Jenis Kelam in
D. Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini menggunakan metode Struktual Equation Modelling (SEM) yang merupakan salah satu metode yang saat ini digunakan untuk menutup kelemahan yang ada pada metode regresi. Dalam penelitian ini penulis memilih SEM pendekatan Variance Based SEM yang lebih dikenal dengan Partial Least Square (PLS). Metode ini dimaksudkan untuk causal-predictive analysis dalam situasi kompleksitas yang tinggi dan dukungan teori yang rendah. PLS memiliki tujuan untuk mencari hubungan linear prediktif antar variabel (component based predictive model) (Ghozali, 2014)
Analisis data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian asumsi normalitas data dengan menggunakan SEM PLS. Pengujian akan dilakukan dengan menggunakan software SmartPLS 3.0. Prosedur dimulai dengan memasukkan variable - variabel penelitian ke program SmartPLS 3.0 tersebut dan menghasilkan output - output sesuai metode analisis data yang telah ditentukan. 1. Evaluasi Measurement Model (outer Model)
Analisa outer model dilakukan untuk memastikan bahwa measurement yang digunkana layak untuk dijadikan pengukuran (valid dan reliable). Outer Model
adalah model pengukuran yang terdiri dari indikator dan jalur yang menghubungkan mereka untuk faktor masing - masing. Kedua bobot dan beban adalah output untuk kedua model reflektif dan formatif (Garson, 2016). Analisa
outer model dapat dilihat dari beberapa indikator berikut : Convergent Validity
Model Prosedur ini cocok, yang merupakan tipe khusus dari validitas kriteria, menciptakan faktor paralel reflektif untuk faktor formatif. Dalam model yang pas, diasumsikan bahwa faktor formatif harus berkorelasi dengan dan mampu memprediksi nilai-nilai dari faktor reflektif, yang merupakan kriteria variabel laten ( Garson, 2016)
Convergent validity dari model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item score/component score dengan construct score yang dihitung dengan PLS. Indikator individu dianggap valid jika memiliki nilai korelasi di atas 0,70. Namun demikian pada riset tahap pengembangan skala, loading faktor 0,50 sampai 0,60 masih dapat diterima (Chin, 1998 dalam Ghozali, 2012). Dengan melihat hasil output korelasi antara indikator dengan konstruknya seperti terlihat pada gambar dan tabel structural di bawah ini.
Gambar 4.7
Uji Convergent Validity
Sumber : Data Primer yang Diolah Penulis (2017)
Hasil pengolahan dengan menggunakan SmartPLS dapat dilihat pada gambar 4.7. Nilai outer model atau korelasi antara konstruk dengan variabel sudah memenuhi convergen validity karena semua indikator memiliki nilai loading factor di atas 0,50.
Tabel 4.10
Hasil Uji Convergent Validity
Variabel Indikator Outers
Loading Keterangan
Persepsi Harga PH1 0.897 Valid
PH2 0.817 Valid
PH3 0.692 Valid
PH4 0.868 Valid
PH5 0.880 Valid
PH6 0.639 Valid
KP2 0.861 Valid KP3 0.713 Valid KP4 0.606 Valid KP5 0.695 Valid KP6 0.728 Valid KP7 0.808 Valid KP8 0.736 Valid KP9 0.661 Valid
Kepuasan Pelanggan KC1 0.732 Valid
KC2 0.695 Valid
KC3 0.670 Valid
KC4 0.800 Valid
Loyalitas Pelanggan LP1 0.687 Valid
LP2 0.695 Valid
LP3 0.840 Valid
LP4 0.785 Valid
LP5 0.717 Valid
LP6 0.770 Valid
Sumber : Data Primer yang diolah Penulis (2017)
Selain dilihat dari nilai factor loading, convergent validity juga dapat dilihat dari nilai Average Variance Extracted (AVE). Pada gambar 4.7 dapat dilihat bahwa nilai konstruk untuk semua variable berada pada nilai di atas 0.50. Jadi, tidak ada permasalahan Convergent Validity pada model yang telah diuji.
Tabel 4.11
Hasil Uji Construct Reliability dan Validity
Average Cronbach's Composite Variance Alpha Reliability Extracted (AVE)
Kepuasan Konsumen 0.700 0.816 0.527
Kualitas Pelayanan 0.899 0.919 0.560
Loyalitas Pelanggan 0.844 0.885 0.564
Persepsi Harga 0.888 0.916 0.648
Sumber : Data Primer yang diolah Penulis (2017)
Discriminant Validity
Dikarenkan tidak adanya permasalah confergent validity maka langakah berikutnya yang diuji adalah permasalahan yang terkait dengan discriminant validity. Pada pengujian discriminant validity, indikator reflektif dapat dilihat pada cross loading antara indikator dengan konstruknya. Suatu indikator dinyatakan valid jika mempunyai loading factor kepada konstruk lain. Dengan demikian, konstruk laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok lain
Tabel 4.12
Hasil Uji Discriminant Validity (Cross Loading)
Persepsi Harga Kualitas Pelayanan Kepuasan Pelanggan Loyalitas Pelanggan KC1 0.475 0.530 0.741 0.420 KC2 0.423 0.525 0.696 0.434 KC3 0.373 0.322 0.658 0.317 KC4 0.533 0.531 0.799 0.364 KP1 0.729 0.902 0.667 0.709 KP2 0.702 0.882 0.586 0.681 KP6 0.526 0.839 0.438 0.690 KP8 0.513 0.816 0.419 0.683 KP9 0.598 0.658 0.638 0.449 LP3 0.862 0.706 0.489 0.925 LP6 0.646 0.723 0.481 0.890 PH1 0.929 0.675 0.563 0.826 PH5 0.922 0.718 0.668 0.717 PH6 0.675 0.505 0.319 0.582
Sumber : Data Primer yang Diolah (2017)
Berdasarkan tabel 4.12 di atas menunjukan bahwa nilai loading dari masing - masing item indikator terhadap konstruknya lebih besar dari pada nilai
cross loading nya. Dari hasil analisa cross loading tampak bahwa tidak terdapat permasalahan pada discriminant validity.
Metode lain untuk melihat discriminant validity adalah dengan membandingkan nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik.
Tabel 4.13
Hasil Uji Discriminant Validity (Fornell Larcker Criterion) Kepuasan Pelanggan Kualitas Pelayanan Loyalitas Pelanggan Persepsi Harga Kepuasan Pelanggan 0.726 Kualitas Pelayanan 0.726 0.748 Loyalitas Pelanggan 0.690 0.901 0.751 Persepsi Harga 0.631 0.893 0.903 0.805
Sumber : Data Primer yang Diolah Penulis (2017)
Gambar 4.8
Hasil Uji Discriminant Validity (Fornell Larcker Criterion)
Dari tabel 4.13 dan gambar 4.8 terlihat bahwa nilai square root of average variance extracted (√ ) adalah 0.726, 0.748, 0.751 dan 0.850. Nilai-nilai tersebut lebih kecil dari korelasi masing-masing konstruk. Terlihat pada √ ) kualitas pelayanan (0.748-0,901-0,893) dan pada loyalitas pelayanan (0.751-0.903). Yang seharusnya lebih besar.
Untuk variable – variable yang lebih kecil dari korelasi masing – masing nilai konstruk. Jadi, ada permasalahan pada model yang diuji . untuk itu perlu dilakukan penghapusan indicator – indicator pada model structural sebelumnya agar nilai construct reliability tidak lebih kecil dan korelasi masing – masing konstruk
Tabel 4.14
Hasil Uji Discriminant Validity (Modifikasi)
Kepuasan Pelanggan Kualitas Pelayanan Loyalitas Pelanggan Persepsi Harga Kepuasan Pelanggan 0.725 Kualitas Pelayanan 0.671 0.824 Loyalitas Pelanggan 0.534 0.785 0.908 Persepsi Harga 0.627 0.752 0.84 0.850
Sumber : Data Primer yang diolah Penulis (2017)
Pada table 4.14 tahap modifikasi untuk memenuhi conforgent validity nya yang sesuai. Maka telah dilakukan penghapusan beberapa indicator – indicator agar dapat memenuhi nilai Average Variance Extracted (AVE) tidak kurang atau lebih dari 0.50.
Persepsi Harga : PH2, PH3, & PH4
Kualitas Pelayanan : KP3, KP4, KP5 & KP7 Loyalitas Pelanggan : LP1, LP2, LP4 & LP5
Gambar 4.9
Hasil Uji Discriminant Validity (Modifikasi)
Sumber : Data Primer yang diolah Penulis (2017)
Unidimensionality
Untuk memastikan bahwa tidak ada masalah terkait pengukuran maka langkah terakhir adalah dalam evaluasi outer model adalah menguji
unidismensionalitas dari model. Uji unidismensionalitas dilakukan dengan menggunakan indicator Composite Reliability dan Cronbachs Alpha.
Pengujian Composite Reliability dan Cronbachs Alpha bertujuan untuk menguji reliabilitas instrumen dalam suatu model penelitian. Atau mengukur internal consistency dan nilainya harus di atas 0,60. Apabila seluruh nilai variabel
laten memiliki nilai Composite Reliability maupun Cronbachs Alpha ≥ 0,7 hal itu berarti konstruk memiliki reabilitas yang baik atau kuesioner yang digunakan sebagai alat dalam penelitian ini telah andal atau konsisten.
Tabel 4.15
Hasil Uji Composite Reliability dan Cronbach’s Alpha
Variabel Cronbach's
Alpha
Composite
Reliability Keterangan Persepsi Harga 0.801 0.885 Realibel Kualitas Pelayanan 0.878 0.913 Realibel Kepuasan Pelanggan 0.700 0.815 Realibel Loyalitas Pelanggan 0.788 0.904 Realibel Sumber : Data Primer yang Diolah (2017)
Berdasarkan Tabel 4.16 bahwa hasil pengujian Composite Reliability
menunjukan nilai yang memuaskan, karena seluruh nilai variabel laten memiliki nilai Composite Reliability ≥ 0.7. Dan hasil pengujian Cronbachs Alpha juga menunjukan nilai yang memuaskan, sebab seluruh nilai variabel laten memiliki nilai Cronbachs Alpha ≥ 0.7.
2. Evaluasi Structual Model (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Pengujian inner model adalah pengembangan model berbasis konsep dan teori dalam rangka menganalisis hubungan antara variabel eksogen dan endogen telah dijabarkan dalam rerangka konseptual. Tahapan pengujian terhadap model struktural (inner model) dilakukan dengan langkah-langkah berikut ini:
Nilai R-Square (R2)
Melihat nilai R-Square (R2) yang merupakan uji Goodness of Fit (GoF) model. Dalam menilai model dengan PLS dimulai dengan melihat R-Square (R2) untuk setiap variabel laten dependen. Koefisien determinasi R-Square (R2) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R-Square (R2) adalah nol sampai dengan satu. Apabila nilai R-Square (R2) semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R- Square (R2), maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Nilai R-Square (R2)
memiliki kelemahan yaitu nilai R-Square (R2) akan meningkat setiap ada penambahan satu variabel independen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
Tabel 4.17
Hasil Uji Nilai R-Square (R2)
Variabel R-Square (R2) R-Square (R 2
) Adjusted Kepuasan Pelanggan 0.485 0.477 Loyalitas Pelanggan 0.768 0.762
Sumber : Data Primer yang diolah Penulis (2017)
Dari tabel 4.17 dapat diliha bahwa nilai R-Square (R2) atau koefisien determinasi adalah 0.485. Hal ini berarti 48.5 % variasi atau perubahan kepuasan
pelanggan dipengaruhi oleh kualitas pelayanan dan Persepsi Harga, sedangkan sisanya sebanyak 51,5 % dijelaskan oleh sebab - sebab lain.
Sedangkan nilai R-Square (R2) atau koefisien determinasi adalah 0.768. Hal ini berarti 76,8 % variasi atau perubahan loyalitas pelanggan dipengaruhi oleh kualitas pelayanan, Persepsi Harga dan kepuasan konsumen, sedangkan sisanya sebantak 23.2 % dijelaskan oleh sebab-sebab lain.
Nilai Predective Relevance (Q2)
Predictive Relevance (Q2) untuk model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Berlaku hanya untuk merenung model faktor endogen, Predictive Relevance (Q2) lebih besar dari 0. Dengan cara yang sama, sebuah Predictive Relevance (Q2) dengan 0 atau negatif nilai menunjukkan model tidak relevan dengan prediksi faktor endogen yang diberikan. Untuk menghitung Predictive Relevance (Q2) dapat digunakan rumus berikut:
Q2 = 1-(1-R12) (1-R22) ……..(1-Rp2) Perhitungan : Q2 = 1-(1-R12) (1-R22) ……..(1-Rp2) Q2 = 1-(1-0.4852) (1-0.7682) Q2 = 1-(1-0.235)(1-0.590) Q2 = 1- (0.765)(0.410) Q2 = 1- 0.31365 Q2 = 0.686
Nilai Goodness of Fit (GoF)
Goodness of Fit (GoF) menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan dengan data yang sebenarnya yang diperkenalkan oleh Tenenhaus et al. (2004). GoF index ini merupakan ukuran tunggal yang digunakan untuk memvalidasi performa gabungan antara model pengukuran (outer model) dan model struktural (inner model). Nilai Goodness of Fit (GoF) index diperoleh dari average communalities index dikalikan dengan nilai R² model. Nilai GoF terbentang antara 0 - 1 dengan interpretasi sebagai berikut:
Goodness of Fit (GoF) GoF Kecil = 0.1
Goodness of Fit (GoF) Moderat atau Sedang = 0.25
Goodness of Fit (GoF) Besar = 0.38 Rumus Goodness of Fit (GoF) :
GoF = √
= √
= √
= 0.600
Dari perhitungan Goodness of Fit (GoF) diatas dapat diketahui hasil nya adalah sebesar 0.656 (GoF Besar). Dari hasil tersebut bisa disimpulkan bahwa performa antara model pengukuran dan model struktural memiliki GoF yang besar yaitu sebesar 0,600 (di atas 0,38).
Original Sample Standard 3. Evaluasi Pengujian Hipotesa
Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai hubungan antara variabel - variabel penelitian. Dasar yang digunakan dalam menguji hipotesis adalah nilai yang terdapat pada output result forinner weight. Pengujian ini dilakukan dengan dasar hasil pengolahan data yang telah dilakukan dengan menggunakan program PLS (Partial Least Square). Hasil pengujian ini akan menunjukan apakah semua jalur yang dianalisis menunjukan hasil yang signifikan terlihat dari hasil Original Sample dan t- statistic nya. Untuk menguji hipotesis yang diajukan, dapat dilihat besarnya nilai
t-statistik. Batas untuk menolak dan menerima hipotesis yang diajukan adalah lebih dari 1.96, yang mana apabila nilai t berada pada rentang nilai -1.96 dan 1.96 maka hipotesis akan ditolak atau dengan kata lain menerima hipotesis nol (H0). Hasil estimasi t-statistik dapat dilihat pada path coefficient (t-statisticsm)
Tabel 4.18 Hasil Uji Hipotesis
Variabel Sample (O) Mean (M) Deviation (STDEV) ( T Statistics P |O/STDEV|) Values Y -> Z -0.123 -0.124 0.077 1.607 0.109 X2 -> Y 0.460 0.458 0.097 4.736 0 X2 -> Z 0.409 0.410 0.107 3.818 0 X1 -> Y 0.281 0.287 0.100 2.826 0.005 X1 -> Z 0.610 0.610 0.091 6.698 0
Gambar 4.10 Hasil Uji Bootstrapping
Sumber : Data Primer yang diolah Penulis (2017)
Pada Tabel 4.18 di atas menunjukan bahwa hubungan antara Kepuasan Pelanggan terhadap Loyalitas Pelanggan adalah tidak signifikan dengan nilai t- statistic sebesar 1.607 (lebih besar dari 1,96) dan nilai p values sebesar 0.109 ( lebih besar dari 0.005). Dan nilai Original Sample estimate adalah negatif yaitu - 0.123 yang menunjukan bahwa arah hubungan antara Kepuasan Pelanggan terhadap Loyalitas Pelanggan adalah negatif. Jadi pada hipotesis H3 dalam penelitian ini dapat disimpulkan bahwa Kepuasan Pelanggan tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
Pada Tabel 4.18 di atas menunjukan bahwa hubungan antara Kualitas Pelayanan terhadap Kepuasan Pelanggan adalah signifikan dengan t-statistic
sebesar 4.736 (Lebih besar dari 1,96) dan dan nilai p values sebesar 0.000 (lebih kecil dari 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.460 yang menunjukan bahwa arah hubungan antara Kualitas Pelayanan terhadap Kepuasan Pelanggan adalah positif. Jadi pada hipotesis H1 dalam penelitian ini dapat disimpulkan bahwa Kualitas Pelayanan berpengaruh positif dan signifikan terhadap Kepuasan Pelanggan.
Pada Tabel 4.18 di atas menunjukan bahwa hubungan antara Kualitas Pelayanan terhadap Loyalitas Pelanggan adalah signifikan dengan nilai t-statistic
sebesar 3.818 (lebih besar dari 1,96) dan nilai p values sebesar 0 (lebih kecil dari 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.409 yang menunjukan bahwa arah hubungan antara Kualitas Pelayanan terhadap loyalitas Pelanggan adalah positif. Jadi pada hipotesis H4 dalam penelitian ini dapat disimpulkan bahwa Kualitas Pelayanan berpengaruh positif dan signifikan terhadap Loyalitas Pelanggan.
Pada Tabel 4.18 di atas menunjukan bahwa hubungan antara Persepsi Harga terhadap Kepuasan Pelanggan adalah signifikan dengan nilai t-statistic
sebesar 2.826 (lebih besar dari 1,96) dan nilai p values sebesar 0.005 (sama dengan 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.281 yang menunjukan bahwa arah hubungan antara Persepsi Harga terhadap Kepuasan Pelanggan adalah positif. Jadi pada hipotesis H2 dalam penelitian ini dapat disimpulkan bahwa Persepsi Harga berpengaruh positif dan signifikan terhadap Kepuasan Pelanggan.
Pada Tabel 4.18 di atas menunjukan bahwa hubungan antara Persepsi Harga terhadap Loyalitas Pelanggan adalah signifikan dengan nilai t-statistic
sebesar 6.698 (lebih besar dari 1,96) dan nilai p values sebesar 0 (lebih kecil dari 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.610 yang menunjukan bahwa arah hubungan antara Persepsi Harga terhadap Loyalitas Pelanggan adalah positif. Jadi pada hipotesis H5 dalam penelitian ini dapat disimpulkan bahwa persepsi harga berpengaruh positif dan signifikan terhadap Loyalitas Pelanggan.