3. Daya Tanggap (Responsiveness)
4.1 Hasil Perhitungan: Data Dengan Kategori (Jumlah ke I)
Secara teori penelitian ini menggunakan Metode Analisa Jalur Ganda (Double Part Analysis’ Method) yang dilengkapi dengan berbagai Uji Statistik, peralatan analisa maupun
perhitungan pada umumnya menggunakan Model Regresi Linier Berganda (multiples regression) untuk semua bentuk fungsional model hasil estimasi (Unstandardized Coefficients: Model Regresi I, Model Regresi II, Model Regresi III (Simple Regression) maupun Model fungsional hasil estimasi Metode Path Analysis (Standardized Coefficients) yang secara keseluruhannya mengunakan program SPSS IBM Statistik Versi 21 for Windows.
Metode Analisa Jalur Ganda (Double Part Analysis’ Method) merupakan sepasang Part Analysis Method gabungan antara Model fungsional klasik Loyalitas Konsumen (sebagai fungsi Semula) dengan Model fungsional Keunggulan Bersaing (sebagai fungsi estapet). Hasil
Perhitungan Empiris dari Metode Analisa Jalur Ganda (Double Part Analysis’ Method) didapatkan dari menggunakan Dua konsep data: Data Dengan Kategori (Jumlah ke I) dan Data Dengan Kategori (Jumlah ke II).
Yang dimaksud dengan Data Dengan Kategori (Jumlah ke I) merupakan data ”hasil survey” berbentuk skala lima (sangat setuju, setuju, netral, tidak setuju dan sangat tidak setuju) dengan skor 5, 4, 3, 2, dan 1 (Data 5 observasi) dengan asumsi Data skala pengukuran Netral bernilai Nol. Sedangkan Data Dengan Kategori (Jumlah ke II) merupakan data olahan yang disusun dari seluruh Data Dengan Kategori (Jumlah ke I) sebagai data ”hasil survey”
menjadi ”Data 6 Observasi” dengan asumsi yang sama bahwa Data dengan skala pengukuran Netral, diasumsi bernilai Nol, sehingga Data Observasi ke 6 merupakan Jumlah (atau Nilai Total) dari data ”hasil survey” tersebut.
Dalam penelitian ini tidak ada “Indikator, dimensi maupun variabel” yang harus dibuang/terbuang begitu saja. Indikator, dimensi maupun variabel yang DROP (penurunan, keadaan menurun, atau kemerosotan) maupun yang TIDAK RELIABEL pasca Uji Validitas maupun Uji Reliabilitas tetap digunakan bahkan bisa dirubah menjadi VALID (sah, syah, absah, sahih) maupun RELIABEL (dapat dipercaya/diandalkan) sepanjang masih terjadi:
”Laju kenaikan rata-rata Nilai koefisien ALPHA CRONBACH (dalam %) dan kenaikan berdasarkan ”penyesuaian faktor koreksi per butir” seluruh indikator maupun Dimensi Rata-rata atau kenaikan Nilai butiran Indikator maupun Dimensi Rata-Rata-rata (dalam Kali lipat) dari variabel penelitan yang bersangkutan”
Untuk mencari/mengetahui seluruh indikator maupun Dimensi Rata-rata per butirnya dari Variabel/Dimensi Variabel yang mengalami kondisi DROP bahkan yang TIDAK RELIABEL, maka digunakan Model analisa Regresi Linier Berganda (multiples regression) Keunggulan Bersaing untuk ke 30 Variabel Independen (Dalam Model analisa Regresi Linier Berganda ditandai oleh koefisien regresi yang bernilai minus), dan untuk kemudian produsen penyedia jasa transportasi Oto Bus TRANSJAKARTA dapat melakukan upaya memaksimalisasi/meningkatkan beberapa indikator kualitas pelayanan (X1.i) yang telah dikelompokkan dalam Wujud Dimensi Rata-rata kualitas pelayanan (X1v.i) dan upaya Optimalisasi/perubahan beberapa indikator harga tiket (X2.i) yang telah dikelompokkan dalam Wujud 3 Dimensi Rata-rata harga tiket (X2v.i).
Adapun upaya memaksimalisasi/meningkatkan beberapa indikator kualitas pelayanan (X1.i) yang merupakan tingkat keunggulan (excellence) yang diharapkan konsumen (Philip Kotler, et.al., 2002), dan pengendalian atas keunggulan tersebut untuk memenuhi keinginan pelanggan, menurut Parasuraman, (1985: 41-50 dan 1988: 12-40) yang dirangkum oleh Fandy Tjiptono, 2007 (dalam Febri Tri Bramasta Putra, 2010: 15) terdapat 5 dimensi (indikator) Kualitas Jasa atau Layanan yang seringkali digunakan oleh para peneliti (suatu pengertian yang
multidimensi). Ke 5 dimensi (indikator) tersebut adalah: (1) Bukti fisik (tangible), (2) Keandalan (reliability), (3) Daya tanggap (responsiveness), (4) Jaminan (assurance) dan (5) Empati (empathy). Artinya, Indikator dalam wujud Dimensi apa saja yang harus diperbaiki, dirubah, ditingkatkan, diganti, ditambah, direnopasi, dibiayai ulang dan lain sebagainya, serta meningkatkan bahkan mempertajam kemampuan manejerialnya dan manajemen operasional secara maksimal.
Sedangkan upaya Optimalisasi/perubahan beberapa indikator harga tiket (X2.i) atau menetapkan tarif angkut yang akan diemban konsumen pengguna jasa tersebut guna mendapatkan sejumlah kombinasi dari jasa pelayanan yang diberikan, menurut Philip Kotler dan Gary Armstrong, 2001 (dalam Richa Widyaningtyas, 2010: 19) adalah melakukan optimalisasi dalam hal yang menyangkut: (1) Kesesuaian harga dengan kualitas jasa yang diberikan, (2) Kesesuaian harga dengan pelayanan yang diterima dan (3) Kesesuaian harga dengan fasilitas. Artinya, (2) Indikator dalam wujud Dimensi apa saja yang harus dirubah (dinaikan atau diturunkan) dengan melakukan berbagai penyesuaian Harga tiket atau tarif angkut dengan Kualitas jasa yang diberikan, pelayanan yang diterima dan fasilitas perusahaan yang tersedia.
Data hasil survey atau Data Dengan Kategori (Jumlah ke I) dalam penelitian ini digunakan untuk menganalisis semua indikator dari: Variabel Kualitas Pelayanan (X1), Variabel Harga Tiket (X2), Variabel Kepuasan Konsumen (Y1), Variabel Loyalitas Konsumen (Y2), Dimensi Rata-rata Harga Tiket (X2v) dan Variabel Keunggulan Bersaing (Y3). Sedangkan Dimensi Rata-rata Kualitas Pelayanan (X1v), dan Dimensi Rata-rata Keunggulan Bersaing (Y3v) yang murni merupakan “Data Olahan” dari semua indikator berbagai variabel tersebut
dipergunakan dalam berbagai Uji Statistik maupun peralatan analisa berbagai bentuk Model Empiris sesuai kebutuhan penelitian.
Penggunaan program SPSS IBM Statistik Versi 21 for Windows bertujuan mendeteksi terjadi/tidaknya Excluded Variable dari seluruh indikator maupun Dimensi Rata-rata per butirnya dari Variabel/Dimensi Variabel atau independen Variabel didalam model hasil estimasi. Apabila, hasil estimasi memiliki ”Zero-order Partial Correlation” dan juga mengalami ”Zero-order (Tolerance, VIF and Minimum Tolerance) Collinearity Statistics”, itu berarti “adanya/terdapatnya gejala multikolinearitas” didalam model hasil estimasi, secara otomatis menjadikan model hasil estimasi sebagai Badness of fit regression models. Artinya model hasil estimasi berkondisi jelek (tidak memenuhi persyaratan sebagai model hasil estimasi yang baik) sehingga tidak reliabel digunakan sebagai model untuk tujuan prediksi.
Sebalinya, apabila tidak terjadinya Excluded Variable dari seluruh Indikator maupun Dimensi Rata-rata per butirnya dari Variabel/Dimensi Variabel atau dari seluruh Independen Variabel yang terdapat didalam model hasil estimasi, tidak memiliki ”Zero-order Partial
Correlation” dan juga tidak mengalami ”Zero-order (Tolerance, VIF and Minimum Tolerance) Collinearity Statistics”. Artinya, “tidak adanya/tidak terjadinya gejala multikolinearitas”
didalam model hasil estimasi, maka secara otomatis menjadikan model hasil estimasi sebagai goodness of fit regression models. Penelitian ini diperhitungkan sebagai “Pengkajian Model”
dan bukan “Pengujian Model“ yang hanya sekedar melihat hubungan sebab akibat dari model fungsional hasil estimasi. Proses perhitungan dalam penelitian ini menggunakan (Data lampiran 13 s/d 20), hingga mendapatkan Hasil Perhitungan Empiris yang dirangkum kedalam Gambar 4.1 (meliputi semua penjabarannya) sebagai berikut:
123.9 X1.1
Keterangan: b) Excluded Variables: Beta In X1 = Kualitas Pelayanan (Observed) = 347718.212d Beta In Y2 = Y2u = Loyalitas Konsumen (Observed) = 256339.514b
Gambar 4.1: Model Konseptual dan Hubungan Fungsional Antar Inter Variable Path Analysis Method,