METODOLOGI PENELITIAN 3.1 Lokasi dan Waktu Penelitian
3.8 Metode Analisis Data
Analisis data dalam penelitian ini peneliti menggunakan analisis deskriptif untuk menjelaskan secara umum terhadap proses identifikasi yang dibutuhkan dari responden dan analisis SEM (Structural Equation Modelling) dengan pendekatan Partial Least Square (PLS). Pada analisis menggunakan SEM ini, variabel independen akan disebut sebagai variabel eksogen sedangkan variabel dependen akan disebut sebagai variabel endogen dalam bentuk tabel serta dikelompokkan berdasarkan jawaban yang sama.
Analisis pada penelitian ini menggunakan metode Structural Equation Modelling dengan pendekatan Partial Least Square (SEM-PLS). Partial Least Square (PLS) merupakan bagian dari SEM dimana PLS merupakan teknik baru yang banyak diminati karena dalam pelaksanaannya analisis SEM-PLS bersifat
82 softmodelling karena tidak mengasumsikan data dengan skala pengukuran tertentu,. Penggunaan SEM-PLS tidak mensyaratkan jumlah minimum sampel, sehingga penelitian dengan sampel kecil tetap dapat menggunakan pendekatan PLS (Ghazali, 2008:17).
Metode SEM-PLS digunakan untuk menjelaskan secara menyeluruh dan signifikan hubungan antar variabel yang ada dalam penelitian. Secara umum PLS-SEM bertujuan untuk menguji hubungan prediktif antara kontruk dengan melihat apakah ada hubungan atau pengaruh antar konstruk. Konstruk disebut juga variabel laten dimana memiliki nilai yang abstrak atau dapat dikatakan kuantitatifnya tidak tampak sehingga harus dibantu dengan indikator (Jonathan, 2007:3).
Menurut Ghozali dan Latan (2014:47) dalam metode SEM-PLS ini langkah-langkah yang dilakukan adalah sebagai berikut:
1. Konseptualisasi Model
Langkah awal dalam analisis PLS-SEM adalah konseptuaisasi model. Konseptualisasi dilakukan peneliti dengan pengembangan dan pengukuran konstruk. Selanjutnya, peneliti menentukan arah kasualitas antar kosntruk yang menunjukkan suatu hubungan. Arah kasualitas tersebut ini harus jelas. Serta indikator pembentuk konstruk laten harus ditentukan apakah reflektif atau formatif.
2. Menentukan Metode Analisis Algorithm
Setelah menentukan konseptualisasi model selanjutnya harus ditentukan metde analisi algorithm apa yang nantinya akan digunakan untuk estimasi model. Skema algorithm PLS tersedia dalam tiga skema pembobotan, yaitu path
83 weighting sceme (membobot nilai path), centroid, dan factor weighting scheme. Ketiga skema pembobotan tersebut tidak memiliki perbedaan yang signifikan, sehingga peneliti dapat memilih skema apapun. Namun default skema yang disarankan adalah path atau struktural weighting dengan iterasi yang disarankan PLS adalah >200.
3. Menentukan Metode Resampling
Metode resampling ini merupakan uji model struktural yang digunakan untuk memprediksi hubungan kausal antar variabel atau penguian hipotesis. Metode resampling yang digunakan peneliti adalah bootstrapping. Metode bootstrapping menggunakan seluruh sampel asli untuk melakukan resampling kembali. Metode ini merupakan yang biasa digunakan dalam metode SEM PLS. Program Smart PLS 3.0 hanya menyediadakan satu metode resampling yaitu bootstrapping.
4. Menggambar Diagram Jalur
Langkah selanjutnya adalah menggambar diagram jalur dari model yang akan diestimasi tersebut. Diagram jalur yang telah dibentuk dapat menggambar keseluruhan model penelitian yang akan diteliti. Diagram jalur pada masing-masng variabel laten dalam penelitian ini adalah sebagai berikut:
a. Model Diagram Jalur Variabel Laten Eksogen 1 (
ξ
1)Penentuan variabel kualitas pelayanan, subvariabel sampai dengan indikator pada penelitian ini mengacu pada teori yang dikemukakan oleh Parasuraman (1988), bahwa dalam mengukur kualitas pelayanan dapat dilihat dalam kehandalan, ketanggapan, jaminan, empati dan bukti fisik.
84 Variabel laten eksogen 1 bersifat formatif. Sifat formatif ini berdasarkan Solimun (2017:56) bahwa arah kausalitas seolah-olah dari indikator ke konstruk. Terlihat pada Gambar 8. bahwa parameter subvariabel kehandalan dinotasikan dengan KHn (parameter-parameter kehandalan dengan “n” menandakan parameter kehandalan yang ke -n). Parameter subvariabel ketanggapan dinotasikan dengan KTn. Parameter subvariabel empati dinotasikan dengan En. Parameter jaminan dinotasikan dengan Jn. Parameter subvariabel bukti fisik dinotasikan dengan BFn. Model diagram jalur untuk variabel eksogen 1 dapat dilihat pada Gambar 8.
Gambar 10. Diagram Jalur Variabel Eksogen 1 Keterangan:
ξ
1 = Variabel laten eksogen (Kualitas Pelayanan) X1 = Subvariabel 1 (Kehandalan) X2 = Subvariabel 2 (Ketanggapan) X3 = Subvariabel 3 (Empati) X4 = Subvariabel 4 (Jaminan) KH3 KH4 KH5 KH6 KH7 Kehandalan X1 X2 KT1 KT2 KT3 KT4 KT5 Ketanggapan X3 J1 J2 J3 J4 J5 J6 Jaminan E1 E2 E3 E4 E5 E6 Empati X4 X5 BF1 BF2 BF3 BF4 BF5 BF6 BF7 BF8 BF9 Bukti Fisik ξ1 Kualitas Pelayanan KT1 KH2 KH1 BF10 BF1185 X5 = Subvariabel 5 (Bukti Fisik)
KH1 = Pemahaman informasi produk belimbing gapoktan KH2 = Pengiriman cepat saat dibutuhkan
KH3 = Handal dalam pengiriman yang tepat waktu KH4 = Handal dalam pengiriman produk yang rapi KH5 = Fasilitas pengiriman dengan mobil
KH6 = Handal dalam memberikan pelayanan berkualitas sesuai harapan sesuai harapan pelanggan
KH7 = Produk belimbingGapoktan Maju Bersama dapat bertahan sedikit lebih lama
KT1 = Cepat tanggap dalam memberikan pelayanan kepada pelanggan KT2 = Cepat tanggap dalam melayani keluhan pelanggan
KT3 = Cepat tanggap dalam merespons pesanan pelanggan KT4 = Cepat tanggap dala memproses pesanan pelanggan KT5 = Cepat tanggap dalam pengiriman produk ke pelanggan E1 = Memahami kebutuhan pelanggan secara spesisifk E2 = Memberikan perhatian kepada pelanggan
E3 = Sungguh-sungguh dalam memperhatikan kepentingan pelanggan E4 = Mengutamakan kepentingan pelanggan
E5 = Memberikan kepedulian terhadap pelanggan yang memiliki keluhan
J1 = Jaminan kualitas pelayanan yang diberikan yang terbaik J2 = Jaminan pengalaman sebagai pemasok yang handal J3 = Jaminan harga produk terbaik dibanding pemasok lain J4 = Jaminan kualitas produk terbaik
J5 = Jaminan ketepatan dalam pengiriman J6 = Jaminan kecepatan dalam pengiriman BF1 = Lokasi gapoktan mudah dijangkau BF2 = Lokasi gapoktan strategis
BF3 = Menggunakan fasilitas mobil pengantar
BF4 = Menggunakan peti atau box sebagai fasilitas penunjang BF5 = Tersedia telepon gapoktan untuk pemesanan
BF6 = Menggunakan kemasan produk BF7 = Kemasan produk rapi
BF8 = Belimbing memiliki warna sesuai permintaan pelanggan BF9 = Kematangan belimbing sesuai dengan permintaan pelanggan BF10 = Belimbing tidak cacat ataupun rusak
BF11 = Berat belimbing sesuai dengan permintaan pelanggan b. Model Diagram Jalur Variabel Laten Eksogen 2 (ξ2)
Penentuan variabel kepuasan pelanggan pada penelitian ini mengacu pada teori Hawskin dan Lonney dalam Tjiptono (2014:101), dimana dalam mengukur kepuasan pelanggan dapat dilihat melalui kesesuaian harapan,
86 minat berkunjung kembali dan kesediaan merekomendasikan. Model pengukuran pada variabel laten eksogen 2 bersifat reflektif. Hal ini dikarenakan variabel kepuasan pelanggan menyebabkan indikator tersebut. Sehingga arah kausalitas dari konstruk ke parameter. Sifat reflektif ini berdasarkan Jonathan (2007:44) dimana arah kasualitas menyatakan sebab akibat yang mengarah dari variabel laten ke indikator.
Terlihat pada Gambar 9. Bahwa parameter subvariabel kesesuaian harapan dinotasikan dengan KHPn (parameter-parameter kesesuaian harapan dengan “n” menandakan parameter kesesuaian harapan ke-n). Parameter
minat berkunjung kembali dinotasikan dengan MBKn (parameter-parameter minat berkunjung kembali dengan “n” menandakan parameter minat
berkunjung kembali ke-n). Parameter kesediaan merekomendasikan dinotasikan dengan KEMn (parameter-parameter kesediaan merekomendasikan dengan “n” menandakan parameter kesediaan
merekomendasikan ke-n). Variabel laten eksogen 2 secara lengkap dapat dilihat pada Gambar 11.
Gambar 11. Diagram Jalur Variabel Eksogen 2
Kepuasan Pelanggan KHP1 KHP2 KHP3 KHP4 MBK1 MBK2 MBK3 MBK4 MBK5 KEM1 KEM2 KEM3 KEM4 KEM5 Kesesuaian Harapan Minat Berkunjung Kembali Kesediaan Merekomendasikan ξ2 X6 X7 X8
87 Keterangan:
ξ2 = Variabel laten eksogen (Kepuasan Pelanggan) X6 = Subvariabel 1 (Kesesuaian Harapan)
X7 = Subvariabel 2 (Minat Berkunjung Kembali) X8 = Subvariabel 3 (Kesediaan Merekomendasikan) KHP1-4 = Parameter subvariabel kesesuaian harapan MBK1-5 = Parameter subvariabel minat berkunjung kembali KEM1-4 = Parameter subvariabel kesediaan merekomendasikan
c. Model Diagram Jalur Variabel Laten Endogen (
ƞ
)Variabel endogen pada penelitian ini adalah loyalitas pelanggan. Penentuan variabel loyalitas pelanggan pada penelitian ini mengacu pada teori Griffin (2005:31), dimana dalam mengukur loyalitas pelanggan dapat dilihat melalui pembelian ulang secara rutin, mereferensikan kepada orang lain dan menunjukkan kekebalan terhadap pesaing. Model pengukuran pada variabel laten endogen bersifat reflektif. Hal ini dikarenakan variabel loyalitas pelanggan menyebabkan indikator tersebut. Sehingga arah kausalitas dari konstruk ke parameter. Sifat reflektif ini berdasarkan Jonathan (2007:44) dimana arah kausalitas menyatakan sebab akibat yang mengarah dari variabel laten ke indikator.
Terlihat pada Gambar 10. Bahwa parameter subvariabel pembelian ulang secara rutin dinotasikan dengan PCUn (parameter-parameter pembelian ulang secara rutin dengan “n” menandakan parameter pembelian ulang secara rutin ke-n). Parameter mereferensikan kepada orang lain dinotasikan dengan MKOn (parameter-parameter mereferensikan kepada orang lain dengan “n” menandakan parameter mereferensikan kepada orang lain ke-n).
88 MKTPn (parameter-parameter mereferensikan kepada orang lain dengan “n” menandakan parameter mereferensikan kepada orang lain ke-n).
Variabel laten eksogen 2 secara lengkap dapat dilihat pada Gambar 10.
Gambar 12. Diagram Jalur Variabel Endogen 2
Keterangan:
Ƞ = Variabel laten endogen (Loyalitas Pelanggan) Y1 = Subvariabel 1 (Pembelian Ulang Secara Rutin) Y2 = Subvariabel 2 (Meferenesikan Kepada Orang Lain) Y3 = Subvariabel 3 (Menunjukkan Kekebalan Terhadap
Pesaing)
PCU1-5 = Parameter subvariabel pembelian ulang secara rutin MKO1-4 = Parameter subvariabel meferensikan kepada orang lain MKTP1-3 = Parameter subvariabel menunjukkan kekebalan terhadap Pesaing
Model diagram yang telah dirancang tersebut selanjutnya dikonversikan kedalam bentuk persamaan. Persamaan yang akan dibuat yaitu persamaan outer model dan persamaan inner model. Persamaan tersebut adalah sebagai berikut:
η
Y1 Y2 Y3 Loyalitas PelangganPembelian Ulang Secara Rutin
Merekomendasikan Kepada Orang Lain
Menunjukkan Kekebalan Terhadap Pesaing PCU1 PCU2 PCU3 PCU4 PCU5 MKO1 MKO2 MKO3 MKO4 MKTP1 MKTP2 MKTP3
89 1) Outer Model (Spesifikasi hubungan antara variabel laten dengan
indikator)
a) Variabel laten eksogen 1 (formatif)
ξ
1 =λ
x1x
1+ λ
x2x
2+ λ
x3x
3+ λ
x4x
4+ λ
x5x
5+ δ
1……….(?)b) Variabel laten eksogen 2 (reflektif)
X6 =
λ
x6x
6+ ε
6……….(2)X7 =
λ
x7x
7+ ε
7……….(3)X8 =
λ
x8x
8+ ε
8………(4)c) Variabel laten endogen (reflektif)
Y1 =
λ
y1Y1+ ε
1………..(5)Y2 =
λ
y2Y2+ ε
2………..(6)Y3 =
λ
y3Y3+ ε
3………..(7)2) Inner Model (Spesifikasi hubungan antara variabel laten)
Ƞ =
γ
1ξ
1 +γ
2ξ
2 +ζ
1………..(8)5. Evaluasi Model
Evaluasi model PLS dilakukan dengan menilai outer model dan inner model. Evaluasi model pengukuran (outer model) dilakukan untuk menilai validitas dan reliabilitas model. Inner model dilakukan untuk memprediksi hubungan kausalitas antar variabel laten. Evaluasi model yang dilakukan adalah sebagai berikut (Abdillah, 2015:193).
90 a. Model Pengukuran (Outer Model)
Evaluasi model pertama yang dilakukan adalah model pengukuran (outer model). Outer model ini dilakukan unutk menilai validitas dan reliabilitas model sem pls. Model pengukuran untuk konstruk relatif dan formatif berbeda. Model pengukuran untuk relatif ialah dengan menguji validitas convergent dan discriminant. Uji validitas konvergen dalam PLS dengan indikator reflektif dinilai berdasarkan loading factor (korelasi antara skor item/skor komponen dengan skor konstruk) indikator-indikator yang mengukur konstruk tersebut. Rule of Thumb yang digunakan untuk validitas konvergen adalah outer loading harus lebih dari 0,7, communality lebih dari 0,5 dan average variance extracted (AVE) harus lebih 0,5.
Uji validitas diskriminan dilakukan dengan menilai cross loading pengukuran dengan konstruknya. Metode lain yang digunakan untuk menilai validitas diskriminan adalah dengan membandingkan akar AVE untuk setiap konstruk dengan korelasi antar konstruk dengan konstruk lainnya dalam model. Model mempunyai validitas diskriminan yang cukup jika akar AVE untk setiap konstruk lebih besar daripada korelasi antara konstruk dengan konstruk lainnya dalam model. Parameter Uji Validitas Model Reflektif dapat dilihat pada Tabel 6. Model pengukuran formatif dilakukan dengan cara melihat signifikansi weight nya, sehingga uji validitas dan reliabilitas konstruk tidak diperlukan. Signifikan weight ini didapatkan dengan melakukan resampling (bootstrapping).
91 Tabel 6. Parameter Uji Validitas Model Reflektif dalam PLS.
Uji Validitas Parameter Rule Of Thumbs Konvergen Faktor loading Lebih dari 0,7
Average Variance Extracted (AVE)
Lebih dari 0,5
Communality Lebih dari 0,5
Diskriminan Akar AVE dan korelasi
variabel laten
Akar AVE > Korelasi variabel laten
Cross Lading Lebih dari 0,7 dalam satu variabel
Sumber: (Abdillah dan Jogiyanto 2015:196)
Jika nilai signifikansi weight T-statistics > 1,96 maka indikator konstruk model formatif adalah valid. Apabila indikator dibawah 1,96 maka dapat dihilangkan dari model. Selain signifikansi weight, dilakukan juga uji multikolinearitas untuk konstruk formatif mutlak diperlukan dengan menghitung nilai Variance Inflation Factor (VIF) dan tolerance. Nilai VIF direkomendasikan <10 dan tolerance >10.
Tabel 7. Parameter Uji Validitas Model Formatif dalam PLS.
Kriteria Rule Of Thumbs
Signikansi Weight Signifikansi level 10%>6,5 Signifikansi level 5%>1,96 Signifikansi level 1%>2,58 Multikolinearitas VIF < 10 Tolerance > 0,10 Sumber: (Abdillah dan Jogiyanto 2015:195)
Selain uji validitas tersebut, SEM PLS juga melakukan uji reliabilitas. Uji reliabilitas ini dilakukan untuk mengukur konsistensi internal alat ukur. Reliabilitas menunjukkan akurasi, konsistensi dan ketepatan suatu alat ukur dalam melakukan pengukuran. Uji reliabilitas dalam SEM PLS menggunakan dua metode, yaitu Cronbach’s Alpha dan Composite
92 Reliability. Rule of thumbs nilai alpha atau composite reliability harus lebih besar dari 0,7 meskipun nilai 0,6 masih dapat diterima.
Model pengukuran (outer model) bertujuan untuk menilai validitas dan reliabilitas suatu model. Proses pengukuran dilakukan dengan mengklik menu calculate lalu alghorithm. Pengukuran algoritme, terdapat tiga skema pembobotan oleh PLS yaitu weighting scheme (membobot nilai path centroid) dan factor weighting scheme. Ketiga skema tidak memberi perbedaan signifikan sehingga peneliti dapat memilih skema apapun. Peneliti menggunakan skema algoritme default yang dibuat oleh SmartPLS yaitu path weghtig schme dengan jumlah iterasi yang disarankan oleh SmartPLS adalah > 200.
b. Model Struktural (Inner Model)
Model struktural dalam PLS dievaluasi dengan menggunakan R2 untuk konstruk dependen, nilai koefisien path, atau t-values tiap path untuk signifikansi antarkonstruk dalam model struktural. Nilai R2 digunakan untuk mengukur tingkat variasi perubahan variabel eksogen terhadap variabel endogen. Perubahan nilai R2 digunakan untuk mejelaskan pengaruh variabel laten eksogen tertentu terhadap varaibel endogen apakah mempunyai pengaruh substantive. Nilai R2 0.75 (kuat), 0.50 (moderat), dan 0.25 (lemah). Semakin tinggi nilai R2 berarti semakin baik model prediksi dari model penelitian yang diajukan.
Evaluasi model dalam PLS juga dapat dilakukan dengan Q2 predictive relevance atau sering disebut predictive sample reuse. Teknik ini
93 mempresentasi sintesis dari cross-validation dan fungsi fitting dengan prediksi dari observed variabel dan estimasi dari parameter konstruk. Nilai Q2 berfugsi untuk memprediksi model, model hanya cocok bila variabel laten endogen memiliki model pengukuran reflektif. Q2 mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Intrepetasi dari hasil uji Q2 > 0 menunjukkan variabel eksogen baik (sesuai) sebagai variabel penjelas yang mampu memprediksi variabel endogen. Nilai q2 predictive relevance 0,02 (lemah), 0,15 (moderat) dan 0,35 (kuat). Selanjutnya evaluasi model dilakukan dengan melihat nilai signifikansi untuk mengetahui pengaruh antara variabel melalui bootstrapping dan nilai Q-square didapatkan dengan blindfolding (Ghozali dan Latan, 2014:80). Tabel 8. Evaluasi Model Struktural
Kriteria Rule Of Thumbs
R-square
0,75 menunjukkan model kuat 0,50 menunjukkan model moderate 0,35 menunjukkan model lemah
Q2 predictive relevance
Q2 > 0 menunjukkan model memiliki predictive relevance
Q2 < 0 menunjukkan model kurang memiliki predictive relevance
q2 predictive relevance
0,35 mneunjukkan model kuat 0,15 mneunjukkan model moderate 0,02 mneunjukkan model lemah Sumber: Ghozali dan Latan (2014:81)
f. Intrepetasi Estimasi Model (Pengujian Hipotesa)
Pengujian hipotesa merupakan uji terakhir yang dilakukan terhadap hipotesa yang dirancang. Uji hipotesa dilakukan melalui bootstrapping pada software SmartPLS 3.0 dan dilakukan pengukuran melalui Path Coefficient. Pengujian hipotesa dengan uji t-statistik dan p-value. Untuk pengujian dengan menggunakan
94 nilai statistik maka untuk alpha 5% nilai t-statistik yang digunakan adalah 1,96. Sehingga kriteria penerimaan atau penolakan adalah Ha diterima dan H0 ditolak apabila t-statistik lebih besar dari 1,96. Untuk menolak atau menerima hipotesa menggunakan probabilitas maka ha diterima jika nilai p kurang dari 0,05. Apabila menggunakan probabilitas p-value kurang dari 0,05 maka disimpulkan signifikan dan sebaliknya. Dalam pengujian hipotesa pada outer model memiliki nilai signifikan maka indikator dipandang dapat digunakan sebagai instrumen pengukur variabel laten. Sedangkan apabila hasil pengujian pada inner model memiliki nilai signifikan maka diartikan adanya pengaruh yang nyata pada variabel laten terhadap variabel laten lainnya. Dengan kata lain apabila hasil pengujian hipotesis pada outer model signifikan, hal ini menunjukkan bahwa parameter dipandang dapat digunakan sebagai instrumen pengukur variabel laten. Apabila hasil pengujian pada inner model signifikan, maka dapat diartikan bahwa terdapat pengaruh yang nyatapada variabel laten terhadap variabel laten lainnya.
95
BAB IV
GAMBARAN UMUM