depok Tangerang Bekasi

Gambar 3.9 Diagram Lingkaran Tempat Tinggal Responden LCC

Berdasarkan diagram lingkaran tempat tinggal responden TA dan LCC dapat dilihat bahwa secara garis besar data tempat tinggal responden yang didapatkan memiliki penyebaran yang merata dan dianggap dapat mewakili batasan penelitian ini yang hanya mencakup pengguna maskapai penerbangan domestik di wilayah Jabodetabek.


68

3.4.5

Data Pekerjaan

Tabel 3.21 Data Pekerjaan Responden Pekerjaan

TA

Pelajar / Mahasiswa Karyawan

LCC 65

76

153

244

3

27

10

19

Wiraswasta Lainnya

Pekerjaan 1% 5% 28%

Pelajar Karyawan Wiraswasta

66%

Lainnya

Gambar 3.10 Diagram Lingkaran Pekerjaan Responden TA

Pekerjaan 7%

5% 21%

Pelajar Karyawan Wiraswasta

67% Lainnya

Gambar 3.11 Diagram Lingkaran Pekerjaan Responden LCC

Data pekerjaan diatas menunjukkan bahwa sebagian besar responden, yaitu 66% responden TA dan 67% responden LCC memiliki pekerjaan sebagai karyawan. Karyawan yang dimaksud disini mewakili pegawai swasta, pegawai


69

negri sipil dan juga karyawan BUMN. Untuk pilihan jawaban pelajar, didalamya terdiri dari pelajar dan mahaiswa. Sementara pada jawaban lain-lain responden mengisinya dengan berbagai tipe pekerjaan, seperti ibu rumah tangga, dokter, pengacara, dan juga tidak bekerja. 3.4.6

Data Penghasilan per Bulan

Tabel 3.22 Data Penghasilan Responden Penghasilan per Bulan

TA

LCC

0- Rp 1 Juta

43

74

Rp 1 - 5 Juta

104

192

Rp 5 - 10 Juta

74

96

> Rp 10 Juta

10

4

Penghasilan per Bulan Responden TA 4% 19% 32%

0- Rp 1 Juta Rp 1 - 5 Juta Rp 5 - 10 Juta

45%

> Rp 10 Juta

Gambar 3.12 Diagram Lingkaran Pernghasilan per Bulan Responden TA


70

Penghasilan per Bulan Responden LCC 1% 0- Rp 1 Juta

20%

26%

Rp 1 - 5 Juta Rp 5 - 10 Juta 53%

> Rp 10 Juta

Gambar 3.13 Diagram Lingkaran Pernghasilan per Bulan Responden LCC

Berdasarkan diagram batang diatas, dapat dilakukan perbandingan penghasilan perbulan untuk responden TA dan LCC dan dapat dilihat bahwa responden TA dan LCC memiliki mayoritas pendapatan per bulan sebanyak Rp 15 juta. Akan tetapi yang bisa diperhatikan lebih lanjut adalah persentase penghasilan per bulan responden TA yang berada diatas Rp 5.000.000,- lebih banyak dibandingkan dengan persentase penghasilan perbulan responden LCC pada tingkat yang sama. Pada responden TA terdapat 36% responden yang memiliki penghasilan lebih dari Rp 5.000.000,- sementara pada LCC hanya terdapat 27% responden yang memiliki penghasilan sebesar itu.

3.4.7

Frekuensi penerbangan dalam satu tahun Tabel 3.23 Data Frekuensi Penerbangan dalam Satu Tahun Responden Fekuensi Penerbangan

TA

LCC

1 - 3 kali

89

154

4 - 6 kali

77

98

7 - 9 kali

34

64

> 10 kali

31

50


71

Frekuensi Penerbangan Responden TA 13%

1 – 3 kali 39%

15%

4 – 6 kali 7 – 9 kali

33%

> 10 kali

Gambar 3.14 Diagram Lingkaran Frekuensi Penerbangan dalam Satu Tahun Responden TA

Frekuensi Penerbangan Responden LCC 14% 1 – 3 kali 42%

17%

4 – 6 kali 7 – 9 kali

27%

> 10 kali

Gambar 3.15 Diagram Lingkaran Frekuensi Penerbangan dalam Satu Tahun Responden LCC

3.5

Pemeriksaan Data yang Hilang (Missing Value) Dalam sebuah penelitian sering kali ditemukan adanya data yang hilang.

Data yang hilang dalam penelitian ini biasanya terjadi karena responden lupa mengisi satu atau lebih pertanyaan. Pengolahan data dengan menggunakan LISREL mensyaratkan tidak terdapat data hilang pada data yang akan digunakan dalam analisis. Untuk itu, sebelum memasukkan data ke dalam LISREL harus


72

dipastikan bahwa tidak terdapat data yang hilang. Jika ada data yang hilang maka data responden tersebut tidak digunakan. Akan tetapi di dalam LISREL sendiri terdapat sebuah metode untuk pengisian data yang hilang. Metode pengisian data yang hilang di dalam lisrel ini memiliki sebuah syarat yaitu hanya boleh ada satu data yang hilang pada satu reponden. Jika menemukan adanya data yang hilang dapat dilakukan langkah seperti dibawah ini: Data disimpan dalam ***.exe. Lalu buka software LISREL. Dalam penelitian ini digunakan software LISREL 8.51. Import Data. Pada bagian ini data yang diimpor adalah ***.exe. Setelah itu program LISREL akan meminta untuk menyimpan file. File disimpan dengan nama ***.psf. Data yang ada di dalam program LISREL diperiksa apakah ada data yang hilang. Klik kanan pada salah satu variabel teramati, lalu pilih define variables Pada kotak Define Variables pilih semua variabel teramati Klik Variable Type, pilih continuous, ok Klik Missing Value, pilih no missing value Pada bagian Global missing value isi dengan angka -999999.00 Pada bagian Deletion Methods, pilih Listwise, ok Ok Pilih menu Statistics, impute missing values Pilih semua variabel teramati, pindahkan ke dalam Imputed variables dan Matching variables Klik Output Options Pada bagian Data, klik Save the transformed data to file Isi dengan nama sesuai keluaran yang diinginkan. Biasanya nama filenya adalah ***.psf Ok Klik List all


73

Klik Run LISREL Selanjutnya akan keluar suatu output berisi data hilang yang telah diisi dengan nilai-nilai tertentu. Untuk melihat keseluruhan data yang sudah tidak terdapat data hilang, maka bukalah file yang telah didefinisikan sebelumnya. Pada penelitian ini pemeriksaan dan pengeliminasian data yang hilang sudah dilakukan terlebih dahulu sehingga tidak diperlukan adanya pengisian data yang hilang.

3.6

Pengerjaan Model Traditional Airlines

3.6.1

Metode Structural Equation Modeling (SEM) Di dalam structural equation modeling, model pengukuran yang

menunjukkan sebuah variabel laten diukur oleh satu atau lebih variabel-variabel teramati disebut sebagai CFA Model (Confirmatory Factor Analysis Model). Dalam penelitian ini metode pengukuran yang digunakan adalah Confirmatory Factor Analysis dikarenakan setiap variabel laten dijelaskan oleh satu atau lebih variabel teramati. Dalam penelitian ini SEM digunakan untuk meneliti faktor-faktor kualitas dan harga terhadap loyalitas pelanggan di Traditional Airlines dan Low-cost Carrier. Terdapat 10 variabel laten dengan 45 variabel teramati dalam penelitian ini. Pengolahan data SEM akan dijelaskan dalam lima langkah dalam SEM, yaitu: spesifikasi, identifikasi, estimasi, uji kecocokan model, dan respesifikasi model. 3.6.2

Spesifikasi Model Langkah pertama dalam SEM adalah melakukan spesifikasi model,

spesifikasi model. Pada sub-bab 3.1.2 telah di jelaskan mengenai variabel-variabel teramati yang digunakan pada penelitian ini, yang disebut juga dengan model pengukuran. Sementara pada sub-bab 3.1.3 telah dipaparkan hubungan antar variabel-variabel laten yang ada atau disebut juga dengan model struktura;. Sementara spesifikasi path diagram disini adalah kombinasi antara model


74

pengukuran dan model structural yang telah dijelaskan sebelumnya. Berikut adalah gambar path diagram yang dimaksudkan:

FO3

FO2

FO1

TE1

PR1 Offer of flights and destination

TE2 TE3

PR2 IM1

Price PR3


IM2

PR4

TE4

IM3 SQ3

TE5

IM4

Image SQ2

AE1

SQ1

AE2 Service Quality

Airport Experince


Customer Loyalty

AE3 CS1

CL1

CS2

CL2

FE1

CS3

CL3

FE2

CS4

CL4

AE4

FE3

Service Reliability

Flight Experience

FE4 FE6 SR1

SR2

SR3

SR4

SR5

SR6

SR7

FE7

Gambar 3.16 Model Dugaan

3.6.3

Identifikasi Model Identifikasi model ini adalah langkah untuk memeriksa apakah model

merupakan kategori over-identified model (degree of freedom positif) atau justidentified model (degree of freedom nol). Seperti telah dijelaskan dalam dasar teori pada Bab 2, didalam penelitian diusahakan menghindari model dengan kategori under-identified model (degree of freedom negatif). Nilai degree of freedom didapatkan dari pengurangan antara jumlah data yang diketahui dengan jumlah nilai/parameter yang diestimasi.


75

Untuk

mengetahui

jumlah

data

yang

diketahui

adalah

dengan

menggunakan rumus berikut:

(n x (n + 1)/2) ................................................................................................... (4.1)

Dengan n adalah jumlah variabel teramati. Jumlah data yang diketahui dalam penelitian ini adalah (n x (n + 1)/2) = (45 x (45 + 1)/2) = 1035 Nilai atau parameter yang diestimasi dalam penelitian ini adalah:

β (regresi antar variabel laten endogen): terdiri dari 4 parameter pada matrik β

Γ (regresi antara variabel laten eksogen dengan endogen): terdiri dari 6 parameter pada matrik Γ

Λx (factor loading variabel laten eksogen): terdiri dari 30 parameter pada matrik Λx

Λy (factor loading variabel laten endogen): terdiri dari 23 parameter pada matrik Λy

Θδ (matrik kovarian dari kesalahan pengukuran variabel laten eksogen): terdiri dari 30 parameter yang merupakan elemen diagonal dari matrik Θδ

Θε (matrik kovarian dari kesalahan pengukuran variabel laten endogen): terdiri dari 23 parameter yang merupakan elemen diagonal dari matrik Θε

Ψ (matrik kovarian dari kesalahan struktural variabel laten endogen): terdiri dari 4 parameter yang merupakan elemen diagonal dari matrik Ψ

Φ (matrik kovarian dari kesalahan struktural variabel laten eksogen): terdiri dari 6 parameter

Jumlah parameter yang diestimasi adalah: 4 + 6 + 30 + 23 + 30 + 23 + 4 + 6 = 126. Sehingga nilai degree of freedom dalam penelitian ini adalah sebesar: 1035 – 126 = 909 (positif). Hal ini mengindikasikan bahwa model penelitian ini


76

termasuk dalam kategori over-identified model dan dapat digunakan dalam pengolahan data. 3.6.4

Estimasi Model

3.6.4.1 Pemilihan Estimator yang Digunakan Langkah estimasi bertujuan untuk memperoleh nilai dari parameterparameter yang ada di dalam model. Nilai parameter-parameter tersebut adalah β, Г, Φ, Ψ, Λx, Θδ, ΛY, dan Θε, seperti yang telah diidentifikasi pada langkah sebelumnya. Untuk memperoleh nilai parameter tersebut, maka pada langkah ini, dipilihlah estimator yang digunakan. Ada beberapa estimator di dalam SEM, 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). Dalam penelitian ini, estimator yang digunakan adalah Maximum Likelihood (ML), yang menjadi default dalam pengolahan data di dalam LISREL. Bentler dan Chou (1987) menyarankan bahwa paling rendah rasio 5 responden per variabel teramati akan mencukupi untuk distribusi normal ketika sebuah variabel laten memiliki beberapa variabel teramati (indikator). Ukuran sampel dalam penelitian ini lebih besar dari sampel minimum yang diharapkan, sehingga sudah mencukupi untuk digunakan pada Maximum Likelihood (ML).

3.6.4.2 Pengolahan Data Langkah-langkah pengolahan data SEM dengan menggunakan LISREL 8.51 adalah sebagai berikut: 1. Memasukkan data yang sebelumnya telah disimpan dengan format ***.psf. •

Pada menu utama, pilih File, Open, pilih file ***.PSF

2. Membuat program SIMPLIS, yang akan digunakan untuk menganalisis hubungan antara variabel-variabel laten. Langkah-langkah dalam membuat program SIMPLIS adalah: •

Pada menu utama, pilih File, klik New sehingga akan ditampilkan New window, pilih Syntax Only, Ok.


77

•

Ketik program SIMPLIS pada tabel 4.4 berikut sebagai sintak yang akan digunakan untuk menjalankan model.

•

Setelah selesai, pilih File, klik Save as, maka akan tampil save as window. Pilih Syntax Only (*.spl, *.ls8, *.pr2). Pada File name, isi dengan nama file yang diinginkan. Kemudian klis Save.

•

Klik Run LISREL Icon untuk menjalankan sintak yang telah terbentuk. Kemudian sebuah Path Diagram akan terbentuk sebagai tanda keberhasilan dari program SIMPLIS yang dijalankan.

Gambar 3.17 Program SIMPLIS

Program SIMPLIS terdiri atas beberapa input yang ditujukan untuk menjalankan keseluruhan model. Berikut ini penjelasan mengenai input pada program SIMPLIS yang menjadi sintaks untuk dijalankan:


78

Gambar 3.18 Pendefinisian File Input

Di dalam program SIMPLIS di atas sangat penting untuk mendefinisikan file raw data. Di dalam penelitian ini, file yang digunakan adalah TA.psf sebagai raw data untuk responden TA.

Gambar 3.19 Pendefinisian Variabel Laten Bagian di atas merupakan cara pendefinisian variabel-varibel laten yang digunakan dalam penelitian. Alangkah lebih baik jika setiap nama variabel laten terdiri atas delapan suku kata. Penulisan ini harus konsisten, bahkan besar/kecilnya huruf harus diperhatikan. Di dalam penelitian ini terdapat sepuluh variabel laten yang digunakan, dan didefinisikan pada Gambar 3.19 di atas.

Gambar 3.20 Pendefinisian hubungan model pengukuran

Bagian di atas merupakan pendefinisian hubungan dalam model pengukuran. Yang ditulis pada bagian tersebut adalah hubungan antara variabel laten dengan indikator-indikatornya. Simbol dari setiap variabel teramati biasanya telah didefinisikan terlebih dahulu, sehingga lebih mudah untuk dimasukkan ke dalam sintak. Sedangkan untuk penulisan nama setiap variabel laten mengikuti


79

nama yang telah didefinisikan sebelumnya. Dalam penelitian ini terdapat 45 variabel teramati yang didefinisikan seperti tertulis di Tabel 4.6.

Gambar 3.21 Pendefinisian hubungan model struktural Bagian ini sama seperti pendefinisian hubungan dalam model struktural, bedanya pada bagian ini yang didefinisikan hubungan antara satu variabel laten dengan variabel laten lainnya. Dalam penelitian ini terdapat 10 hubungan antara satu variabel laten terhadap variabel laten lainnya seperti telah didefinisikan pada Gambar 3.21 di atas.

Gambar 3.22 Pendefinisian option Bagian ini merupakan bagian akhir dari sintak. Admissibility check merupakan cara untuk menjaga agar program tidak berjalan terus menerus tanpa membuahkan hasil yang bermanfaat (Jöreskog dan Sörbom, 1993). Dengan mendefinisikan admissibility check off, maka admissibility check tidak diaktifkan, sehingga iterasi akan terus berjalan hingga program menemukan hasil dari model. Options merupakan pilihan-pilihan yang digunakan untuk memilih informasi apa saja yang akan dicetak pada printed output (Jöreskog dan Sörbom, 1993). Di dalam penelitian ini options yang dipilih adalah SC, EF, dan RS. SC berarti output akan mencetak solusi standar untuk delapan matriks (BETA, GAMMA, PSI, PHI, LAMBDA-X, LAMBDA-Y, THETA-DELTA, dan THETAEPSILON). EF berarti output akan mencetak total effects dan indirect effects. RS berarti output akan mencetak residual, standardized residuals, Q-plots and fitted covariance (or correlations, or momment) matrix.


80

3.6.4.3 Pemeriksaan terhadap Negative Error Variances Pada langkah estimasi model, setelah melakukan pengolahan data, maka analisis difokuskan pada model pengukuran yang meliputi pemeriksaan terhadap adanya offending estimates, yaitu adanya negative error variances. Jika ada varian kesalahan negatif, maka varian kesalahan tersebut perlu ditetapkan menjadi 0,01 atau 0,005. Berikut ini adalah tabel yang memperlihatkan nilai dari varian kesalahan (error variances) setiap variabel teramati hasil estimasi parameter dari program LISREL. Berikut adalah pengecekan error variance untuk responden TA:

Tabel 3.24 Pemeriksaan Negative Error Variance Hasil Estimasi TA Variabel FO1 FO2 FO3 TE1 TE2 TE3 TE4 TE5 AE1 AE2 AE3 AE4 FE1 FE2 FE3

Error Error Error Variabel Variabel Variance Variance Variance 0.21 0.26 0.34 0.16 0.27 0.24 0.3 0.18 0.57 0.5 0.42 0.23 0.49 0.37 0.31

FE4 FE5 FE6 FE7 SR1 SR2 SR3 SR4 SR5 SR6 SR7 PR1 PR2 PR3 PR4

0.4 0.45 0.45 0.37 0.2 0.44 0.45 0.55 0.58 0.37 0.41 0.43 0.42 0.36 0.37

SQ1 SQ2 SQ3 IM1 IM2 IM3 IM4 CS1 CS2 CS3 CS4 CL1 CL2 CL3 CL4

0.18 0.28 0.27 0.56 0.62 0.77 0.54 0.25 0.23 0.2 0.22 0.58 0.69 0.54 0.55

Dari tabel diatas dapat dilihat bahwa semua error variance dari data yang ada adalah positif.

3.6.5

Uji Kecocokan Model TA Pada langkah ini, akan diuji kecocokan model dengan beberapa asumsi

yang ada di dalam Structural Equation Modeling. Tahap ini dapat dilakukan


81

setelah model dijalankan. Uji kecocokan model ini dibagi dalam tiga bagian dengan tujuannya masing-masing, yaitu: uji kecocokan keseluruhan model, uji kecocokan model pengukuran, dan uji kecocokan model struktural. 3.6.5.1 Kecocokan Keseluruhan Model (Overall Model Fit) TA Uji kecocokan ini bertujuan untuk mengevaluasi secara umum derajat kecocokan (Goodness of Fit) atau Goodness of Fit Indices (GOFI) antara data dengan model yang dapat digunakan secara bersama-sama atau kombinasi. Pemeriksaan yang paling utama untuk dilakukan adalah pengecekan RMSEA atau p-value. Sebuah model yang baik akan memiliki nilai RMSEA < 0,08 atau nilai pvalue > 0,05.


82

Tabel 3.25 Nilai-nilai GOFI TA No

UKURAN GOF

TARGET-TINGKAT KECOCOKAN

1

Chi-square (X2) Nilai kecil

2

NCP

Nilai kecil, interval sempit

3

RMSEA

RMSEA ≤ 0.08 adalah good fit , RMSEA < 0.05 adalah close fit p > 0.05

4

ECVI

Nilai yang kecil dan dekat dengan ECVI Saturated

5

AIC

Nilai yang kecil dan dekat dengan AIC Saturated

6

CAIC

Nilai yang kecil dan dekat dengan CAIC Saturated

7

NFI

8

NNFI

9

CFI

10

IFI

11

RFI

12

CN

13

RMR

14

GFI

15

AGFI

NFI≥ 0.90 = good fit , 0.80 ≤ NFI < 0.90 = marginal fit NNFI≥ 0.90 = good fit , 0.80 ≤ NNFI < 0.90 = marginal fit CFI≥ 0.90 = good fit , 0.80 ≤ CFI < 0.90 = marginal fit IFI≥ 0.90 = good fit , 0.80 ≤ IFI < 0.90 = marginal fit RFI≥ 0.90 = good fit , 0.80 ≤ RFI < 0.90 = marginal fit CN≥200 RMR ≤ 0.05 adalah good fit GFI≥ 0.90 = good fit , 0.80 ≤ GfI < 0.90 = marginal fit AGFI≥ 0.90 = good fit , 0.80 ≤ AGFI < 0.90 = marginal fit

HASIL ESTIMASI

TINGKAT KECOCOKAN

X2 = 1507.35, Kurang baik (p = 0.0) 522,28 Kurang baik (423.63;628,84) 0.050 (p = 0.00) Baik *M: 7.36 *S: 9.00 *I: 15.65 *M: 1745.71 *S: 1122.00 *I: 6830.76 *M: 2292.00 *S: 3798.80 *I: 6667.90

Baik

Baik

Baik

0.57

Kurang baik

0.73

Kurang baik

0.76

Kurang baik

0.77

Kurang baik

0.53

Kurang baik

153.84

Kurang baik

0.037

Baik

0.78

Kurang baik

0.75

Kurang baik

Analisis Model Pengukuran TA Pemeriksaan t-value dan standardized loading factors


83

Gambar 3.23 Output t-value model model faktor-faktor kesetiaan pelanggan pada TA Gambar di atas memperlihatkan t-value dan standardized loading factors dari tiap variabel teramati. Semua t-value yang berada pada gambar diatas menunjukan nilai ≥ 1,96. Selain itu perlu dilihat dari output standardized loading factors tiap variabel teramati. Berikut ini output standardized loading factors dari LISREL:


84

Gambar 3.24 Output standardized loading factors (SLF) model faktor-faktor kesetiaan pelanggan pada TA


85

Sedangkan jika dilihat dari nilai standardized loading factors, terdapat lima belas variabel teramati yang memiliki nilai ≤ 0.5. Karena nilai standardized loading factors dari AE1, FE7, SR2, SR3, IM1, IM2, IM3, CL1 dan CL4 masih ≥ 0.3, maka variabel tersebut masih dapat dipertimbangkan untuk tidak dihapus dari model. Sedangkan untuk variabel AE2, SR4, SR5, SR6, dan CL2 yang memiliki nilai ≤ 0.30, maka variabel-variabel ini sebaiknya dihapus dari model meskipun nilainya signifikan secara statistik. Dengan demikian, dikarenakan dari 45 variabel teramati terdapat 15 variabel teramati yang tidak memiliki validitas yang baik, maka dapat disimpulkan bahwa validitas seluruh variabel teramati terhadap variabel laten adalah kurang baik sehingga perlu dilakukan respesifikasi model.

Evaluasi terhadap reliabilitas dari model pengukuran Variabel dianggap mempunyai reliabilitas yang baik adalah jika:



Berikut ini adalah output dari LISREL terhadapa nilai construct reliability dan variance extracted: Tabel 3.26 Construct reliability, variance reliability, reliabilitas TA

Variabel

Construct

Variance

Reliability ≥

Reliability ≥

0,7

0,5

Kesimpulan Reliabilitas

FO

1,16

0,54 Baik

TE

0,97

0,50 Baik

AE

0,39

0,28 Kurang baik

FE

0,43

0,30 Kurang baik

SR

0,22

0,18 Kurang baik

PR

0,80

0,25 Cukup baik

SQ

0,86

0,46 Cukup baik

IM

0,36

0,21 Kurang baik

CS

0,84

0,46 Cukup baik

CL

0,17

0,15 Kurang baik


86

Dari tabel di atas dapat dilihat bahwa hanya terdapat dua variabel laten yang memiliki reliabilitas baik. Hal ini dikarenakan ada beberapa variabel teramati (yang telah dijelaskan pada sub bab sebelumnya) yang tidak memiliki validitas yang baik sehingga tidak dapat mengukur variabel latennya dengan baik. Dengan demikian dapat disimpulkan bahwa reliabilitas model pengukuran masih dianggap kurang baik.

3.6.6

Respesifikasi Model TA Respesifikasi model dilakukan untuk memperbaiki kecocokan model

terhadap data. Langkah ini dilakukan dengan melihat informasi yang ada pada indek modifikasi (modification indices) yang terdapat dalam output ketika menjalankan sebuah model. Pertama-tama

yang

dilakukan

dalam

respesifikasi

model

adalah

menghapus variabel-variabel teramati yang memiliki nilai standardized loading factors ≤ 0.30, yaitu variabel AE2, SR4, SR5, SR6, dan CL2. Dengan memanfaatkan informasi yang ada dalam modification indices, biasanya ada 2 saran yang diusulkan, yaitu: (1) Penambahan lintasan (path) di antara 2 variabel laten. Penambahan sebuah lintasan akan menambah sebuah hubungan kausal dalam model, yang berdampak pada penambahan hipotesis pada model sehingga dibutuhkan teori dan alasan yang kuat untuk melakukan respesifikasi ini. (2) Penambahan kovariasi di antara dua kesalahan (errors). Penambahan kovariasi ini dapat dilakukan dengan beberapa petunjuk sebagai berikut: a. Sesuai dengan asumsi pada model matematik SEM, jangan membuat atau menambahkan kovariasi antara δ, ε, dan ζ. b. Tambahkan kovariasi di antara 2 kesalahan yang didukung oleh alasan atau teori yang kuat. c. Pilih penambahan kovariasi di antara 2 kesalahan yang menurunkan Chi-square terbesar dan sebaiknya untuk model pengukuran dari


87

variabel laten yang sama. Meskipun demikian, penambahan kovariasi di antara δ dengan δ, di antara ε dengan ε, dan di antara ζ dengan ζ boleh dilakukan. Dengan begitu dilakukan penambahan kovariasi diantara dua kesalahan (errors) δ dengan δ, dan di antara ε dengan ε. Penambahan kovariasi tersebut adalah sebagai berikut:

Gambar 3.25 Tambahan sintak untuk respesifikasi model Ada beberapa saran dalam modification indices yang tidak dimasukkan karena jika dimasukkan ke dalam model akan membuat model menghasilkan output yang kurang baik. Dengan demikian, dengan menambahkan sintak-sintak di atas, proses respesifikasi model telah dianggap final dan dapat dianalisis hasil dari model yang dijalankan.

3.6.6.1 Kecocokan Keseluruhan Model TA (Overall Model Fit) Setelah Respesifikasi Setelah melakukan respesifikasi terhadap model, maka terlihat perbedaan yang cukup signifikan pada goodness of fit dari keseluruhan model. Beberapa uji goodness of fit dijelaskan pada bagian di bawah ini.


88

Tabel 3.27 Hasil uji kecocokan keseluruhan model awal dan setelah respesifikasi No

UKURAN GOF


1


2

NCP


3

RMSEA


4

ECVI


5

AIC


6

CAIC


7

NFI

8

NNFI

9

CFI

10

IFI

11

RFI

12

CN

13

RMR

14

GFI

15

AGFI


HASIL TINGKAT HASIL TINGKAT ESTIMASI KECOCOKAN ESTIMASI KECOCOKAN AWAL AWAL AKHIR AKHIR X2 = 1507.35, X2 = 1128.47 (P Kurang baik Kurang baik (p = 0.0) = 0.0) 522,28 325.41 (243.50 ; Kurang baik Baik (423.63;628,84) 415.30) 0.050 (p = 0.00) Baik

0.045 (p = 0.00) Baik

*M: 7.36 *S: 9.00 *I: 15.65 *M: 1745.71 *S: 1122.00 *I: 6830.76 *M: 2292.00 *S: 3798.80 *I: 6667.90

*M: 5.45 *S: 1253.41 *I: 13.96 *M: 1080.90 *S: 1640.00 *I: 3211.11 *M: 1733.19 *S: 3388.81 *I: 5282.78

Baik

Baik

Baik

Baik

Baik

Baik

0.57

Kurang baik

0.64 Kurang baik

0.73

Kurang baik

0.81 Marginal

0.76

Kurang baik

0.82 Marginal

0.77

Kurang baik

0.83 Marginal

0.53

Kurang baik

0.61 Kurang baik

153.84

Kurang baik

164.61 Kurang baik

0.037

Baik

0.78

Kurang baik

0.82 Marginal

0.75

Kurang baik

0.79 Marginal

0.038 Baik

Dari tabel di atas terlihat bahwa setelah dilakukan respesifikasi dari 15 ukuran kecocokan, terdapat 4 ukuran yang memperlihatkan kecocokan keseluruhan model yang kurang baik. Dikarenakan dari 11 ukuran kecocokan memperlihatkan 5 ukuran kecocokan marginal, dan 6 ukuran kecocokan baik, dapat ditarik kesimpulan bahwa keseluruhan model yang diestimasi setelah dilakukan respesifikasi terhadap model menunjukkan kecocokan yang baik. Dari tabel tersebut juga dapat disimpulkan bahwa setelah respesifikasi, kecocokan keseluruhan model menjadi lebih baik. Terlihat dari banyaknya perubahan tingkat kecocokan pada beberapa ukuran. Ukuran NCP mengalami perubahan dari tingkat kecocokan kurang baik menjadi baik, serta NFI, NNFI,


89

CFI, IFI, dan GFI yang mengalami perubahan kecocokan menjadi marginal. Dengan banyaknya ukuran GOF yang mengalami perbaikan, tidak ada ukuran GOF yang menghasilkan nilai lebih buruk. Dengan demikian respesifikasi telah berhasil memperbaiki model menjadi lebih baik dari sisi kecocokan keseluruhan model. 3.6.6.2 Model Pengukuran TA Setelah Respesifikasi Uji kecocokan model pengukuran ini dilakukan dengan melakukan uji terhadap validitas dan reliabilitas setiap variabel. Proses ini kembali dilakukan setelah respesifikasi model. Evaluasi terhadap validitas dari model pengukuran setelah respesifikasi Berikut ini adalah output dari LISREL terhadap T-value:


90

Gambar 3.26 Output T-Value Model Pengukuran TA


91

Gambar 3.27 Output standardized loading factors (SLF) model pengukuran TA


92

Gambar di atas memperlihatkan t-value dan standardized loading factors dari tiap variabel teramati. Terdapat enam variabel teramati yang tidak memiliki tvalue, yaitu variabel teramati: SQ1, IM1, CS1 dan CL1. Hal ini dikarenakan telah ditetapkan secara default oleh LISREL, sehingga t-value tidak diestimasi, dengan target nilai t > 2. Disini dapat dilihat bahwa varibel teramati tetap memiliki t-value ≥ 1.96, sehingga muatan faktor yang ada di dalam semua variabel di atas signifikan terhadap variabel latennya. Sedangkan jika dilihat dari nilai standardized loading factors, terdapat sepuluh variabel teramati yang memiliki nilai ≤ 0.5. Karena ke-sepuluh variabel tersebut masih berada ≥ 0.3, maka 10 variabel tersebut tidak perlu di hilangkan dan dapat disimpulkan bahwa validitas seluruh variabel teramati terhadap variabel laten adalah cukup baik.

Evaluasi terhadap reliabilitas dari model pengukuran Uji reliabilitas dalam kecocokan model pengukuran dilakukan untuk melihat konsistensi suatu pengukuran. Di dalam SEM, untuk mengukur reliabilitas menggunakan composite reliability measure (ukuran reliabilitas komposit) dan variance extracted measure (ukuran ekstrak varian). Berikut ini adalah output dari LISREL terhadapa nilai construct reliability dan variance extracted:

Tabel 3.28 Construct Reliability, Variance Reliability, Reliabilitas TA Sebelum Dan Setelah Respesifikasi Variabel FO TE AE FE SR PR SQ IM CS CL

Construct Variance Kesimpulan Construct Variance Kesimpulan Reliability ≥ 0,7 Reliability ≥ 0,5 Reliabilitas Awal Reliability ≥ 0,7 Reliability ≥ 0,5 Reliabilitas Akhir 1.16 1.05 0.40 0.36 0.20 0.82 0.91 0.28 0.87 0.21

0.54 0.51 0.34 0.26 0.17 0.27 0.45 0.21 0.44 0.17

Baik Baik Kurang baik Kurang baik Kurang baik Cukup baik Cukup baik Kurang baik Cukup baik Kurang baik

1.16 1.05 0.78 0.53 0.23 0.80 1.32 0.26 0.83 0.21

0.54 0.51 0.51 0.38 0.16 0.44 0.51 0.42 0.46 0.13

Baik Baik Baik Kurang baik Kurang baik Cukup baik Baik Kurang baik Cukup baik Kurang baik

Dari tabel di atas dapat dilihat bahwa hanya terdapat dua variabel laten yang memiliki reliabilitas baik. Hal ini dikarenakan ada beberapa variabel teramati (yang telah dijelaskan pada sub bab sebelumnya) yang tidak memiliki validitas yang baik sehingga tidak dapat mengukur variabel latennya dengan baik.


93

Dengan demikian dapat disimpulkan bahwa reliabilitas model pengukuran masih dianggap kurang baik.

3.6.6.3 Model Struktural TA Setelah Respesifikasi Evaluasi ini mencakup pemeriksaan terhadap signifikansi koefisienkoefisien yang diestimasi. Jika nilai t-value > 1.96 (nilai mutlak), maka suatu variabel dikatakan signifikan terhadap variabel yang dipengaruhinya. Berikut ini hasil output dari LISREL terhadap nilai signifikansi variabel:


94

Gambar 3.28 Output LISREL untuk model struktural TA

Gambar 3.28 di atas memperlihatkan nilai t-value dari hubungan antara satu variabel laten terhadap variabel laten lainnya setelah model direspesifikasi. Penulisan dengan tanda merah pada gambar di atas menandakan bahwa hubungan antara kedua variabel laten tersebut tidak signifikan.


95

Untuk menyatakan bahwa hubungan antara kedua variabel laten signifikan, maka t-value harus ≥ 1.96. Berikut ini evaluasi terhadap t-value, signifikansi hubungan, serta penerimaan atau penolakan hipotesis dari model akhir yang telah direspesifikasi. Tabel 3.29 Evaluasi Terhadap Koefisien Model Struktural Dan Kaitannya Dengan Hipotesis Penelitian Hipotesis 1 2 3 4 5 6 7 8 9 10

3.7

Hubungan Penawaran penerbangan Kualitas layanan Pengalaman pembelian tiket Kualitas layanan Pengalaman di bandara Kualitas layanan Pengalaman penerbangan Kualitas layanan Kehandalan layanan Kualitas layanan Harga Citra Kualitas layanan Citra Kualitas layanan Kepuasan pelanggan Citra Kesetiaan pelanggan Kepuasan pelanggan Kepuasan pelanggan

T-value

Kesimpulan

2,13 -1,09 0,19 3,39 3,99 0,34 3,91 2,83 2,06 3,69

Signifikan Tidak Signifikan Tidak Signifikan Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan

Keputusan Hipotesis diterima Hipotesis ditolak Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima

Pengerjaan Model Low-cost Carrier Karena model dugaan yang digunakan untuk TA dan LCC merupakan

bentuk model yang sama, maka sub-bab spesifikasi, identifikasi model dan pemilihan estimator yang digunakan sama dengan yang digunakan pada sub-bab pengerjaan model traditional airline. Oleh karena itu, pada sub-bab ini pengerjaannya akan dimulai dari pengolahan data. 3.7.1

Pengolahan data Berikut adalah sintak yang digunakan dalam pengolahan data LCC.


96

Gambar 3.29 Sintak untuk Model LCC Penjelasan untuk sintaks diatas sama dengan penjelasan yang telah dijelaskan pada pengerjaan model traditional airlines. Perbedaan antara sintaks LCC dan sintaks TA terletak pada file raw digunakan, untuk traditional airlines digunakan file TA.psf, sementara untuk LCC digunakan file LCC.psf. selain itu perbedaan juga terletak pada jumlah sample size yang digunakan, sample size yang digunakan disesuaikan dengan data yang dimiliki. Setelah memasukan sintaks tersebut kedalam LISREL yang akan dilakukan selanjutnya adalah menjalankan atau running LISREL.

3.7.1.1 Pemeriksaan terhadap Negative Error Variance Setelah dijalankan LISREL akan mengeluarkan output, dari output tersebut akan dilakukan pemeriksaan error variance dari model yang dijalankan, error variance dari suatu model tidak boleh negatif. Berikut adalah rangkuman dari error variance untuk model LCC:


97

Tabel 3.30 Daftar Error Variance LCC Variabel FO1 FO2 FO3 TE1 TE2 TE3 TE4 TE5 AE1 AE2 AE3 AE4 FE1 FE2 FE3

Error Error Error Variabel Variabel Variance Variance Variance 0,21 FE4 0,42 SQ1 0,35 0,27 FE5 0,37 SQ2 0,36 0,38 FE6 0,31 SQ3 0,30 0,51 FE7 0,32 IM1 0,38 0,44 SR1 0,35 IM2 0,18 0,59 SR2 0,33 IM3 0,24 0,52 SR3 0,36 IM4 0,54 0,59 SR4 0,23 CS1 0,28 0,29 SR5 0,32 CS2 0,21 0,56 SR6 0,26 CS3 0,18 0,54 SR7 0,46 CS4 0,24 0,68 PR1 0,49 CL1 0,24 0,58 PR2 0,45 CL2 0,41 0,35 PR3 0,66 CL3 0,29 0,41 PR4 0,63 CL4 0,36

Yang bisa dilihat dari tabel diatas adalah tidak adanya nilai error variance yang negatif yang berarti model dapat dilanjutkan ke tahapan berikutnya. 3.7.2

Uji Kecocokan Model LCC Langkah-langkah pengerjaan yang sama diterapkan baik pada model TA

dan juga pada model LCC. Berikut adalah hasil uji kecocokan model LCC:


98

3.7.2.1 Kecocokan Keseluruhan Model (overall model fit) LCC Tabel 3.31 Daftar GOFI LCC No

UKURAN GOF


HASIL ESTIMASI AWAL X2 = 1966.55 (P = 0.0)

TINGKAT KECOCOKAN AWAL

1


2

NCP


1066.55 (942.26 Kurang baik ; 1198.55)

3

RMSEA


0.057 (p = 0.00) Baik

4

ECVI


5

AIC


6

CAIC


7

NFI

8

NNFI

9

CFI

10

IFI

11

RFI

12

CN

13

RMR

14

GFI

15

AGFI


*M: 6.13 *S: 5.67 *I: 16.83 *M: 2236.55 *S: 2070.00 *I: 6141.59 *M: 2898.41 *S: 6362.20 *I: 7144.23

Kurang baik

Baik

Baik

Baik

0,68

Kurang baik

0,78

Kurang baik

0,8

Marginal

0,8

Marginal

0,65

Kurang baik

192,72

Kurang baik

0.037

Baik

0,81

Marginal

0,78

Kurang baik


99

Dari lima belas karakteristik kecocokan model secara umum model awal LCC memiliki nilai yang baik sebanyak enam nilai dan nilai marginal sebanyak tiga buah nilai hal ini menunjukan bahwa sembilan dari lima belas ukuran Goodness of Fit (GOF) sudah cocok. Berdasarkan konsensus para peneliti yang menyatakan bahwa tidak ada satu ukuran GOF yang dapat mewakili kecocokan keseluruhan model, maka para peneliti biasanya akan berhenti melakukan perbaikan setelah banyak ukuran GOF yang memenuhi syarat (Widjanarko, 2008). Oleh karena itu dapat disimpulkan bahwa pada model LCC ini tidak perlu diadakan respesifikasi model, seperti yang sebelumnya telah dilakukan pada model TA. 3.7.2.2 Analisis Model Pengukuran LCC Evaluasi terhadap t-value dan standardized loading factors Berikut ini adalah output dari LISREL terhadap T-value:


100

Gambar 3.30 Output t-value model model faktor-faktor kesetiaan pelanggan pada LCC



101

Selain itu perlu dilihat dari output standardized loading factors tiap variabel teramati. Berikut ini output standardized loading factors dari LISREL:

Gambar 3.31 Output standardized loading factors (SLF) model pengukuran customer loyalty LCC



102

Gambar di atas memperlihatkan t-value dan standardized loading factors dari tiap variabel teramati. Semua t-value yang berada pada gambar diatas menunjukan nilai ≥ 1,96. Hal ini menunjukkan bahwa semua variabel teramati dapat menggambarkan varibel-variabel laten yang ada. Sedangkan jika dilihat dari nilai standardized loading factors, terdapat sebelas variabel teramati yang memiliki nilai ≤ 0.5. Evaluasi terhadap reliabilitas dari model pengukuran Variabel dianggap mempunyai reliabilitas yang baik adalah jika:



Berikut ini adalah output dari LISREL terhadapa nilai construct reliability dan variance extracted: Tabel 3.32 Construct Reliability, Variance Reliability, Reliabilitas LCC Variabel

Construct Variance Reliability ≥ 0,7 Reliability ≥ 0,5

FO TE AE FE SR PR SQ IM CS CL

1,73 0,33 0,50 1,29 1,56 0,29 0,93 0,88 2,22 1,72

0,50 0,18 0,26 0,51 0,52 0,16 0,31 0,30 0,50 0,56

Kesimpulan Reliabilitas Baik Kurang baik Kurang baik Baik Baik Kurang baik Cukup baik Cukup baik Baik Baik

Dari tabel di atas dapat dilihat bahwa hanya terdapat lima variabel laten yang memiliki reliabilitas baik dan dua variabel laten yang memiliki reliabilitas cukup baik. Dengan demikian dapat disimpulkan bahwa reliabilitas model pengukuran masih dianggap cukup baik. 3.8

Model Struktural LCC Berikut adalah gambar model struktural untuk LCC:



103

Gambar 3.32 Model Struktural LCC Dari gambar diatas nilai yang berwarna merah menunjukkan t-value yang berada diantara nilai -1,96 sampai dengan 1,96 yang menunjukkan bahwa



104

hubungan antar variabel laten yang ditunjukkan tidak signifikan. Berikut adalah rangkuman dari hubungan-hubungan antar variabel laten tersebut:

Tabel 3.33 Evaluasi Terhadap Koefisien Model Struktural Dan Kaitannya Dengan Hipotesis Penelitian Hipotesis 1 2 3 4 5 6 7 8 9 10


T-value -0,99 1,39 2,16 -0,92 2,88 2,1 4,12 3,88 2,5 10,85

Kesimpulan Tidak Signifikan Tidak Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan


Keputusan Hipotesis ditolak Hipotesis ditolak Hipotesis diterima Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima


BAB 4 ANALISIS DATA

4

BAB 4

Analisis Model Struktural Traditional Airlines

4.1

Pada penelitian ini terdapat sepuluh variabel laten dan 45 variabel teramati, berdasarkan pengolahan data yang dilakukan pada bab 3 telah diketahui signfikansi hubungan antar variabel laten. Pada bab ini akan dilakukan analisis mengenai signifikansi tersebut. Berikut adalah tabel yang menunjukkan hubungan antar variabel laten yang ada: Tabel 4.1 Evaluasi terhadap Hasil Model Struktural TA Hipote sis

Hubungan

Estimates

T-value

Kesimpulan

1 2 3 4 5 6 7 8 9 10

Penawaran penerbangan Kualitas layanan Pengalaman pembelian tiket Kualitas layanan Pengalaman di bandara Kualitas layanan Pengalaman penerbangan Kualitas layanan Kehandalan layanan Kualitas layanan Harga Citra Kualitas layanan Citra Kualitas layanan Kepuasan pelanggan Citra Kesetiaan pelanggan Kepuasan pelanggan Kepuasan pelanggan

0,26 -0,13 0,02 0,31 0,36 0,03 0,58 0,26 0,31 0,84

2,13 -1,09 0,19 3,39 3,99 0,34 3,91 2,83 2,06 3,69

Signifikan Tidak Signifikan Tidak Signifikan Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan

Ke putusan Hipotesis diterima Hipotesis ditolak Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima

Berdasarkan tabel diatas dapat dilakukan analisis sebagai berikut: •

Hipotesis 1: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa penawaran penerbangan secara signifikan memberikan pengaruh terhadap kualitas layanan dengan hubungan yang berbanding positif atau lurus. Hal ini menunjukkan bahwa responden TA merasakan faktor-faktor seperti banyaknya variasi pilihan tujuan, tingginya frekuensi penerbangan dan juga waktu keberangkatan yang nyaman merupakan faktor penting yang mempengaruhi kualitas

105



106

pelayanan yang diberikan maskapai tersebut. Jika dilihat dari nilai standardized loading factors (SLF) dari 3 buah variabel teramati yang terdapat pada tabel di bawah ini; Tabel 4.2 Stadardized Loading Factors untuk Penawaran Penerbangan pada TA Variabel Teramati FO1 : Pilihan tujuan yang menarik FO2 : Frekuensi penerbangan FO3 : Jadwal keberangkatan dan kedatangan

SLF 0,76 0,79 0,64

Dari tabel diatas dapat dilihat bahwa yang memiliki kontribusi paling besar dalam mempengaruhi variabel laten tersebut adalah adanya frekuensi penerbangan yang tinggi per minggunya. Hal ini mungkin disebabkan oleh kecenderungan pengguna TA untuk melakukan penerbangan mendadak dan tidak memesan sejak jauh-jauh hari seperti yang dilakukan oleh pengguna LCC, sehingga mereka membutuhkan frekuensi penerbangan yang tinggi yang dapat memudahkan mobilisasi mereka. •

Hipotesis 2: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa pengalaman pembelian tiket tidak memiliki pengaruh signifikan terhadap kualitas layanan yang diberikan oleh maskapai penerbangan. Hal ini mungkin saja terjadi karena pada prakteknya di Indonesia pembelian tiket dapat dilakukan melalui banyak cara, seperti mendatangi agen penjualan ataupun membeli secara online. Beragamnya cara pembelian tiket ini memudahkan responden dalam mendapatkan tiket sehingga pembelian tiket tidak lagi menjadi aspek yang signifikan dalam mempengaruhi kualitas layanan maskapai penerbangan tersebut secara keseluruhan.

•

Hipotesis 3: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau



107

negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa pengalaman di bandara tidak memiliki pengaruh signifikan terhadap kualitas layanan yang diberikan oleh maskapai penerbangan. Hasil yang tidak signifikan ini sama dengan hasil yang didapatkan pada penelitian sebelumnya oleh Mikulic dan Prebezac (2011)

yang

melakukan

penelitian

terhadap

faktor-faktor

yang

mempengaruhi kesetiaan pelanggan pada industri penerbangan di Kroasia. •

Hipotesis 4: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa pengalaman penerbangan memiliki pengaruh yang signifikan terhadap kualitas layanan yang diberikan dengan hubungan yang berbanding lurus. Faktor-faktor kenyamanan dalam penerbangan yang dideskripsikan dalam variabel laten tersebut, seperti kenyamanan tempat duduk, professionalisme awak pesawat, desain kabin, dan lain-lain,

diharapkan untuk tidak mengalami penurunan karena

penurunan dalam sarana dan prasarana ini memiliki nilai yang signifikan terhadap kualitas layanan yang dirasakan oleh responden. Berdasarkan nilai standardized loading factors dibawah ini akan dapat dilihat bahwa diantara variabel-variabel teramati dari variabel laten pengalaman penerbangan yang memiliki kontribusi paling besar terhadap variabel latennya adalah profesionalisme awak pesawat sehingga sebaiknya profesionalisme awak pesawat tersebut selalu dijaga. Tabel 4.3 Stadardized Loading Factors untuk Pengalaman Penerbangan pada TA Variabel Teramati FE1 : Penawaran makanan dan minuman dalam penerbangan FE2 : Profesionalisme awak pesawat FE3 : Desain kabin FE4 : Tempat duduk yang nyaman FE5 : Air conditioner yang bekerja dengan baik FE6 : Fasilitas sanitasi yang terjaga kebersihannya FE7 : Keseluruhan layanan dalam penerbangan


SLF 0,55 0,62 0,51 0,47 0,56 0,59 0,39


108

•

Hipotesis 5: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa kehandalan layanan memiliki pengaruh yang signifikan terhadap kualitas layanan dan hubungan yang dihasilkan bernilai positif atau dengan kata lain berbanding lurus. Faktor-faktor yang terdapat dalam kehandalan layanan adalah keamanan dan ketepatan waktu penerbangan. Pada saat melakukan respesifikasi model pengukuran terdapat beberapa faktor pada variabel laten kehandalan layanan yang dihapuskan, variabel-variabel tersebut adalah SR4, SR5 dan SR6. Maka setelah itu hasil SLF yang ditampilkan adalah sebagai berikut:

Tabel 4.4 Stadardized Loading Factors untuk Kehandalan Layanan pada TA

Variabel Teramati SR1 : Keamanan dalam penerbangan SR2 : Asuransi penerbangan SR3 : Prosedur keamanan SR7 : Pemberitahuan penyebab keterlambatan

SLF 0,87 0,36 0,32 0,4

Dari tabel diatas dapat dilihat bahwa faktor yang memiliki kontribusi terbesar terhadap kehandalan layanan yang diberikan oleh traditional airlines adalah keamanan dalam penerbangan. •

Hipotesis 6: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa harga tidak signifikan dalam mempengaruhi citra maskapai penerbangan TA.

•

Hipotesis 7: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa kualitas layanan memiliki hubungan



109

yang signifikan dengan citra dan juga memiliki nilai yang positif, yang artinya semakin baik kualitas layanan yang diberikan oleh traditional airlines akan semakin baik pula citra maskapai penerbangan pada pelanggannya. Berdasarkan hasil dari hipotesis 6 dan 7 dapat diketahui bahwa dari dua buah variabel laten yang mempengaruhi citra, yaitu harga dan kualitas layanan, terdapat satu variabel yang tidak mempengaruhi citra traditional airlines secara signifikan dan variabel tersebut adalah variabel harga. •

Hipotesis 8: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa kualitas layanan mempengaruhi kepuasan pelanggan dengan hubungan yang berbanding lurus. Hubungan ini sesuai dengan penelitian sebelumnya yang dilakukan oleh Pollack (2009) yang menyatakan adanya hubungan positif antara kualitas layanan dengan kepuasan yang dirasakan oleh pelanggan.

•

Hipotesis 9: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa citra memiliki pengaruh signifikan yang berbanding lurus dengan kesetiaan pelanggan.

•

Hipotesis 10: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa kepuasan pelanggan berbanding lurus dengan kesetiaan pelanggan. Secara logika, pelanggan akan setia menggunakan suatu produk, atau dalam hal ini jasa, jika pelanggan tersebut merasa puas dengan jasa yang diberikan oleh perusahaan.



110

Hipotesis 9 dan 10 memperlihatkan pengaruh dari suatu variabel laten, yaitu citra dan kepuasan pelanggan, terhadap kesetiaan pelanggan. Jika dilihat dari nilai SLF pada tabel dibawah ini akan dapat ditarik sebuah kesimpulan bahwa kepuasan pelanggan memiliki kontribusi yang lebih besar dibandingkan dengan citra terhadap kesetiaan pelanggan. Tabel 4.5 Stadardized Loading Factors untuk Citra dan Kepuasan Pelanggan terhadap Kesetiaan Pelanggan pada TA

Hubungan Citra → Kesetiaan pelanggan Kepuasan pelanggan → Kesetiaan pelanggan

SLF 0,31 0,84

Gambar dibawah ini merupakan model akhir untuk traditional airlines. Garis putus-putus menandakan hubungan yang tidak signifikan sementara garis lurus menggambarkan hubungan yang signifikan.

Gambar 4.1 Model Struktural Akhir TA



111

Dari gambar diatas dapat dilakukan analisa lanjutan. Seperti yang telah dibahas sebelumnya bahwa kepuasan pelanggan (customer satisfaction) lebih berkontribusi kepada kesetiaan pelanggan (customer loyalty). Sementara kepuasan pelanggan (customer satisfaction) hanya dipengaruhi oleh kualitas layanan (service quality) dan untuk kualitas layanan (service quality) sendiri dapat dilihat bahwa yang memiliki kontribusi terbesar adalah kehandalan layanan (service reliability). Sehingga untuk menjawab tujuan dari penelitian ini dapat disimpulkan bahwa

faktor

kualitas

lebih

berkontribusi

dalam

kesetiaan

pelanggan

dibandingkan dengan harga dan yang memiliki kontribusi terbesar diantara variabel-variabel kualitas adalah kehandalan layanan. Analisis Model Struktural Low-cost Carrier

4.2

Proses pembentukan model struktural untuk LCC, seperti juga TA, telah dilakukan pada bab sebelumnya sehingga berikut adalah rangkuman dari hipotesis-hipotesis yang pada model struktural LCC: Tabel 4.6 Evaluasi terhadap Hasil Model Struktural LCC Hipotesis 1 2 3 4 5 6 7 8 9 10

•


Estimates -0,08 0,13 0,28 -0,1 0,24 0,18 0,51 0,35 0,13 0,75

T-value -0,99 1,39 2,16 -0,92 2,88 2,1 4,12 3,88 2,5 10,85

Kesimpulan Tidak Signifikan Tidak Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan

Keputusan Hipotesis ditolak Hipotesis ditolak Hipotesis diterima Hipotesis ditolak Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima Hipotesis diterima

Hipotesis 1: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa penawaran penerbangan yang dilakukan tidak memiliki hubungan yang signifikan terhadap kualitas yang diberikan oleh maskapai penerbangan LCC. Dari hasil ini terlihat bahwa responden LCC tidak merasa bahwa jadwal penerbangan dan frekuensi penerbangan merupakan hal yang signifikan, hal ini mungkin terjadi



112

karena pengguna LCC akan cenderung memesan tiket jauh sebelum waktu keberangkatan untuk mendapatkan harga yang murah sehingga frekuensi penerbangan tidak menjadi hal yang penting bagi mereka. Begitu pula dengan kenyamanan waktu keberangkatan, responden LCC tidak merasa bahwa jadwal keberangkatan LCC yang biasanya dilakukan pagi-pagi sekali atau pada malam hari, diluar jam sibuk bandara, merupakan hal yang signifikan dalam mempengaruhi kualitas layanan yang diberikan. •

Hipotesis 2: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa pengalaman pembelian tiket tidak memiliki pengaruh signifikan terhadap kualitas layanan yang diberikan oleh maskapai penerbangan. Hal ini mungkin saja terjadi karena pada prakteknya di Indonesia pembelian tiket dapat dilakukan melalui banyak cara, seperti mendatangi agen penjualan ataupun membeli secara online. Beragamnya cara pembelian tiket ini memudahkan responden dalam mendapatkan tiket sehingga pembelian tiket tidak lagi menjadi aspek yang signifikan dalam mempengaruhi kualitas layanan maskapai penerbangan tersebut secara keseluruhan.

•

Hipotesis 3: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa pengalaman di bandara signifikan dan memiliki nilai yang berbanding lurus terhadap kualitas layanan. Pada variabel laten pengalaman dibandara terdapat empat buah variabel teramati. Dari ke-empat variabel teramati tersebut yang merupakan variabel yang memiliki kontribusi terbesar dalam mempengaruhi variabel laten pengalaman di bandara adalah variabel AE1 dan AE3, yaitu kemudahan dalam melakukan check-in dan juga kenyamanan pada ruang tunggu bandara. Hasil tersebut dapat terlihat pada tabel SLF dibawah:



113

Tabel 4.7 Stadardized Loading Factors untuk Pengalaman di Bandara pada LCC

Variabel Teramati AE1 : Kemudahan dalam check-in AE2: Kemudahan dalam memperoleh informasi AE3: Ruang tunggu bandara AE4 : Kemudahan dalam mengurus bagasi •

SLF 0,56 0,52 0,56 0,38

Hipotesis 4: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa pengalaman penerbangan tidak memiliki hubungan yang signifikan terhadap kualitas layanan yang diberikan oleh maskapai penerbangan tersebut. Dari hasil yang diperlihatkan oleh model ini dapat disimpulkan bahwa responden LCC tidak menilai bahwa kenyamanan tempat duduk, desain kabin, profesionalitas awak pesawat dan lain-lain merupakan hal yang signifikan dalam penilaian kualitas layanan yang diberikan oleh maskapai penerbangan tersebut.

•

Hipotesis 5: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa kehandalan layanan memiliki pengaruh yang signifikan terhadap kualitas layanan dan hubungan yang dihasilkan bernilai positif atau dengan kata lain berbanding lurus. Faktor-faktor yang terdapat dalam kehandalan layanan adalah keamanan dan ketepatan waktu penerbangan.



114

Tabel 4.8 Stadardized Loading Factors untuk Kehandalan Layanan pada LCC Variabel Teramati SR1 : Keamanan dalam penerbangan SR2 : Asuransi penerbangan SR3 : Prosedur keamanan SR4 : Letak alat keamanan penerbangan SR5 : Pemberitahuan keadaan penerbangan SR6 : Penerbangan tepat waktu SR7 : Pemberitahuan penyebab keterlambatan

SLF 0,53 0,78 0,73 0,78 0,7 0,82 0,66

Dari tabel diatas dapat diperoleh informasi bahwa diantara variabelvariabel yang menyatakan kehandalan layanan yang merupakan variabel yang memiliki kontribusi terbesar terhadap kehandalan layanan LCC adalah variabel ketepatan waktu penerbangan. •

Hipotesis 6: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa harga mempunyai hubungan yang berbanding lurus dan signifikan terhadap citra maskapai penerbangan LCC. Dengan kata lain, semakin bagus harga yang ditawarkan akan semakin baik citra maskapai penerbangan tersebut dimata pelanggannya. Semakin bagus disini berarti harga yang ditawarkan semakin terjangkau oleh pelanggan, dapat bersaing dengan harga yang diberikan oleh kompetitor dan juga disertai dengan program-program diskon bagi pelanggannya.

•

Hipotesis 7: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model TA dapat diketahui bahwa kualitas layanan memiliki hubungan yang signifikan dengan citra dan juga memiliki nilai yang positif, yang artinya semakin baik kualitas layanan yang diberikan oleh maskpai



115

penerbangan akan semakin baik pula citra maskapai penerbangan pada pelanggannya. Karena variabel laten citra dipengaruhi oleh dua variabel laten lainnya, yaitu kualitas layanan dan harga, dengan menggukan SLF kualitas layanan dan SLF harga akan dapat dilihat variabel mana yang memiliki kontribusi atau pengaruh yang lebih besar terhadap variabel laten citra. Berikut adalah tabel yang menunjukkan nilai SLF variabel-variabel laten tersebut: Tabel 4.9 Stadardized Loading Factors untuk Kualitas Layanan dan Harga terhadap Citra pada LCC

Hubungan Kualitas Layanan → Citra Harga → Citra

SLF 0,51 0,18

Dari hasil diatas dapat dilihat bahwa kualitas layanan memiliki nilai SLF yang lebih besar dibandingkan dengan harga, hal ini menunjukkan bahwa kualitas

layanan

memiliki

kontribusi

yang

lebih

besar

dalam

mempengaruhi citra. •

Hipotesis 8: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa kualitas layanan mempengaruhi kepuasan pelanggan dengan hubungan yang berbanding lurus. Hubungan ini sesuai dengan penelitian sebelumnya yang dilakukan oleh Pollack (2009) yang menyatakan adanya hubungan positif antara kualitas layanan dengan kepuasan yang dirasakan oleh pelanggan.

•

Hipotesis 9: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa citra memiliki pengaruh signifikan yang berbanding lurus dengan kesetiaan pelanggan.



116

•

Hipotesis 10: T-value digunakan untuk mengetahui signifikansi hubungan antar variabel laten, sementara estimates digunakan untuk mengetahui positif atau negatifnya hubungan antar variabel laten tersebut. Berdasarkan hasil dari model LCC dapat diketahui bahwa kepuasan pelanggan berbanding lurus dengan kesetiaan pelanggan. Secara logika, pelanggan akan setia menggunakan suatu produk, atau dalam hal ini jasa, jika pelanggan tersebut merasa puas dengan jasa yang diberikan oleh perusahaan. Setelah melakukan analisis terhadap hipotesis 9 dan 10 selanjutnya akan dapat dilihat manakah diantara citra dan kepuasan pelanggan yang memiliki kontribusi lebih besar terhadap kesetiaan pelanggan dan ternyata setelah dilakukan pembacaan data didapatkanlah hasil bahwa kepuasan pelanggan memiliki kontribusi yang lebih besar terhadap kesetiaan pelanggan, seperti yang tertera pada tabel dibawah ini:

Tabel 4.10 Stadardized Loading Factors untuk Citra dan Harga terhadap Citra pada LCC

Hubungan Citra → Kesetiaan pelanggan Kepuasan pelanggan → Kesetiaan pelanggan

SLF 0,13 0,75

Gambar dibawah ini merupakan model akhir untuk low-cost carrier. Garis putus-putus menandakan hubungan yang tidak signifikan sementara garis lurus menggambarkan hubungan yang signifikan.



117

Gambar 4.2 Model Struktural Akhir LCC

Analisis akhir yang bisa dilakukan dari model struktural diatas adalah bahwa kepuasan pelanggan (customer satisfaction) lebih berkontribusi kepada kesetiaan pelanggan (customer loyalty). Sementara kepuasan pelanggan (customer satisfaction) hanya dipengaruhi oleh kualitas layanan (service quality) dan untuk kualitas layanan (service quality) sendiri dapat dilihat bahwa yang memiliki kontribusi terbesar adalah pengalaman di bandara (airport experience). Kesimpulan yang dapat diambil dari penelitian model LCC ini adalah kualitas layanan merupakan hal yang lebih memberikan kontribusi kepada kesetiaan pelanggan jika dibandingkan dengan harga.



BAB 5 KESIMPULAN DAN SARAN 5 5.1

BAB 5

Kesimpulan Dari model yang telah dijalankan dan telah direspesifikasi dapat

disimpulkan bahwa: 1. Pada model struktural akhir kedua maskapai dapat dilihat bahwa kepuasan pelanggan (customer satisfaction) memberikan kontribusi lebih besar kepada kesetiaan pelanggan (customer loyalty) dibandingkan dengan citra (image). 2. Pada model traditional airline, kesetiaan pelanggan dipengaruhi oleh 3 varibel, yaitu penawaran penerbangan (offer of flight and destination), pengalaman penerbangan (flight experience) dan kehandalan layanan (service reliability). Dimana nilai koefisien yang diberikan oleh penawaran penerbangan

adalah

sebesar

0,36,

sedangkan

untuk

pengalaman

penerbangan sebesar 0,31 dan nilai untuk penawaran penerbangan sebesar 0,26. Berdasarkan nilai koefisien dari ketiga variabel tersebut, maskapai penerbangan diharapkan untuk dapat memberikan perhatian lebih besar kepada variabel dengan nilai terbesar, yaitu kualitas layanan (service quality) dengan keamanan layanan sebagai prioritas perbaikan. 3. Berdasarkan hasil yang didapatkan dari model LCC, kesetiaan pelanggan dipengaruhi oleh pengalaman di bandara (airport experience) kehandalan layanan (service reliability), dan harga (price). Pengalaman di bandara memiliki nilai koefisien terbesar yaitu sebesar 0,28. Sementara itu kehandalan layanan memiliki nilai koefisien sebesar 0,24 dan harga dengan nilai 0,18. Berdasarkan nilai koefisien dari ketiga variabel tersebut, maskapai penerbangan diharapkan untuk dapat memberikan perhatian lebih besar kepada variabel dengan nilai terbesar, yaitu pengalaman di bandara

(airport

experience)

dengan

kemudahan

check-in

dan

kenyamanan ruang tunggu bandara sebagai prioritas.

118



119

5.2

Saran Sebagai bahan penyempurnaan untuk penelitian selanjutnya, berikut saran

dan masukan yang dapat diberikan sebaiknya perlu dilakukan penelitian untuk penumpang yang berada di daerah luar Jabodetabek untuk melihat hasil penelitian ini karena dimungkinkan terdapat perbedaan terhadap hasil penelitian tersebut. Selain itu, di dalam melakukan penelitian sebaiknya menggunakan sampel yang cukup banyak untuk menghasilkan output yang lebih baik dimana sample yang di ambil merupakan penumpang yang pernah menggunakan jasa penerbangan baik yang Traditional Airlines dan Low Cost Carrier. Hal ini dikarenakan penumpang yang pernah merasakan kedua jasa penerbangan tersebut diharapkan dapat melakukan perbandingan jasa pelayanan terhadap kedua jenis penerbangan tersebut. Saran dari hasil penelitian ini pun diharapakan dapat memperbaiki penelitian yang telah dilakukan. Hal ini dikarenakan masih terdapat banyak kekurangan dari penelitian ini, sehingga dengan melakukan beberapa saran tersebut dapat meningkatkan jasa penerbangan untuk lebih memperhatikan beberapa variabel yang mempengaruhi kepuasan pelanggan.



DAFTAR PUSTAKA 6 DAFTAR PUSTAKA Beerli, A. M. (2002). A Model of Customer Loyalty in the Retail Banking Market. European Journal of Marketing, 38(1), 253-275. Carol A, R. a. (1994). Defining Quality : Alternatives and Implication. 19(3), 427. Hair, J., Black, W., Babin, B., & R, A. (2002). Multivariate Data Analysis. Pearson Prentice Hall. Hari, W. S. (2008). Structural Equation Modeling dengan LISREL 8.8: Konsep dan Tutorial. Yogyakarta: Graha Ilmu. Jamal, & Anastasiadou. (2009). Investigating the effects of service quality dimensions and expertise on loyalty. European Journal of Marketing, 43(3), 400. Jamal, A. a. (2002). Customer Satisfaction and Retail Banking: as Assessment of some od the Key Arecedents of Customer Satisfaction in Retail Banking. International Journal of Bank Marketing, 20, 146-160. Kang, G. J. (2004). Service quality dimensions: an examination of Gronroos’s service quality model. Managing Service Quality, 14, 266-277. Kovacs, M. e. (2011, Mar). Relations between Consumer Effort, Risk Reduction and Satisfaction with E-commerce Buying Process : The Development of a Conceptual Framework. International Journal of Marketing, 28(1), 316. Lichtle, M. &. (2008). Understanding Better Consumer Loyalty. Recherche et Applications en Marketing, 23(4), 122. Mikulic, J., & Prebezac, D. (2011). What drives passenger loyalty to traditional and low-cost airlines? A formative. Journal of Air Transport Management, 17, 237-240. Parasuraman, A. B., & V.A. (1985). A Conceptual Model of Service Quality and Its Implicarions for Future Research. Journal of Marketing, 49, 47. Parasuraman, A. B., & V.A. (1991). Refinement and Reassessment of the Servqual Scale. Journal of Retailing, 422. Pollack, B. (2009). Linking the Hierarchical Service Quality Model to Customer Satisfaction and Loyalty. Jounal of Service Marketing, 23(1), 42-50. Quantum, I. (2010, April). Three Indonesia Airlines dominate flight market share.

120



121

Tarigan, E. (2010, August 02). Garuda tidak Khawatir Layanan Low Cost Carrier. http://www.mediaindonesia.com/read/2010/08/02/159555/21/2/Garudatidak-Khawatir-Layanan-Low-Cost-Carrier. Uherek, E. (2006, July). Low Cost Airlines in Europe http://www.atmosphere.mpg.de/enid/Information_2/Low_cost_airlines__development_61i.html. Wupertal Papers. Zins, A. (2001). Relative Attitudes and Commitment in Customer Loyalty Models. International Journal of Service Industry, 12(3), 269.

-



UNIVERSITAS INDONESIA

Recommend Documents