III. METODE PENELITIAN
3.6 Teknik Analisis Data .1 Analisis Deskriptif .1 Analisis Deskriptif
3.6.2.1 Tahapan dalam SEM
23
Hubungan interpersonal (X20) Keterikatan dengan operator (X21)
Kebutuhan akan variasi (ξ4)
Keinginan mencoba operator lain (X21) Tantangan untuk mencoba operator lain (X22) Senang menggunakan operator lain (X23)
Ketidak-khawatiran jika mencoba operator lain (X24) Keinginan mendapat variasi (X25)
Persepsi karakteristik produk (ξ5)
Tingkat kepentingan dibanding operator lain (X26) Persepsi perbedaan dengan operator lain (X27) Persepsi kesamaan dengan operator lain (X28) Persepsi kebanggaan terhadap operator (X29) Persepsi kesenangan terhadap operator (X30)
Loyalitas Pelanggan Kesediaan menggunakan operator (Y1) Ketidaktertarikan dengan operator lain (Y2).
Kesediaan menggunakan produk lain dari operator yang digunakan (Y3).
Kesediaan memberikan rekomendasi kepada orang lain (Y4)
Kesediaan mengatakan hal positif tentang operator (Y5)
Perilaku mencari variasi (η2)
Suka mencoba operator lain (Y6) Suka berganti operator lain (Y7)
Perpindahan merek (η3) Keinginan berganti operator (Z1)
Pemutusan hubungan dengan operator (Z2)
3.6.2.1 Tahapan dalam SEM
SEM terdiri atas tujuh tahapan sebagai berikut (Firdaus, 2008) :
1. Pengembangan model berdasarkan teori.
Pada prinsipnya tahap ini merupakan pengujian kausalitas secara empiris yang sudah ada dan digunakan untuk mengkonfirmasi model
teoritis tersebut. Tujuannya adalah untuk mengembangkan sebuah model yang mempunyai justifikasi (pembenaran) secara teoritis yang kuat guna mendukung upaya analisis terhadap suatu maslah yang sedang dikaji/diteliti.
2. Pengembangan diagram alur (path diagram)
Model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah diagram alur (path diagram) yang akan mempermudah untuk melihat hubungan kausalitas yang akan diuji.
3. Mengkonversi diagram alur kedalam persamaan structural
Langkah ini membentuk persamaan-persamaan pada model struktural dan model pengukuran untuk menyatakan hubungan kausalitas.
4. Pemilihan matriks input dan teknik estimasi.
Tujuan tahap ini adalah menetapkan data input yang digunakan dalam pemodelan dan teknik 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. Evaluasi masalah identifikasi model.
Tahap ini dilakukan untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan program komputer. Masalah identifikasi pada prinsipnya merupakan masalah mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Apabila setiap kali estimasi dilakukan muncul masalah identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
6. Evaluasi Asumsi dan Kesesuaian model.
Suatu model SEM dapat diterima keabsahannya apabila memenuhi persyaratan ukuran kesesuaian (goodness of fit). Hal ini karena dalam SEM terdapat lebih dari satu alat uji statistik untuk mengukur atau
25
menguji hipotesis mengenai model sehingga digunakan beberapa fit indeks untuk mengukur kebenaran-kebenaran model. Beberapa indeks kesesuaian dan cut off value antara lain :
a. Degree of freedom (DF); merupakan selisih antara banyaknya koragam atau korelasi data dengan banyaknya koefisien yang akan diduga. Nilai DF harus positif yang menandakan model tidak underidentified.
b. X2 - Chi-Square; merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji khi-kuadrat (X2). Semakin kecil nilai X2, semakin baik model tersebut dan diterima berdasarkan probabilitas dengan cut off value sebesar p>0,05 atau p>0,1
c. Root means square erros of approximation (RMSEA). RMSEA merupakan akar dari rata-rata sisaan kuadrat pada tingkat populasi. RMSEA menunjukkan goodness of fit yang diharapkan bila model diestimasi dalam populasi. Syarat nilai RSMEA agar model dapat diterima atau menunjukkan close fit adalah kurang dari atau sama dengan 0,08.
d. Goodness of Fit Index (GFI) dan Adjusted Goodness of Fit Index (AGFI); merupakan ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1,0 (perfect fit) yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matriks kovarian sampel. Nilai GFI dan AGFI ≥ 0,9 menunjukkan good fit (baik), jika berkisar 0,8≤ GFI dan AGFI ≥ 0,9 menunjukkan marginal fit (sedang).
e. Root Mean Residual (RMR) Alat uji ini pada dasarnya menghitung selisih kovarian sampel dengan kovarian estimasi. Nilai RMR berkisar antara 0 sampai 1, ketentuan yang digunakan dalam intepretasi nilai RMR adalah apabila nilainya semakin kecil, maka tingkat kecocokan model semakin baik.
f. Comparative fit index (CFI); merupakan indeks yang besarannya tidak dipengaruhi oleh ukuran contoh, sehingga sangat baik untuk mengukur tingkat penerimaan sebuah model. Nilai CFI yang diharapkan adalah ≥ 0,95
7. Interpretasi dan modifikasi model
Tahap terakhir adalah melakukan interpretasi hasil dan modifikasi bagi model-model yang tidak memenuhi syarat pengujian. Pedoman untuk mempertimbangkan perlu tidaknya dilakukan modifikasi model adalah nilai residual yang dihasilkan model tersebut. Batas keamanan jumlah residual adalah 2%. Apabila nilai residual lebih besar dari 2%, maka sebuah modifikasi perlu dilakukan. Bentuk model SEM dalam penelitian ini dapat dilihat pada Gambar 4 berikut.
Tabel 3. Indeks Pengujian Kelayakan Model
Goodness of fit index Persyaratan Keterangan
X2 (Chi Square) Nilai yang kecil Good fit Tingkat kepercayaan (P) p ≥ 0,05 Good fit
Degree of freedom (DF) ≥ 0,95 Good fit
NCP Interval
Nilai yang kecil Interval yang sempit
Good fit RMSEA p (close fit) RMSEA ≤ 0,05 0,08 ≤ RMSEA ≤ 0,1 RMSEA ≥ 0,1 p ≥ 0,05 Good fit Marginal fit Poor fit
ECVI nilai yang kecil, mendekati
ECVI saturated
Good fit
AIC nilai yang kecil, mendekati
AIC saturated
Good fit
CAIC nilai yang kecil, mendekati
CAIC saturated
Good fit
NFI ≥ 0,95 Good fit
GFI ≥ 0,90 Good fit
AGFI ≥ 2 Good fit
CFI ≥ 0,95 Good fit
27 Z1 Z2 Y1 Y2 Y3 Y4 Y5 X5 X4 X3 X2 X1 X6 X7 X8 X16 X15 X14 X13 X12 X17 X18 X19 X20 X21 X9 X10 X11 H1 H2 H3 X31 X30 X29 X28 X27 X26 X25 X24 X23 X22 Y6 Y7 H4 H5 H6 H7
Gambar 6 Model SEM
Perpindahan merek (η3) Loyalitas Pelanggan (η1) Nilai Pelanggan (ξ1) Hambatan Pindah (ξ3) Kepuasan Pelanggan (ξ2) Persepsi karakteristik produk (ξ5) Kebutuhan akan variasi
(ξ4)
Perlaku mencari variasi (η2)
Keterangan :
H1 : Nilai pelanggan mempunyai pengaruh positif terhadap loyalitas pelanggan
H2 : Kepuasan pelanggan mempunyai pengaruh positif terhadap loyalitas pelanggan
H3 : Hambatan pindah mempunyai pengaruh positif terhadap loyalitas pelanggan
H4 : Kebutuhan akan variasi berpengaruh positif terhadap perilaku mencari variasi
H5 : Persepsi karakteristik suatu produk berpengaruh positif terhadap perilaku mencari variasi
H6 : Loyalitas pelanggan mempunyai pengaruh negatif terhadap perpindahan merek
H7 : Perilaku mencari variasi mempunyai pengaruh positif terhadap perpindahan merek