KEPUASAN KONSUMEN
6. Metode Analisis
a) Analisis Tingkat Kepuasan Pelanggan
Tingkat kepuasan pelanggan diukur dengan menggunakan indeks dalam bentuk top two boxes index yang diperoleh dari hasil perhitungan persentase jumlah responden yang memberikan jawaban puas dan sangat puas (Irawan 2007). Untuk skala 1-5, maka indeks kepuasan pelanggan diperoleh dari persentase jumlah responden yang menjawab pada skala 4 dan 5, sedangkan tingkat ketidakpuasan pelanggan dapat diperoleh dari persentase jumlah responden yang menjawab pada skala 1 dan 2 (tidak puas dan sangat tidak puas). Apabila top two boxes index menyatakan angka 80%, maka dapat diinterpretasikan bahwa jumlah pelanggan yang terpuaskan adalah sebanyak 80% atau tingkat kepuasan pelanggan mencapai 80%. Dengan demikian indeks ini menjadi lebih mudah untuk dikomunikasikan kepada berbagai pihak yang membutuhkannya.
b) Penalty-reward Analysis
Menurut Suharjo (2004) dalam Wirawan (2005), Penalty-reward analysis bertujuan mengelompokkan atribut berdasarkan hirarki kebutuhannya yang dikaitkan dengan kontribusi atribut tersebut terhadap pengembangan kepuasan secara menyeluruh. Atribut tersebut dibagi dalam 3 kategori, yaitu:
(1) Basic Attributes, yaitu atribut yang apabila tidak ada atau tidak terpenuhi dapat mengurangi kepuasan, namun apabila terpenuhi tidak akan menambah kepuasan.
(2) Performance Attributes, yaitu suatu atribut yang apabila tidak ada atau tidak terpenuhi maka dapat mengurangi kepuasan, namun apabila terpenuhi dapat menambah kepuasan.
(3) Excitement Attributes, yaitu atribut yang apabila tidak ada atau tidak terpenuhi tidak akan mengurangi kepuasan, namun apabila terpenuhi dapat menambah atau meningkatkan kepuasan.
Umumnya pelanggan cenderung menggunakan skala tertinggi dalam menilai suatu produk atau jasa, namun pada penalty-reward analysis lebih melihat kedua sisi dari skala tersebut untuk menentukan bahwa skala yang lebih rendah terkait dengan ketidakpuasan dan skala yang lebih tinggi terkait dengan kepuasan. Teknik ini juga berlaku baik untuk jumlah atribut yang banyak maupun sedikit. Atribut-atribut yang cenderung meningkatkan kepuasan secara keseluruhan (overall satisfaction) merupakan suatu rewards. Atribut-atribut yang cenderung menurunkan kepuasan secara keseluruhan merupakan suatu penalties.
Menurut Suharjo (2004) dalam Wirawan (2005), tahapan Penalty-reward analysis dimulai dengan menggunakan skala likert 1-5 untuk mengukur kepuasan per atribut maupun kepuasan secara menyeluruh, dengan ketentuan sebagai berikut:
a. Khusus untuk responden yang menjawab pada skala 4 dan 5 untuk kepuasan menyeluruh (overall satisfaction), hitung jumlah responden tersebut untuk setiap atribut.
b. Untuk setiap atribut, hitung jumlah responden yang menjawab pada setiap skala.
c. Hitung persentase jumlah responden pada butir a dan b di atas, kemudian kelompokkan ke dalam 3 kategori sebagai berikut:
- Skala 1 dan 2 : kategori “tidak memenuhi harapan”
- Skala 4 dan 5 : kategori ”melebihi harapan”
d. Selanjutnya kategori setiap atribut ditentukan sebagai berikut:
(1) Basic Attributes, yaitu apabila jumlah persentase pada kategori ”tidak memenuhi harapan” lebih rendah dari persentase kategori “memenuhi harapan”, namun jumlah persentase responden pada kategori “memenuhi harapan” minimal sama atau lebih tinggi dari kategori ”melebihi harapan”.
(2) Performance Attributes, yaitu apabila jumlah persentase pada kategori “tidak memenuhi harapan” lebih rendah dari jumlah persentase kategori “memenuhi harapan” dan jumlah persentase responden pada kategori “memenuhi harapan” lebih rendah dari kategori “melebih harapan”.
(3) Excitement Attributes, yaitu apabila jumlah persentase pada kategori “tidak memenuhi harapan” sama atau lebih tinggi dari persentase kategori ”memenuhi harapan”, namun jumlah persentase responden pada kategori ”memenuhi harapan” lebih rendah dari kategori ”melebihi harapan”.
c) Analisis Kesenjangan (Gap Analysis)
Analisis kesenjangan digunakan untuk mengetahui seberapa besar kesenjangan (gap) antara persepsi dan harapan pelanggan secara komprehensif. Kesenjangan (gap) pada sebuah atribut produk akan terjadi apabila terdapat perbedaan antara nilai tingkat kepentingan pelanggan dan tingkat kepuasan pelanggan. Besarnya nilai kesenjangan yang diperoleh dapat menggambarkan seberapa besar harapan pelanggan dapat dipenuhi oleh kinerja sebuah produk yang dirasakan atau diterima pelanggan.
Nilai tingkat kepentingan pelanggan dihitung berdasarkan persentase jumlah responden yang menjawab penting dan sangat penting dan nilai tingkat kepuasan pelanggan diperoleh dari persentase jumlah responden yang menjawab puas dan sangat puas, dalam kuesioner masing-masing berada pada skala 4 dan 5 (top two
boxes index). Berdasarkan hasil analisis kesenjangan dapat diketahui atribut produk mana yang memiliki kesenjangan yang paling besar atau memiliki kinerja yang paling rendah dalam memenuhi harapan pelanggan.
d) Analisis Diagonal (Suharjo Split)
Metode ini digunakan untuk mengukur tingkat kepentingan dan tingkat kepuasan pelanggan (efisiensi produk dan layanan) terhadap suatu atribut. Hasil analisis ini ditampilkan dalam bentuk diagram kartesius dengan memotong garis linier pada titik nol antara garis kepentingan dan garis kepuasan. Garis linier ini disebut garis efficient (Wirawan 2005). Titik koordinat setiap atribut yang digambarkan dalam diagram kartesius tersebut diperoleh berdasarkan perhitungan persentase jumlah responden yang masing-masing menjawab pada skala 4 dan 5 (top two boxes index). Model analisis diagonal (Suharjo split) diilustrasikan pada Gambar 9. Tingkat Kepentingan X T in g ka t K epu a sa n Y efficient over under I II III IV
Penjelasan:
(1) Atribut di bawah garis efficient disebut atribut produk atau layanan yang tidak memadai (under), dengan (Y-X) menghasilkan nilai negatif.
(2) Atribut di atas garis efficient disebut atribut produk atau layanan yang berlebihan (over), dengan (Y-X) bernilai positif.
(3) Atribut yang berada tepat pada garis efficient disebut atribut produk atau layanan yang memadai, dengan (Y-X) menghasilkan nilai nol.
(4) Prioritas pengembangan atribut dapat diidentifikasi dari hasil pengukuran nilai X dan Y. Apabila hasil pengurangan Y dan X negatif, maka atribut tersebut perlu dikembangkan atau ditingkatkan. Apabila hasil pengurangan Y dan X adalah nol, maka atribut tersebut perlu dipertahankan dan apabila hasil pengurangan Y dan X adalah positif, maka atribut tersebut perlu disesuaikan (jika memungkinkan) sehingga menjadi lebih efisien.
e) CHAID Analysis
CHAID adalah singkatan dari chi-square automatic interaction detector. Prosedurnya dikenal dengan automatic interaction detector (AID) dan menggunakan statistik chi-square sebagai alat utamanya. CHAID secara keseluruhan bekerja untuk menduga sebuah variabel tunggal, disebut sebagai variabel dependen (terikat), yang didasarkan pada sejumlah variabel-variabel lain, disebut sebagai variabel independen (bebas) (Kunto dan Hasana 2006). CHAID adalah metode eksplorasi untuk mengklasifikasikan data kategori yang bertujuan membagi serangkaian data menjadi subgrup-subgrup yang berbeda secara signifikan berdasarkan kriteria yang ditetapkan. Kriteria tersebut disebut juga sebagai variabel dependen (Lehmann dan Eherler 2001).
Menurut Bagozzi (1994) dalam Kunto dan Hasana 2006, CHAID digunakan untuk membentuk segmentasi yang membagi sebuah sampel menjadi dua atau lebih kelompok yang berbeda berdasarkan sebuah kriteria tertentu. Kemudian diteruskan dengan membagi kelompok-kelompok tersebut menjadi kelompok yang lebih kecil berdasarkan variabel-variabel independen yang lain dan
seterusnya sampai tidak ditemukan lagi variabel independen yang signifikan secara statistik. Segmen-segmen yang dihasilkan akan bersifat saling lepas yang secara statistik akan memenuhi kriteria pokok segmentasi dasar. Hasilnya juga akan memberikan peringkat pada variabel independen dari yang paling signifikan sampai yang tidak signifikan berdasarkan uji chi-square. Uji chi-square merupakan uji non-parametrik yang sesuai untuk menguji hubungan antar variabel yang berbentuk kategori (Myers 1996 dalam Kunto dan Hasana 2006).
Menurut Baron dan Phillips (Sharp et al 2002 dalam Kunto dan Hasana 2006), analisis CHAID dapat diringkas menjadi 3 elemen kunci, yaitu: (1) uji signifikansi chi-square, dilakukan untuk mengidentifikasi variabel independen yang paling signifikan dalam data; (2) koreksi Bonferroni; dan (3) sebuah algoritma yang digunakan untuk menggabungkan kategori-kategori variabel.
CHAID pada dasarnya merupakan sebuah proses empat langkah yang iteratif, yaitu (Gallagher 2000 dalam Kunto dan Hasana 2006):
(1) Pemeriksaan tiap variabel independen menggunakan uji chi-square untuk menentukan kategori mana yang nantinya signifikan untuk menunjukkan perbedaan dalam variabel dependen dan mengumpulkan pula semua kategori yang tidak signifikan;
(2) Penentuan variabel independen mana yang paling signifikan, yang terbaik untuk digunakan dalam membedakan variabel dependen berdasarkan nilai signifikansi hasil uji yang dilakukan;
(3) Pembagian data menggunakan kategori variabel independen tersebut dengan peringkat yang paling signifikan;
(4) Selanjutnya untuk setiap tingkatan dilakukan:
a) pemeriksaan kategori variabel-variabel independen yang tersisa untuk menentukan peringkat yang paling signifikan dalam penentuan perbedaan variabel dependen selanjutnya dan memisahkannya dengan yang tidak signifikan; b) penentuan variabel independen mana yang paling signifikan dan kemudian diteruskan lagi dengan pembagian datanya menggunakan variabel ini.
(5) Pengulangan langkah ke-4 untuk semua subgrup sampai teridentifikasi semua pembagian yang secara statistik telah signifikan.
CHAID akan membedakan variabel-variabel independennya menjadi tiga bentuk yang berbeda, yaitu (Gallagher 2000 dalam Kunto dan Hasana 2006): (1) Monotonik: kategori-kategori pada variabel ini dapat dikombinasikan atau
digabungkan oleh CHAID hanya jika keduanya berdekatan satu sama lain, yaitu variabel-variabel yang kategorinya menuruti urutan aslinya (data ordinal).
(2) Bebas: kategori-kategori pada variabel ini dapat dikombinasikan atau digabungkan walaupun keduanya berdekatan atau tidak satu sama lain (data nominal).
(3) Mengambang (floating): kategori-kategori pada variabel ini akan diperlakukan seperti monotonik kecuali untuk kategori yang terakhir (missing value) yang dapat dikombinasikan dengan kategori manapun.
Hasil pembentukan segmen dalam CHAID akan ditampilkan dalam sebuah diagram pohon (tree diagram). Secara umum diagram pohon dari CHAID ditampilkan pada Gambar 10 (Lehmann dan Eherler 2001).
nY=1 nY=2 nY=3 Y nY=1, X1=1 nY=2, X1=1 nY=3, X1=1 nY=1, X1=2 nY=2, X1=2 nY=3, X1=2 nY=1, X1=3 nY=2, X1=3 nY=3, X1=3 nY=1, X1=1, X2=1 nY=2, X1=1, X2=1 nY=3, X1=1, X2=1 nY=1, X1=1, X2=2 nY=2, X1=1, X2=2 nY=3, X1=1, X2=2 nY=1, X1=3, X3=1 nY=2, X1=3, X3=1 nY=3, X1=3, X3=1 nY=1, X1=3, X3=2 nY=2, X1=3, X3=2 nY=3, X1=3, X3=2 3 1 X1 2 X2 2 1 X3 1 2 nY=1 nY=2 nY=3 Y nY=1, X1=1 nY=2, X1=1 nY=3, X1=1 nY=1, X1=2 nY=2, X1=2 nY=3, X1=2 nY=1, X1=3 nY=2, X1=3 nY=3, X1=3 nY=1, X1=1, X2=1 nY=2, X1=1, X2=1 nY=3, X1=1, X2=1 nY=1, X1=1, X2=2 nY=2, X1=1, X2=2 nY=3, X1=1, X2=2 nY=1, X1=3, X3=1 nY=2, X1=3, X3=1 nY=3, X1=3, X3=1 nY=1, X1=3, X3=2 nY=2, X1=3, X3=2 nY=3, X1=3, X3=2 3 1 X1 2 X2 2 1 X3 1 2