Penelitian ini dilaksanakan di Kampus Institut Pertanian Bogor, Darmaga dan hanya melibatkan mahasiswa strata-1. Penentuan lokasi dipilih dengan sengaja dengan pertimbangan bahwa globalisasi meningkatkan konsumsi makanan instan diantara mahasiswa, termasuk roti (Bales 2011). Empat faktor utama dari kondisi universitas yang memengaruhi pola makan mahasiswa yaitu waktu makan siang yang terbatas, pertemuan atau event tertentu di kampus, jadwal kuliah yang ketat dan jam kuliah kosong (Charles 2013). Penelitian ini dilaksanakan pada Agustus 2015 hingga Desember 2015 dengan asumsi tidak ada perubahan implementasi bauran pemasaran (4P) pada produk Sari Roti selama penelitian.
Jenis dan Sumber Data
Penelitian ini menggunakan dua sumber data, yaitu data primer dan sekunder. Data primer sebagai data utama diperoleh melalui kuesioner. Data sekunder sebagai data tambahan dan pendukung diperoleh melalui studi kepustakaan dengan mempelajari literatur dari jurnal, buku, tesis, laporan, Badan Pusat Statistik, berita dan semua sumber yang memungkinkan dan berkaitan
Implikasi manajerial
Peritel modern (Alfamart, Giant, Super Indo) ikut bersaing dalam industri tersebut
Penurunan penjualan roti manis Sari Roti Persaingan dalam industri produk roti semakin kompetitif
Proses keputusan pembelian 1. Pengenalan kebutuhan 2. Pencarian informasi 3. Evaluasi alternatif 4. Keputusan pembelian 5. Perilaku pasca pembelian
Bauran pemasaran
Product
Price
Place
dengan kepuasan konsumen termasuk media internet. Jenis data dalam penelitian ini adalah data tingkat kinerja atribut dan kepuasan konsumen.
Metode Penarikan Sampel
Penelitian menggunakan non probability sampling sebagai teknik penarikan sampel dengan metode convenience sampling. Metode tersebut dipilih karena populasi penelitian sudah memenuhi kriteria tertentu, sehingga sampel diambil berdasarkan kemudahan saja. Unit analisis adalah individu, yaitu konsumen.
Populasi dari penelitian adalah mahasiswa strata-1 IPB meliputi sembilan fakultas dan Tingkat Persiapan Bersama (TPB). Kemudian dari populasi tersebut diambil sampel sesuai kriteria. Banyaknya sampel yang dianalisis dalam penelitian ini mensyaratkan jumlah minimal lima responden untuk setiap variabel teramati, sehingga jumlah sampel yang dibutuhkan sebanyak 120 responden, karena melibatkan 24 variabel teramati (Wijanto 2008).
Selanjutnya, supaya jumlah sampel mampu mewakili populasi, maka digunakan teknik proportional cluster sampling berdasarkan banyaknya populasi di masing-masing fakultas dan TPB. Menurut data Direktorat Administrasi dan Jaminan Mutu Pendidikan (AJMP) IPB, jumlah mahasiswa strata-1 IPB yang aktif sampai dengan tanggal 1 September 2015 adalah 14 567 mahasiswa. Sebaran sampel dapat dilihat pada Tabel 4.
Tabel 4 Sebaran sampel responden di setiap fakultas dan TPB
Fakultas Jumlah populasi Sample fraction Jumlah sampel TPB 3 733 0.3075 31 Pertanian 1 294 0.1065 11 Kedokteran Hewan 600 0.0494 5
Perikanan dan Ilmu
Kelautan 1 264 0.1041 10
Peternakan 611 0.0503 5
Kehutanan 1 145 0.0943 9
Teknologi Pertanian 1 293 0.1065 11
Matematika dan IPA 2 000 0.1647 16
Ekonomi dan Manajemen 1 565 0.1289 13
Ekologi Manusia 1 062 0.0874 9
Total 14 567 1.2 120
Sumber: Direktorat Administrasi dan Jaminan Mutu Pendidikan IPB (2015)
Metode Pengumpulan Data
Daftar pertanyaan dan pernyataan tertulis yang ditujukan kepada responden secara langsung (tatap muka) disiapkan dalam bentuk kuesioner (terstruktur). Bentuk kuesioner didominasi oleh pertanyaan tertutup dan pernyataan positif. Responden dipersilahkan untuk membaca dan menulis sendiri
jawabannya, namun peneliti juga mendampingi responden selama proses tersebut. Apabila responden menemui kesulitan ketika mengisi kuesioner, maka peneliti bersedia menjelaskan lebih banyak tentang penelitiannya. Data atau informasi yang dibutuhkan sudah dirancang terlebih dahulu sebelum pengumpulan data dilakukan. Responden hanya menjawab secara singkat dan padat (Mulyatiningsih 2013).
Data dikumpulkan pada pagi, siang, sore dan malam hari di bulan September 2015. Kondisi lapang tidak dapat diprediksi, karena kesibukan masing- masing konsumen berbeda dan tidak selalu ditemukan konsumen yang bersedia mengisi kuesioner. Peneliti sengaja menawarkan gimmick (hadiah) untuk mengatasi masalah lapang seperti ini.
Metode Analisis Data 1. Analisis Deskriptif
Menurut Furqon (2009) statistika deskriptif hanya bertugas untuk memperoleh gambaran (description) atau ukuran-ukuran tentang data. Jika data yang dianalisis merupakan sampel dari suatu populasi maka statistika deskriptif akan menghasilkan ukuran-ukuran sampel (statistik), sedangkan jika data yang dianalisis merupakan keseluruhan populasi maka statistika deskriptif akan menghasilkan ukuran-ukuran populasi (parameter). Pendekatan metode survei deskriptif menurut Yanuar (2012) digunakan untuk mengumpulkan data hasil survei dengan pengamatan sederhana. Selanjutnya peneliti menggolongkan kejadian-kejadian tersebut berdasarkan pengamatan melalui pengumpulan kuesioner, pengumpulan pendapat dan pengamatan fisik. Metode ini sering disatukan dengan proses analisis yang dikenal dengan metode penulisan deskriptif analisis, yaitu setelah proses dan prosedur pendataan berlangsung ditulis dengan cara melakukan analisa rangkaian sebab akibat, korelasional dan linkages (keterkaitan).
Metode deskriptif dirancang untuk mengumpulkan informasi tentang keadaan-keadaan nyata sekarang (sementara berlangsung). Penelitian deskriptif menentukan dan melaporkan keadaan sekarang dan tidak memiliki kekuatan untuk mengontrol hal-hal “yang sementara terjadi” serta hanya dapat mengukur apa yang ada (exists) (Consuelo et al. 1993). Analisis Deskriptif terkait karakteristik konsumen dan proses keputusan pembelian dapat dirumuskan sebagai berikut.
Keterangan :
P : persentase responden yang memilih jawaban tertentu fi : jumlah responden yang memilih jawaban tertentu Σ fi : total jawaban
2. Structural Equation Model (SEM)
Analisis kuantitatif dilakukan melalui pendekatan model persamaan struktural (Structural Equation Model) dengan memanfaatkan perangkat lunak komputer berupa Microsoft Excel dan Linear Structural Relationship (LISREL)
untuk mengolah data penelitian. Analisis Structural Equation Model (SEM) adalah penggabungan antara dua konsep statistika, yaitu konsep analisis faktor pada model pengukuran (measurement model) dan konsep regresi melalui model struktural (structural model).
Variabel SEM
Variabel kunci dalam SEM adalah variabel laten (latent variables, sering disingkat LV) atau konstruk laten (Wijanto 2008). Variabel laten merupakan konsep abstrak, misalnya perilaku seseorang, sikap, perasaan dan motivasi. Variabel laten dapat diamati secara tidak langsung oleh variabel teramati. SEM mempunyai dua jenis variabel laten, yaitu eksogen dan endogen. Variabel laten eksogen disebut sebagai variabel bebas, sedangkan variabel laten endogen merupakan variabel terikat.
Variabel teramati (observed variable) atau variabel terukur (measured variable, disingkat MV) adalah variabel yang dapat diamati atau diukur secara empiris dan dinamakan indikator. Variabel teramati juga dikenal sebagai manifest variable. Variabel laten dan variabel teramati pada penelitian ini disusun dalam Tabel 5.
Model pengukuran menjelaskan hubungan antara variabel dengan indikator dan model struktural menjelaskan hubungan antar variabel. Model pengukuran merupakan kajian dari psikometrika sedangkan model struktural merupakan kajian dari statistika (Widhiarso 2009). SEM mempunyai karakteristik yang berbeda dengan regresi biasa. Umumnya regresi hanya menspesifikasikan hubungan kausal antara variabel-variabel teramati (observed variable), sedangkan pada SEM, hubungan kausal terjadi diantara variabel-variabel tidak teramati (unobserved variable) atau variabel-variabel laten.
Gujarati (1995) menunjukkan bahwa penggunaan variabel-variabel laten pada regresi berganda menimbulkan kesalahan-kesalahan pengukuran (measurement errors) yang berpengaruh terhadap estimasi parameter dari sudut biased-unbiased dan besar kecilnya variance. Masalah kesalahan pengukuran ini diatasi oleh SEM melalui persamaan-persamaan model pengukuran. Parameter- parameter dari persamaan model pengukuran SEε merupakan “muatan faktor” atau factor loadings variabel laten terhadap indikator-indikator atau variabel- variabel teramati.
Perbedaan utama antara teknik SEM dan regresi menurut Hail et al. (1998) adalah estimasi terhadap multiple interrelated dependence relationships. SEM memfasilitasi suatu variabel bebas pada satu persamaan bisa menjadi variabel terikat pada persamaan yang lain dalam satu kali running, sedangkan teknik regresi harus melibatkan susunan beberapa persamaan regresi berganda yang terpisahkan namun saling berkaitan dalam satu model. SEM memiliki kemampuan untuk menunjukkan konsep-konsep tidak teramati (unobserved concepts) sekaligus hubungan-hubungan yang ada di dalamnya dan perhitungan terhadap kesalahan-kesalahan pengukuran dalam proses estimasi. Konsep tidak termati tersebut disajikan melalui penggunaan variabel-variabel laten.
Tabel 5 Variabel laten dan indikator model persamaan struktural
Variabel laten Variabel teramati
Eksogen
Product (X1) 1 X11 Kondisi Sari Roti terjamin berdasarkan kriteria karakteristik sensori
2 X12 Tersedia bermacam pilihan ukuran bentuk Sari Roti
3 X13 Desain kemasan Sari Roti menarik
4 X14 Merek Sari Roti terkenal
5 X15 Tertera label halal pada kemasan Sari Roti
6 X16 Nilai gizi Sari Roti lengkap
7 X17 Variasi jenis Sari Roti beraneka ragam
8 X18 Tanggal kadaluarsa Sari Roti tertera secara jelas Price (X2) 9 X21 Harga Sari Roti terjangkau
10 X22 Kesesuaian harga Sari Roti dengan kualitas roti
11 X23 Kesesuaian harga Sari Roti dengan manfaat roti
12 X24 Harga Sari Roti bersaing Place (X3) 13 X31 Sari Roti mudah dijangkau
14 X32 Ketersediaan Sari Roti
15 X33 Sari Roti dijual 24 jam
16 X34 Sari Roti dijajakan ke perumahan
Promotion (X4) 17 X41 Kesesuaian pesan iklan dengan konsistensi Sari Roti
18 X42 Iklan Sari Roti ditampilkan di berbagai media promosi
19 X43 Sari Roti mengadakan undian berhadiah dan paket promo
20 X44 Sari Roti mengadakan event menarik
Endogen
Satisfaction (Y1) 21 Y11 Perasaan senang setelah membeli Sari Roti
22 Y12 Sari Roti telah memenuhi harapan
23 Y13 Pengalaman baik ketika mengonsumsi Sari Roti
24 Y14 Sari Roti menjadi pilihan yang tepat
Variabel laten adalah suatu konsep yang dihipotesiskan atau tidak teramati secara langsung dan hanya dapat didekati oleh variabel-variabel teramati, sedangkan variabel teramati adalah variabel yang nilainya dapat diperoleh dari responden melalui berbagai metode pengumpulan data (survei, tes, observasi dan lain-lain). Variabel teramati juga dikenal sebagai manifest atau measured variable. Setiap pernyataan dalam kuesioner mewakili variabel teramati. Pengukuran dari pernyataan tersebut menggunakan skala likert, yang terdiri dari empat kategori penilaian. Responden dipersilahkan untuk menentukan tingkat persetujuan atas beberapa pernyataan positif dan memilih salah satu skor penilaian. Pilihan skor tersusun mulai dari 1 (sangat tidak setuju), 2 (tidak setuju), 3 (setuju) dan 4 (sangat setuju) (Mulyatiningsih 2013). Semakin tinggi tingkat pengukuran indikator dalam skala likert melambangkan tingkat kinerjanya semakin baik (Hayes 2008).
Oliver (1997) menyarankan bahwa jumlah tingkat kepuasan tidak seharusnya kurang dari 3 dan lebih dari 10, sedangkan Hayes (1992) mencatat bahwa skala kepuasan lebih dari 5 tidak memberikan tambahan ketepatan. Biasanya konsumen cenderung menurunkan jumlah skala ketika terlalu banyak tingkat pengukuran yang digunakan.
Kategori sangat tidak setuju adalah konsumen berpendapat bahwa kinerja atribut Sari Roti belum mampu memenuhi harapan konsumen sebelum pembelian, bahkan sangat jauh dari yang konsumen harapkan. Misalnya, apabila sebelumnya konsumen dipersilahkan untuk menilai tingkat kepentingan, maka pada atribut dan skala yang sama, konsumen memberi skor 4.
Kategori tidak setuju adalah konsumen berpendapat bahwa kinerja atribut Sari Roti belum mampu memenuhi harapan konsumen sebelum pembelian, namun hampir mendekati. Misalnya, apabila sebelumnya konsumen dipersilahkan untuk menilai tingkat kepentingan, maka pada atribut dan skala yang sama, konsumen memberi skor 3.
Kategori setuju adalah konsumen berpendapat bahwa kinerja atribut Sari Roti sudah memenuhi harapan konsumen dan sesuai dengan apa yang konsumen harapkan sebelum pembelian. Misalnya, apabila sebelumnya konsumen dipersilahkan untuk menilai tingkat kepentingan, maka pada atribut dan skala yang sama, konsumen memberi skor 3.
Kategori sangat setuju adalah konsumen berpendapat bahwa kinerja atribut Sari Roti sudah memenuhi harapan konsumen sebelum pembelian, bahkan melebihi. Misalnya, apabila sebelumnya konsumen dipersilahkan untuk menilai tingkat kepentingan, maka pada atribut dan skala yang sama, konsumen memberi skor 3.
Kepuasan dapat didekati atau menyediakan bantuan tidak langsung dengan cara menuliskan kembali pernyataan netral untuk mencerminkan definisi kepuasan daripada pernyataan deklaratif. Selanjutnya disebut sebagai indikator. Item-item atau indikator tersebut bagaimanapun masih spesifik dalam kontennya (Hayes 2008). Namun penelitian ini menerapkan pernyataan positif untuk menyamaratakan satuan tingkat jawaban.
Pernyataan atau variabel Y12 diperoleh dari proses diskonfirmasi, yaitu
melibatkan perhitungan selisih antara kinerja dan harapan. Responden tidak hanya menilai tingkat kinerja atribut Sari Roti, tetapi juga menilai tingkat kepentingan atribut roti secara umum menurut persepsi mereka. Kuesioner bagian tingkat kinerja dan kepentingan disusun secara terpisah dengan catatan tingkat kinerja diposisikan sebelum tingkat kepentingan (Hill et al. 2002).
Prosedur SEM
Data yang telah terkumpul melalui kuesioner, kemudian diubah ke dalam bentuk tabulasi menggunakan software Microsoft Excel 2013. Selanjutnya tabulasi disimpan dengan format sav (*.sav) sebagai input untuk proses analisis SEM menggunakan software LISREL 8.30 (Linear Structural Relationship). Terdapat tujuh langkah dalam pemodelan SEM (Firdaus et al. 2011), yaitu:
1. Pengembangan model teoritis
Pada prinsipnya merupakan pengujian kausalitas secara empiris dari teori yang sudah ada dan digunakan untuk mengonfirmasi model teoritis tersebut. Hubungan kausalitas dapat dibuat dalam berbagai bentuk dan arti, namun pola hubungan akan menjadi rasional apabila dilandaskan pada suatu teori.
2. Pengembangan diagram path atau diagram alur
Diagram dibangun berdasarkan pada konstruk untuk menunjukkan hubungan kausalitas. Cara membangun konstruk dengan mencari peubah penjelas yang dapat menjelaskan konstruk tersebut. Konstruk adalah suatu konsep yang dilandaskan pada teori dan berperan sebagai pembatas dalam mendefinisikan pola hubungan.
3. Mengonversi diagram path ke dalam bentuk persamaan
Tujuan dari konversi tersebut adalah untuk menyatakan hubungan kausalitas. 4. Menentukan matriks input dan estimasi model
Data input SEM merupakan matriks kovarian untuk melakukan pengujian model dari teori yang ada, setara dengan regresi untuk digunakan dalam penjelasan atau prediksi fenomena yang dikaji.
5. Pendugaan koefisien model
Terkadang proses pendugaan memberikan hasil yang irasional. Hal ini disebabkan oleh ketidakmampuan struktur model dalam menduga hasil yang unik atau setiap koefisien memerlukan model tersendiri atau terpisah dalam pendugaannya. Untuk menanggulangi model tidak teridentifikasi perlu dilakukan penetapan beberapa nilai koefisien pada nilai tertentu (fix coefficient) dan peubah laten yang hanya memiliki satu peubah indikator ditetapkan nilainya (umumnya 1).
6. Evaluasi kriteria goodness of fit
SEM tidak mempunyai alat uji statistik tunggal untuk menguji antara model dengan data yang disajikan. Menurut Hair et al. (1998) evaluasi kriteria goodness of fit (indeks kesesuaian) pada model dilakukan melalui beberapa tahapan, yaitu kecocokan keseluruhan model (overall model fit) (Tabel 6), kecocokan model pengukuran (measurement model fit) dan kecocokan model struktural (structural model fit).
7. Interpretasi dan modifikasi model
Setelah model diterima, interpretasi dilakukan mengikuti teori yang mendasarinya. Modifikasi hanya boleh dilakukan dengan kehati-hatian dan modifikasi dilakukan jika terdapat perubahan yang signifikan dengan dukungan data empirik.
Kecocokan keseluruhan model (overall model fit)
Keseluruhan goodness of fit (GOF) dalam SEM tidak dapat dilakukan secara langsung seperti pada teknik multivariat yang lain (multiple regression, discriminant analysis, MANOVA dan lain-lain). SEM tidak mempunyai satu uji statistik terbaik yang dapat menjelaskan “kekuatan” prediksi model. Sebagai gantinya, para peneliti telah mengembangkan beberapa ukuran goodness of fit indices yang dapat digunakan secara bersama-sama atau kombinasi (Wijanto 2008). Secara keseluruhan terdapat tiga jenis ukuran goodness of fit, yaitu absolute fit indices, incremental fit indices dan parsimony fit indices.
Tabel 6 Kriteria kecocokan keseluruhan model Goodness of fit Cut-off value
GFI > 0.9 RMSEA < 0.08 AGFI > 0.9 NFI > 0.9 CFI > 0.9 IFI > 0.9 RFI > 0.9
AIC < AIC Saturated dan Independence Model
CAIC < CAIC Saturated dan Independence Model
ECVI < ECVI Saturated dan Independence Model
PGFI > 0.6
Sumber: Latan (2013)
Absolute fit indices merupakan jenis goodness of fit yang membandingkan antara fit model secara teoritis dengan data yang dikumpulkan. Absolute fit indices terdiri atas Goodness of Fit Index (GFI), Root Mean Square Error of Approximation (RMSEA).
Incremental fit indices atau sering disebut juga comparative fit indices merupakan jenis goodness of fit yang digunakan untuk membandingkan fit model secara teoritis, relatif dengan alternatif baseline model atau sering disebut juga dengan null model. Null model adalah model realistis dimana model-model yang lain harus di atasnya. Incremental fit indices terdiri atas Adjusted Goodness of Fit (AGFI), Normed Fit Index (NFI), Comparative Fit Index (CFI), Incremental Fit Index (IFI), Relative Fit Indices (RFI).
Persimonious Fit Indices merupakan ukuran untuk menghubungkan goodness of fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai fit model. Tujuan dasarnya adalah untuk menganalisis apakah fit model telah tercapai dengan over fitting data yang memiliki banyak koefisien. Namun demikian penggunaannya hanya terbatas untuk membandingkan model. Persimonious Fit Indices terdiri atas Akaike’s Information Criterion (AIC) dan Consistent Akaike Information Index (CAIC), Expected Cross Validation Index (ECVI), Parsimonious Goodness of Fit Index (PGFI) (Latan 2013).
Kecocokan model pengukuran (measurement model fit)
Analisis model pengukuran terdiri dari dua evaluasi yang dilakukan secara terpisah pada setiap model pengukuran atau konstruk, yaitu evaluasi terhadap validitas (validity) dari model pengukuran dan evaluasi terhadap reliabilitas
(reliability) dari model pengukuran. Suatu variabel dikatakan valid apabila nilai t- hitung (t-value) muatan faktor (factor loadings) lebih besar atau sama dengan t- tabel (>1.96) pada angka signifikansi sebesar 0.05 (5%) dan nilai muatan faktor standar (standardized factor loadings) lebih besar atau sama dengan 0.50 (Igbaria et al. 1997).
Reliabilitas dalam SEM melibatkan perhitugan CR dan VE. CR adalah singkatan dari Composite Reliability Measure (ukuran reliabilitas komposit), sedangkan VE adalah singkatan dari Variance Extracted Measure (ukuran ekstrak varian). Reliabilitas komposit dan ekstrak varian suatu konstruk mengikuti rumus sebagai berikut.
Keterangan :
std. loading : muatan faktor standar (standardized factor loadings) ej : kesalahan pengukuran = 1 – (std. loading)2
Apabila nilai CR lebih besar atau sama dengan 0.7 (> 0.7) dan nilai VE lebih besar atau sama dengan 0.5 (> 0.5), maka suatu konstruk dinyatakan mempunyai reliabilitas yang baik (Hair et al. 1998). Reliabilitas konstruk ditentukan oleh sejauh mana pertanyaan mewakili konstruk yang mendasari dan sejauh mana pertanyaan berkaitan dengan konstruksi terkait lainnya. Apabila konstruk reliabel, maka pertanyaan yang digunakan sudah mewakili konstruk yang mendasari dan pertanyaan sudah berkaitan dengan konstruksi terkait lainnya (Grigoroudis dan Siskos 2010).
Kecocokan model struktural (structural model fit)
Analisis model struktural berhubungan dengan evaluasi terhadap koefisien-koefisien atau parameter-parameter yang menunjukkan hubungan kausal atau pengaruh satu variabel laten terhadap variabel laten yang lain. Evaluasi terhadap model struktural mencakup pemeriksaan terhadap signifikansi koefisien- koefisien yang diestimasi. Metode SEM dan software LISREL tidak hanya menyediakan nilai koefisien-koefisien yang diestimasi tetapi juga nilai t-hitung (t- value) untuk setiap koefisien.
Hubungan antara sesama variabel laten dapat dikatakan signifikan apabila nilai t-hitung (t-value) lebih besar dari t-tabel (>1.96) dengan ketentuan tingkat signifikansi lima persen. Setelah diketahui bahwa hubungan diantara variabel laten signifikan, maka selanjutnya menginterpretasikan tanda pada koefisien konstruk tersebut. Koefisien konstruk bisa bertanda positif atau negatif.
Tanda positif menunjukkan bahwa kedua variabel berhubungan searah (menguatkan), yakni apabila variabel laten X semakin tinggi maka variabel laten Y akan cenderung semakin tinggi pula, atau sebaliknya. Tanda negatif
menunjukkan bahwa hubungan kedua variabel berlawanan arah (menurunkan), yakni apabila variabel X semakin tinggi maka variabel Y akan cenderung semakin rendah, atau sebaliknya. Semakin tinggi nilai koefisien konstruk, berarti semakin kuat pengaruhnya.
Bentuk SEM
Implementasi SEM pada penelitian ini terdiri dari satu variabel laten endogen, empat variabel laten eksogen dan 24 variabel teramati atau biasa disebut sebagai indikator. Variabel laten endogen adalah kepuasan, sedangkan variabel laten eksogen yaitu product, price, place dan promotion. Variabel product terdiri dari delapan variabel teramati. Variabel price, place dan promotion masing- masing terdiri dari empat indikator. Variabel kepuasan diamati oleh empat indikator. Analisis SEM tersebut merupakan hybrid model atau diartikan sebagai penggabungan antara model pengukuran dan model struktural. Secara keseluruhan hubungan antara dua sub model didasarkan pada teori dan dimodifikasi dari penelitian Rahmati et al. (2013), Park et al. (2013), Sondoh et al. (2007), Rajagopal (2004).
Gambar 7 Variabel laten eksogen dan endogen
Notasi matematik dari variabel laten eksogen adalah huruf Yunani ξ (“ksi”). Notasi matematik dari variabel laten endogen adalah huruf Yunani (“eta”). Simbol diagram lintasan dari variabel laten adalah lingkaran atau elips, sedangkan simbol untuk menunjukkan hubungan kausal adalah anak panah.
Variabel laten eksogen digambarkan sebagai lingkaran dengan semua anak panah menuju keluar. Variabel laten endogen digambarkan sebagai lingkaran dengan paling sedikit ada satu anak panah masuk ke lingkaran tersebut, meskipun anak panah yang lain menuju ke luar lingkaran (Gambar 7). Pemberian nama variabel laten pada diagram lintasan bisa mengikuti notasi matematiknya (ksi atau eta) atau sesuai dengan nama dari variabel dalam penelitian (product, price, place, promotion dan satisfaction).
Variabel teramati yang berkaitan atau merupakan efek dari variabel laten eksogen (ksi) diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan variabel laten endogen (eta) diberi label Y. Simbol diagram lintasan dari variabel teramati adalah bujur sangkar atau persegi panjang. Pemberian nama variabel teramati pada diagram lintasan bisa mengikuti notasi matematiknya (X atau Y) atau nama atau kode dari pernyataan-pernyataan pada kuesioner.
Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten eksogen diberi label dengan huruf Yunani (“gamma”). Sedangkan untuk regresi variabel laten endogen pada variabel laten endogen yang lain diberi label huruf Yunani (“beta”). Subscript (tulisan di bawah garis) koefisien suatu panah dari ξike bditujukkan oleh bi.
Endogen ( ) Eksogen
Gambar 8 Diagram lintas SEM
Setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait. Muatan-muatan faktor atau factor loadings yang menghubungkan variabel-variabel laten dengan variabel-variabel teramati diberi label dengan huruf Yunani λ (“lambda”). SEε mempunyai dua matrik lambda yang berbeda, yaitu satu matrik pada sisi X dan matrik lainnya pada sisi Y. Notasi λ pada sisi X adalah λX (“lambda X”) sedangkan pada sisi Y adalah λY
(“lambda Y”).
Kesalahan struktural diberi label dengan huruf Yunani (“zeta”). Komponen kesalahan pengukuran yang berkaitan dengan variabel teramati X diberi label dengan huruf Yunani (“delta”), sedangkan yang berkaitan dengan variabel Y diberi label dengan huruf Yunani (“epsilon”).
X21 X22 X23 X24 Price Product X11 X12 X13 X14 X15 X16 X17 X18 X31 X32 X33 X34 Place X41 X42 X43 X44 Promotion Satisfaction Y11 Y12 Y13 Y14 λ X11 λ X12 λ X13 λ X14 λ X15 λ X16 λ X17 λ X18 λ X21 λ X22 λ X23 λ X24 λ X31 λ X32 λ X33 λ X34 λ X41 λ X42 λ X43 λ X44 λ Y11 λ Y12 λ Y13 λ Y14 1 2 3 4 1 ξ 4 ξ 3 ξ 2 ξ 1 11 12 13 14 15 16 17 18 41 42 43 44 21 22 23 24 31 32 33 34 11 12 13 14
3. Customer Satisfaction Index (CSI)
Customer Satisfaction Index (CSI) adalah suatu skala pengukuran yang menggambarkan tingkat kepuasan konsumen terhadap suatu produk (Siagian 2002). Metode pengukuran CSI dihitung melalui teknik pembobotan (weighted CSI) pada setiap indikator yang digunakan untuk menyusun kepuasan. CSI diperoleh dari total kombinasi antara bobot dan persentase kinerja positif (persentase responden yang memberikan skor 3 atau 4) dari masing-masing indikator (Lonial dan Zaim 2000). Perhitungan bobot dilakukan dengan cara membagi hasil perkalian antara muatan faktor dan koefisien konstruk dengan total