IV. METODE PENELITIAN
4.4. Metode Analisis Data
4.4.1. Metode Analisis Deskriptif
Menurut Nazir (2003) analisis deskriptif adalah suatu metode untuk meneliti status kelompok manusia, suatu objek, suatu set kondisi, suatu sistem pemikiran ataupun suatu kelas peristiwa pada masa sekarang. Analisis deskriptif mempunyai tujuan untuk membuat deskriptif, gambaran atau lukisan secara sistematis, faktual dan akurat mengenai fakta-fakta, sifat-sifat serta hubungan antar fenomena yang diselidiki.
Analisis deskriptif digunakan untuk data konsumen yang berkaitan dengan karakteristik konsumen atau responden berdasarkan variabel demografis. Data yang diperoleh untuk karakteristik konsumen ditabulasikan ke dalam bentuk tabel, kemudian karakteristik tersebut dianalisis yang mencakup jenis kelamin, usia, status, pendidikan, pekerjaan, jumlah anggota keluarga, pendapatan, jumlah rata-rata pengeluaran per bulan dan lokasi tempat tinggal.
4.4.2 Customer Satisfaction Index (CSI)
Model Customer Satisfaction Index (CSI) atau Indeks Kepuasan Pelanggan diperlukan untuk mengetahui tingkat kepuasan responden secara menyeluruh dengan melihat tingkat kepentingan dari atribut-atribut produk yang bersangkutan. Terdapat empat tahap perhitungan dalam melakukan pengukuran terhadap CSI yaitu:
1. Weight Factor (WF), adalah fungsi dari Mean Importance Score atau nilai dari rata-rata tingkat kepentingan (MIS-i) masing-masing atribut yang dinyatakan dalam bentuk persen terhadap total Mean Importance Score untuk seluruh atribut yang diuji.
i MIS Total i MIS WF
2. Weighted Score (WS), adalah fungsi dari Mean Satisfaction Score (MSS) dikali dengan Weighting Factor (WF). Mean Satisfaction Score atau nilai rata-rata tingkat kepuasan diperoleh dari nilai rata-rata-rata-rata tingkat performance atau nilai rata-rata tingkat kinerja dari suatu atribut.
WS=MSS x WF
3. Weight Avarage Total (WAT), adalah fungsi dari total Weighted Average dibagi dengan Hightest Scale (HS) atau yang dinyatakan dalam bentuk persen. Skala maksimum diperoleh dari ukuran skala Likert yang digunakan dalam pembobotan tingkat kepentingan dan kinerja. Maka dalam penelitian ini skala maksimum yang digunakan yaitu empat.
WAT = WSα1 + WSα2 + WSα3 + … + WSαn
Kriteria nilai Customer Satisfaction Index atau Indeks Kepuasan Konsumen menggunakan kisaran 0,00 hingga 1,00 (tidak puas hingga sangat puas). Kriteria dapat dilihat pada Tabel 6.
Tabel 6. Kriteria Nilai Customer Satisfaction Index
No Costumer Satisfaction Index Kriteria
1. 0,76 sampai dengan 1,00 Sangat puas
2. 0,51 sampai dengan 0,75 Puas
3. 0,26 sampai dengan 0,50 Tidak puas
4. 0,00 sampai dengan 0,25 Sangat tidak puas Sumber: Skratford dalam Nugum,2006
4.4.3. Regresi Logistik
Kleibaum (1994) menyatakan bahwa regresi logistik logistik merupakan suatu pendekatan model matematika yang dapat digunakan untuk memaparkan hubungan antara peubah (X) dengan peubah respon biner (Y). Peubah respon Y mengikuti sebaran Bernoulli dengan fungsi sebaran peluang f (Y = y ) = π (1 – π), dimana y = 0 atau 1 dan π adalah peluang terjadinya y = 1. Berdasarkan pernyataan E (Y|x) sebagai π (x) maka nilai harapan bersyarat y untuk nilai x tertentu menurut Hosmer dan Lameshow (1989) adalah :
exp(g(x)) 1+exp(g(x)) π (x) =
Dalam pengertian model linier (generalized linear model), fungsi penghubung yang sesuai untuk model regresi logistik adalah fungsi logit. Transformasi logit sebagai fungsi π (x) dinyatakan sebagai berikut (McCullagh dan Nelder, 1989) :
g (x) = ln
[ ]
= β0 + β1X1 + β2X2 +...+βpXpUntuk peubah yang bersifat kategori, maka diperlukan peubah boneka (dummy variable) (Hosmer & Lameshow, 1989). Secara umum, jika sebuah skala nominal dan ordinal mempunyai k kemungkinan nilai maka diperlukan k-1 peubah boneka. Misalnya peubah bebas ke-j mempunyai kj level, masing-masing kj-1 peubah boneka dilambangkan dengan βju u = 1,2, ..., kj-1. Dengan demikian model logit dengan peubah bebas dan peubah ke-j adalah diskret (Hosmer dan Lomeshow, 1989) yaitu :
g (x) = β0 + β1X1 + ... +
Σ
βju Dju + βp XpFaktor-faktor yang diduga mempengaruhi konsumen pada proses kunjungan selalu membawa motivasi, persepsi dan pilihan pribadi masing-masing. Keadaan ini dipengaruhi oleh usia, pendidikan, pendapat dan lainnya. Hal-hal tersebut digunakan karena memberi kontribusi yang besar terhadap sikap individu sebagai pribadi yang berperan dalam proses pengambilan keputusan kunjungan.
Model pengukuran faktor-faktor yang berpengaruh terhadap frekuensi kunjungan konsumen Carrefour dan Giant Hypermarket, Pamulang dapat dirumuskan ke dalam persamaan dibawah ini :
Y = g(x) – β0 + β1X1 + β2X2 +...+βpXp, dan g(x) = β0 + β1X1+ β7X7 Dimana :
Y : 1, jika konsumen berkunjung ke Carrefour atau Giant Hypermarket lebih dari 2 kali dalam satu minggu.
Y : 0, jika konsumen berkunjung ke Carrefour atau Giant Hypermarket kurang dari atau sama dengan 2 kali dalam satu minggu.
π (x) : Fungsi peluang kumulatif bagi respon (Y) dengan syarat (x) g (x) : Fungsi logit dari model regresi logistik
π (x) 1- π (x)
Penentuan variabel bebas pada analisis regresi logistik berdasarkan faktor-faktor yang mempengaruhi keputusan pembelian konsumen seperti yang dinyatakan oleh Kotler (2005) dan Engel et al (1994). Variabel bebas yang diduga dimasukan ke dalam pengolahan analisis regresi logistik ini yaitu variabel-variabel yang diturunkan dari atribut internal yang dimiliki oleh Carrefour dan Giant Hypermarket seperti pelayanan, kualitas produk, kebersihan, potongan harga dan kelengkapan produk.
Hipotesa dari lima variabel yang dianalisis adalah : 1. Pelayanan (X1). Pelayanan diduga memiliki pengaruh yang positif terhadap
frekuensi pembelian produk pertanian segar. Respon atau kesigapan karyawan dalam membantu pelanggan dan memberikan pelayanan yang cepat dan tanggap merupakan hal yang dinginkan konsumen. Konsumen akan merasa senang jika dilayani dengan cepat dan sesuai dengan keinginannya. Dengan demikian proses pelayanan mempengaruhi frekuensi pembelian produk pertanian segar.
2. Kualitas produk (X2). Kualitas produk diduga memiliki pengaruh yang positif terhadap frekuensi pembelian produk pertanian segar. Konsumen melakukan pembelian di ritel modern dengan alasan kualitas dan mutu produk yang baik. Dengan demikian kualitas produk mempengaruhi frekuensi pembelian produk pertanian segar.
3. Kebersihan (X3). Kebersihan ritel modern diduga berpengaruh positif terhadap frekuensi pembelian produk pertanian segar. Suasana yang bersih membuat konsumen akan merasa nyaman ketika berbelanja, sehingga frekuensi berkunjungnya meningkat. Dengan demikian kebersihan mempengaruhi frekuensi pembelian produk pertanian segar.
4. Potongan harga (X4). Potongan harga diduga berpengaruh positif terhadap frekuensi pembelian produk pertanian segar. Konsumen biasanya membeli produk pertanian segar di ritel modern yang menawarkan potongan harga. Dengan demikian potongan harga mempengaruhi frekuensi pembelian produk pertanian segar.
5. Kelengkapan produk (X5). Kelengkapan produk diduga berpengaruh positif terhadap frekuensi pembelian produk pertanian segar. Semakin lengkap dan
beragam produk pertanian segar yang tersedia maka frekuensi kunjungan akan semakin meningkat. Dengan demikian kelengkapan produk mempengaruhi frekuensi pembelian produk pertanian segar.
Tabel 7. Variabel-variabel Berupa Kategori
Peubah Keterangan Kode
(1) (2)
Pelayanan (X1) Cepat 1
Lambat 0
Kualitas produk (X2) Bagus 1
Tidak bagus 0
Kebersihan (X3) Bersih 1
Tidak bersih 0
Potongan harga (X4) Ya 1
Tidak 0
Kelengkapan produk (X5) Lengkap 1
Tidak Lengkap 0
Nilai Odds Ratio
Dalam kajian hubungan antar peubah kategorik dikenal adanya ukuran asosiasi, yaitu ukuran keeratan hubungan antar peubah kategorik. Salah satu keuntungan penggunaan analisis regresi logistik adalah bahwa ukuran asosiasi ini seringkali merupakan fungsi dari penduga parameter yang didapatkan. Salah satu ukuran asosiasi yang dapat diperoleh melalui analisis regresi logistik adalah odd ratio (rasio odd).
Odd ratio dapat diartikan sebagai rasio peluang kejadian sukses dengan kejadian tidak sukses dari peubah respon. Adapun rasio odd mengindikasikan seberapa lebih mungkin, dalam kaitannya dengan nilai odd, munculnya kejadian sukses pada suatu kelompok dibandingkan dengan kelompok lainnya (Firdaus, M dan Farid M.A. 2008).
Metode Kemungkinan Maksimum (Maksimum Likehood Estimates)
Pendugaan parameter model logit dilakukan dengan menggunakan metode kemungkinan maksimum. Metode ini pada model logistik sama dengan metode yang digunakan pada pendugaan regresi biasa. Metode ini lebih umum digunakan,
dibanding metode lainnya seperti metode kuadrat terkecil karena metode ini dapat digunakan untuk data berukuran besar dan kompleks.
Ratio odds digunakan untuk mempermudah interpretasi koefisien. Rasio odds adalah ukuran yang memperkirakan berapa besar kecenderungan peubah-peubah penjelas (X) terhadap peubah-peubah respon (Y) jika suatu peubah-peubah penjelas memiliki tanda koefisien positif, maka nilai R Odds lebih dari satu (1), sebaiknya jika suatu peubah penjelas memiliki tanda koefisien ngatif, maka nilai R Odds kurang dari satu (1) (Hosmer dan Lemesshow (1989) diacu dalam Lolita (2004).
