3.3 POPULASI DAN SAMPEL
3.4.2. TEKNIK PENGUMPULAN DATA
a. Kuisioner
Teknik pengumpulan data yang digunakan adalah kuisioner yaitu seperangkat daftar pertanyaan yang diajukan kepada responden untuk memperoleh data tentang: Identitas responden dan tanggapan atau jawaban-jawaban responden atas item-item yang diajukan dalam bentuk pertanyaan.
b. Studi Pustaka
Studi Pustaka merupakan metode pengumpulan data yang dilakukan dengan membaca buku-buku, literatur, jurnal-jurnal, referensi yang berkaitan dengan
penelitian ini dan penelitian terdahulu yang berkaitan dengan penelitian yang sedang dilakukan.
c. Wawancara
Wawancara dilakukan dengan Karyawan PO.Bugar Indah Tour dan customer guna mendapat informasi mengenai kualitas pelayanan yang diberikan dan hal –hal lain yang berkaitan dengan penelitian
3.5Teknik analisis dan uji hipotesis
3.5.1 Teknik Ana lisis
Pengujian hipotesis yang digunakan dalam penelitian ini adalah analisis multivariate dengan Structural Equation Modeling (SEM) PLS. Partial Least Square (PLS) merupakan sebuah metode untuk mengkonstruksi model-model yang dapat diramalkan ketika faktor-faktor terlalu banyak. PLS dikembangkan pertama kali oleh Wold sebagai metode umum untuk mengestimasi path model yang menggunakan variabel laten dengan mutiple indikator. PLS juga merupakan faktor indeterminacy metode analisis yang powerful karena tidak mengasumsikan data harus dengan pengukuran skala tertentu, jumlah sampel kecil. Model ini dikembangkan sebagai alternatif untuk situasi dimana dasar teori pada perancangan model lemah atau indikator yang tidak tersedia tidak memenuhi model pengukuran refleksif. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya atau pengujian proposisi.
Selain PLS, metode lain yang dapat digunakan adalah SEM (Structur Equation Modelling) tetapi dengan jumlah sampel yang besar.
SEM dengan menggunakan diagram jalur memiliki beberapa ciri, diantaranya adalah :
a. Model struktural memenuhi sifat model rekursif.
b. Variabel laten, ada yang model pengukurannya bersifat formatif (sosial keluarga, ekonomi keluarga, kesejahteraan keluarga dan minat kembali ke luar negeri). Dalam model formatif, indikator dipandang sebagai variabel laten menurut Bollen dan Lennox (1991). Dan ada yang bersifat refleksif. Dalam model refleksif indikator atau manifest dipandang sebagai variabel yang dipengaruhi oleh variabel laten, sehingga perubahan dalam satu indikatornya akan berakibat pada perubahan indikator lainnya dengan arah yang sama. Sructur Equation Model (SEM) adalah salah satu bidang kajian statistik yang dapat menguji sebuah rangkaian hubungan yang relatif sulit terukur secara bersamaan. SEM terdiri dari model yang cocok untuk pasangan data. Berdasarkan ciri ke 2, maka penerapan SEM tidak bisa digunakan, mengingat SEM hanya bisa digunakan pada model struktural yang variabel latennya memiliki indikator bersifat refleksif.
SEM berbasis covariance based, adapun perbedaan antara covariance based SEM dengan component based PLS adalah dalam penggunaan model persamaan struktural untuk menguji teori atau pengembangan teori untuk tujuan prediksi oleh Ghozali (2008:5). Pada situasi dimana penelitian mempunyai dasar teori yang kuat
dan pengujian teori atau pengembangan teori sebagai tujuan utama riset, maka metode dengan covariance based lebih sesuai. Namun demikian adanya indeterminacy dari estimasi faktor score maka akan kehilangan ketepatan prediksi dari pengujian teori tersebut. Untuk tujuan prediksi, pendekatan PLS lebih cocok. Karena pendekatan untuk mengestimasi variabel laten dianggap sebagai kombinasi linier dari indikator maka menghindarkan masalah indeterminacy dan memberikan definisi yang pasti dari komponen skor. Bilamana model struktural yang akan dianalisis memenuhi model rekursif dan variabel laten memiliki indikator yang besifat forematif, refleksif atau campuran, maka yang tepat diterapkan adalah PLS. PLS merupakan pendekatan yang lebih tepat untuk tujuan prediksi, hal ini terutama pada kondisi dimana indikator bersifat formatif. Dengan variabel laten berupa kombinasi linier dari indikatornya, maka prediksi nilai dari variabel dapat dengan mudah diperoleh, sehingga prediksi terhadap variabel laten yang dipengaruhinya juga dapat dengan mudah dilakukan (Ghozali 2008). Sedangkan SEM kurang cocok untuk tujuan prediksi karena indikatornya bersifat relfeksif, sehingga perubahan nilai dari suatu indikator sangat sulit untuk mengetahui perubahan nilai dari variabel laten, sehingga pelaksanaan prediksi sulit dilakukan. Oleh karena itu dalam penelitian ini digunakan metode PLS.
Didalam PLS variabel laten bisa berupa hasil pemcerminan indikatornya, diistilahkan dengan indikator refleksif (reflesive indicator). Di samping itu, variabel
yang dipengaruhi oleh indikatornya, diistilahkan dengan indikator formatif (formative indicator).
1. Model refleksif dipandang secara matematis indikator seolah-olah sebagai variabel yang dipengaruhi oleh variabel laten. Hal ini mengakibatkan bila terjadi perubahan dari suatu indikator akan berakibat pada perubahan pada indikator lainnya dengan arah yang sama.
Ciri-ciri model indikator reflektif adalah :
a. Arah hubungan kausalitas seolah-olah dari variabel laten (Y) ke indikator (X1, X2, X3, X4).
b. Anatra indikator diharapkan saling berkorelasi (memiliki internal consitency reliability).
c. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna dan arti variabel laten.
d. Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator.
2. Model formatif dipandang secara matematis indikator seolah-olah sebagai variabel yang mempengaruhi variabel laten, jika salah satu indikator meningkat, tidak harus diikuti oleh peningkatan indikator lainnya dalam satu kontruk, tapi jelas akan meningkatkan variabel latennya.
PLS adalah salah satu metode yang dapat menjawab masalah pengukuran indeks keputusan pembelian karena PLS tidak memerlukan asumsi yang ketat, baik mengenai sebaran dari sebuah pengamatan maupun dari ukuran contoh yang tidak besar.
Keunggulan PLS antara lain : 1. Fleksibilitas dari algoritma
Dimensi ukuran bukan masalah, misalnya variabelnya banyak.
2. Dapat mencocokkan data dengan komponen yang lebih sedikit (sampel data tidak harus besar).
Metode lain yang dapat digunakan adalah LISREL (Linier Sructural Relations, software / program komputer yang sering digunakan pada SEM) yaitu metode yang dalam perhitungannya memerlukan sebaran data berdistribusi normal dan ukuran sampel harus besar (n > 100) (Bacon, 1997). Oleh Joreskog dan Wold (1982), PLS dikembangkan sebagai metode umum untuk pendugaan model laten yang diukur secara tidak langsung oleh perubah penjelas.
3.5.1.1. Car a Ker ja PLS
Estimasi parameter yang didapat dengan PLS dapat dikategorikan menjadi tiga kategori pertama yaitu weight estimate yang digunakan untuk menciptakan skor atau nilai variabel laten. Kedua mencerminkan estimasi jalur (path estimate) yang menghubungkan variabel laten dan antar variabel laten dan indikatornya (loading),
indikator dan variabel laten. Untuk memperoleh ketiga estimasi ini, PLS menggunakan proses interasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama menghasilkan weigh estimate, tahap kedua menghasilkan estimasi untuk inner model dan outer model, tahap ketiga menghasilkan estimasi means dan lokasi (konstanta).
Selama iterasi berlangsung inner model estimate digunakan untuk mendapatkan outside approximation weigth, sementara itu outer model estimate digunakan untuk mendapatkan inside approximation weigth. Prosedur iterasi ini akan berhenti ketika presentase perubahan setiap outside approxomation weigth relatif terhadap proses iterasi sebelumnya kurang dari 0,01.
3.5.1.2. Model Spesifikasi PL S
PLS terdiri atas hubungan eksternal (outer model atau model pengukuran) dan hubungan internal (inner model atau model struktur). Hubungan tersebut didefinisikan sebagai dua persamaan linier, yaitu model pengukuran yang menyatakan hubungan antara peubah laten dengan sekelompok peubah penjelas dan model struktural yaitu hubungan antar peubah-peubah laten (Gefen, 2000). Model analisis jalur semua variabel laten dalam PLS terdiri dari tiga set hubungan : (1) inner model yang mengespesifikasi hubungan antar variabel laten (structural model), (2) outer model yang menspesifikasi hubungan antar variabel laten dengan indikator atau
variabel manifestasinya (measurement model), (3) weigth relation dalam mana nilai kasus dari variabel laten dapat diestimasi.
3.5.1.3 Penduga PLS
Prosedur penduga PLS melalui dua tahapan yang mendasar. Tahap pertama menggunakan pendugaan iterative dan didapat peubah-peubah laten sebagai kombinasi linier dari sekelompok peubah-peubah penjelasnya. Tahap kedua menggunakan pendugaan noniteratif untuk koefisien model structural dari model pengukuran (Gefen, 2000).
Pendugaan peubah laten yang telah terdefinisi digunakan untuk menghitung pembobot dan koefisien-koefisien model structural yang diperoleh dengan cara menerapkan metode kuadrat terkecil. Koefisien lintas model structural diperoleh dengan meregresikan setiap hubungan-hubungan secara parsial. Inti prosedur PLS menentukan pembobot yang digunakan untuk menduga peubah laten. Pembobot didapat dari hasil regresi dengan metode kuadrat terkecil terhadap peubah penjelas pada setiap blok. Penduga pembobotan dalam masalah ini adalah outward mode yang dapat dihitung berdasarkan regresi sederhana. Outward mode sebenarnya pendugaan pembobotan untuk peubah penjelas refleksif, yaitu peubah penjelas yang diasumsikan sebagai cerminan dari peubah laten (Chin, 2000).
3.5.1.4 Evalua si PLS
Oleh karena PLS tidak mengasumsikan adanya distribusi tertentu untuk estimasi parameter, maka teknik parametrik untuk menguji signifikasi parameter tidak diperlukan (Chin, 2000). Model evaluasi PLS berdasarkan pada pengukuran prediksi yang mempunyai sifat non parametrik. Model pengukuran atau outer model dengan indicator refleksif dievaluasi dengan corvengent dan discrimanant validity dari indikatornya dan composite reliability untuk block indicator. Sedangkan outer model dengan formatif indicator dievaluasi berdasarkan pada substantive contentnya yaitu dengan membandingkan besarnya relative weight dan melihat signifikasi dari ukuran weight tersebut (Chin, 2000). Model structural atau inner model dievaluasi dengan melihat persentase variance yang dijelaskan yaitu dengan melihat nilai R2 untuk konstruk laten dependen dengan menggunakan ukuran stone-Geiser Q Squares test (Stone, 1974; Geisser, 1975) dan juga melihat besarnya koefisien jalur strukturnya. Stabilitas dari estimasi ini dievaluasi dengan menggunakan uji t-statistik yang didapat lewat prosedur boostraping.
3.5.1.5 Langkah-langkah Pa r tia l Least Squa r e (PLS)
Langkah-langkah pemodelan persamaan struktural PLS dengan software adalah seperti dapat dilihat pada gambar di bawah ini :
Gambar 3.1. Langkah-langkah Analisis PLS
Merancang Model Struktural (inner model)
Merancang Model Pengukuran (outer model)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Weight, Koef. Jalur, dan Loading
Evaluasi Goodness of Fit
Pengujian Hipotesis (Resampling Bootstraping) 1. 2. 3. 4. 5. 6. 7.
(1). Langkah Pertama: Merancang Model Struktural (inner model)
Perancangan model struktural hubungan antar variabel laten pada PLS didasarkan pada rumusan masalah atau hipotesis penelitian.
a) Teori, kalau sudah ada b) Hasil penelitian empiris
c) Analogi, hubungan antar variabel pada bidang ilmu yang lain
d) Normatif, misal peraturan pemerintah, undang-undang, dan lain sebagainya. Oleh karena itu, pada PLS dimungkinkan melakukan eksplorasi hubungan antar variabel laten, sehingga sebagai dasar perancangan model struktural bisa berupa proposisi. Hal ini tidak direkomendasikan di dalam SEM, yaitu perancangan model berbasis teori, sehingga pemodelan didasarkan pada hubungan antar variabel laten yang ada di dalam hipotesis.
(2). Langkah Kedua: Merancang Model Pengukuran (outer model)
Pada PLS perancangan model pengukuran (outer model) menjadi sangat penting, yaitu terkait dengan apakah indikator bersifat refleksif atau formatif. Merancang model pengukuran yang dimaksud di dalam PLS adalah menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif. Kesalahan dalam menentukan model pengukuran ini akan bersifat fatal, yaitu memberikan hasil analisis yang salah.
Dasar yang dapat digunakan sebagai rujukan untuk menentukan sifat indikator apakah refleksif atau formatif adalah: teori, penelitian empiris sebelumnya, atau kalau
belum ada adalah rasional. Pada tahap awal penerapan PLS, tampaknya rujukan berupa teori atau penelitian empiris sebelumnya masih jarang, atau bahkan belum ada. Oleh karena itu, dengan merujuk pada definisi konseptual dan definisi operasional variabel, diharapkan sekaligus dapat dilakukan identifikasi sifat indikatornya, bersifat refleksif atau formatif.
(3). Langkah Ketiga: Mengkonstruksi diagram Jalur
Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih mudah dipahami, hasil perancangan inner model dan outer model tersebut, selanjutnya dinyatakan dalam bentuk diagram jalur
(4). Langkah Keempat: Konversi diagram Jalur ke dalam Sistem Persamaan
a) Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya, disebut juga dengan outer relation atau measurement model, mendefinisikan karakteristik variabel laten dengan indikatornya.
Model indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λxξ + εx y = Λyη + εy
Di mana X dan Y adalah indikator untuk variabel laten eksogen (ξ) dan endogen (η). Sedangkan Λx dan Λy merupakan matriks loading yang menggambarkan seperti koefisien regresi sederhana yang menghubungkan variabel laten dengan
indikatornya. Residual yang diukur dengan εx danεy dapat diinterpretasikan sebagai kesalahan pengukuran atau noise.
Model indikator formatif persamaannya dapat ditulis sebagai berikut:
ξ = ΠξXi + δx
η = ΠηYi + δy
Dimana ξ, η, X, dan Y sama dengan persamaan sebelumnya. Πx dan Πy adalah seperti koefisen regresi berganda dari variabel laten terhadap indikator, sedangkan δx dan δy adalah residual dari regresi.
Inner model, yaitu spesifikasi hubungan antar variabel laten (structural model), disebut juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan teori substansif penelitian. Tanpa kehilangan sifat umumnya, diasumsikan bahwa variabel laten dan indikator atau variabel manifest diskala zero means dan unit varian sama dengan satu, sehingga parameter lokasi (parameter konstanta) dapat dihilangkan dari model.
Model persamaannya dapat ditulis seperti di bawah ini:
η = βη + Γξ + ζ
Dimana η menggambarkan vektor vaariabel endogen (dependen), ξ adalah vektor variabel laten eksogen dan ζ adalah vektor residual (unexplained variance). Oleh karena PLS didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa setiap variabel laten dependen η, atau sering disebut causal chain system dari variabel laten dapat dispesifikasikan sebagai berikut:
ηj = Σi βji ηi + Σi γjbξb + ζj
Dimana γjb (dalam bentuk matriks dilambangkan dengan Γ) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan eksogen (ξ). Sedangkan βji (dalam bentuk matriks dilambangkan dengan β) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan endogen (η); untuk range indeks i dan b. Parameter ζj adalah variabel inner residual.
Pada model PLS Gambar 3 inner model dinyatakan dalam sistem persamaan sebagai berikut:
η1 = γ1ξ1 + γ2ξ2 + ζ1
η2 = β1η1 + γ3ξ1 + γ4ξ2 + ζ2
b) Weight relation, estimasi nilai variabel latent. Inner dan outer model memberikan spesifikasi yang diikuti dengan estimasi weight relation dalam algoritma PLS:
ξb = Σkb wkb xkb
ηi = Σki wki xki
Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk estimasi variabel laten ξb dan ηi. Estimasi data variabel laten adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS.
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi konvergen.
Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu :
1) Weight estimate yang digunakan untuk menghitung data variabel laten
2) Estimasi jalur (path estimate) yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.
3) Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.
Sebagai langkah awal iterasi, algoritmanya adalah menghitung aproksimasi outside dari variabel latent dengan cara menjumlahkan indikator dalam setiap kelompok indikator dengan bobot yang sama (equal weight). Bobot untuk setiap iterasi diskalakan untuk mendapatkan unit varian dari skor variabel laten untuk N kasus dalam sampel. Dengan menggunakan skor untuk setiap variabel latent yang telah diestimasi, kemudian digunakan untuk pendugaan aproksimasi inside variabel laten.
Ada tiga skema bobot aproksimasi inside yang telah dikembangkan untuk mengkombinasikan variabel laten tetangga (neighboring LV) untuk mendapatkan estimasi variabel laten tertentu yaitu: centroid, factor dan path weighting. Skema weighting dengan centroid merupakan prosedur asli yang digunakan oleh Wold. Metode ini hanya mempertimbangkan tanda korelasi antara variabel laten dan
variabel laten tetangganya (neigboring LV). Nilai kekuatan korelasi dan arah model struktural tidak diperhitungkan. Skema weighting dengan faktor menggunakan koefisien korelasi antara variabel laten dengan variabel laten tetangga sebagai pembobot (weight). Variabel laten menjadi principal component (komponen utama) dari variabel laten tetangganya. Skema weighting dengan faktor memaksimumkan varian dari komponen utama variabel laten ketika jumlah variabel laten menjadi tak terhingga jumlahnya. Skema dengan path weighting membobot variabel laten tetangga dengan cara berbeda tergantung apakah variabel laten tetangga merupakan anteseden atau konsekuen dari variabel laten yang ingin kita estimasi.
Dengan hasil estimasi variabel laten dari aproksimasi inside, makadidapatkan satu set pembobot baru dari aproksimasi outside. Jika skor aproksimasi inside dibuat tetap (fixed), maka dapat dilakukan regresi sederhana atau regresi berganda bergantung apakah indikator dari variabel laten bersifat refleksif ataukah model berbentuk formatif. Oleh karena
outside
path relation Ordinary Least Square
systematic part accounted
Goodness of Fit
outer model
convergent discriminant validity composite
realibility outer model
relative weight weight
inner model
Stone-Geisser Q Square test
bootstrapping Outer Model Outer model try out Convergent validity loading Discriminant validity cross loading cross loading
cross loading
square root of average variance extracted
square root of average variance extracted
discriminant validity
Composite reliability
composite reliability ≥
Inner model
Goodness of Fit Model
Q-Square predictive relevance i i i i λ λ ε = +
∑
∑ ∑
i i i c i λ ρ λ ε = +∑
∑ ∑
predictive relevance ≤ predictive relevance m R path analysis outer model inner model
inner model distribution free t-test p-value ≤ outter model inner model number of samples case per sample
3.5.1.6. Asumsi PLS
inner model
3.5.1.7. Ukur an Sampel
resampling Bootestrapping
structural paths inner model. Sample size
4.1 Deskr ipsi Obyek Penelitian
4.1.1 Seja rah Singkat Per usa haan
PO.Bugar Indah Tour terbentuk pada tahun 1996 didirikan oleh bapak Suyanto yang berlatar belakang pedagang buah keliling yang awalnya PO Bugar Indah Tour hanya berdomisili di Caruban Ngawi yang hanya bus andongan kemudian berkembang menjadi bus pariwisata. Nama PO.Bugar Indah Tour itu sendiri memiliki arti Buah segar itu indah yang mempunyai moto moving forward kemudian diganti menjadi abdi rakyat yang berarti merakyat
PO Bugar Indah Tour ini melayani trayek Jawa Bali, Madura, Jogjakarta, Ziarah Wali Songo, dsb. PO.Bugar Indah Tour mengalami perkembangan yang menggembirakan karena respons positif dari konsumen. Bahkan seiring berjalannya waktu PO.Bugar Indah Tour tumbuh menjadi PO yang lebih besar dan keberadaannya patut diperhitungkan di jalur ini. Untuk memantapkan eksistensinya, tahun 2003 PO.Bugar Indah Tour membuat terobosan dengan meluncurkan 1 buah armada ber-livery hijau yang melayani tujuan pariwisata Jawa Bali, Madura, Jogjakarta, Ziarah Wali Songo, dsb PP menggunakan mesin Nissan Diesel CB dengan karoseri Malindo yang pada waktu itu sedang jadi tren. PO ini berhadap pada tahun ketahun akn
semakin baik nantinya dan dapat bertambah unit tiap tahun ketahunnya dan dapat mensejahterakan karyawannya.
4.1.2 Visi dan Misi Per usahaan
Visi :
Menjadi perusahaan penyedia layanan transportasi yang terdepan dalam kualitas layanan dan arada,serta senantiasa menjadi sahabat para penumpang dalam pejalanan.
Misi :
1. menyediakan layanan transportasi dan menjadi sahabat penumpang dalam perjalanan dengan memberikan pelayanan prima
2. selalu mberikan kenyamanan dan keamanan bagi para penumpang dengan senantiasa menggunakan armada bus dan teknologi terbaru
3. memberikan pengalaman menikmati perjalanan yang nyamaan, mewah dan aman kepada para penumpang dengan harga yang kompetetif
4.1.3 Str uktur Or ganisasi DIREKTUR M ANAJER KEUANGAN M ANAJER OPERASIONAL M ANAJER PEM ASARAN SOPIR DAN KERNET BAGIAN ADM INISTRASI M ANDOR BENGKEL/ POOL AGEN PEM ASARAN
4.2 Deskr ipsi Hasil Penelitian 4.2.1 Penyeba ran Kuisioner
Penyebaran kuisioner kepada responden dilakukan di PO.Bugar Indah Tour Caruban selama 8 hari mulai tanggal 14 – 22 dengan cara kuisioner disebarkan langsung kepada pelanggan PO.Bugar Indah Tour Caruban. Kuisioner yang disebarkan sebanyak 100 responden. Kuisioner diisi lengkap oleh reponden sesuai petunjuk pengisian yang ada pada kuisioner.
4.2.2 Ka r akter istik Responden
Berdasarkan hasil tanggapan responden, maka dibawah ini akandijelaskan terlebih dahulu mengenai idintitas responden. kriteria responden disini adalah :
1. Konsumen yang telah memakai layanan jasa PO. Bugar Indah Tour lebih dari 2 kali
2. Konsumen yang telah menjadi member pelanggan pada PO. Bugar Indah Tour 3. Konsumen yang berusia 20-50 tahun
Dari jawaban tersebut dapat diketahui hal-hal seperti dibawah ini.
1. Deskr ipsi Kr iter ia Responden Ber dasar kan Umur
Berdasarkan hasil penyebaran kuisioner kepada 100 orang respondendiperoleh gambaran responden berdasarkan usia adalah sebagai berikut :
Ta bel 4.1 Kara kter istik Responden Ber da sar kan Umur
No Umur J umlah Pr osentase %
1 20-30 55 55
2 31-40 25 25
3 41-50 20 20
Total 100 100
Sumber : Data Pr imer
Pada table 4.1 menunjukan bahwa responden yang berusia 20-30 tahun sejumlah 55 orang (15%) selanjutnya yang berumur 31-40 tahun sejumlah 25 orang (25%). Selanjutnya responden yang berumur 41-50 tahun sejumlah 20 orang (20%).
2. Deskr ipsi Kara kter istik Responden Ber dasr kan J enis Kelamin
Identitas Responden Menurut jenis kelamin dapat dilihatdi table 4.2. Dalam table 4.2 terlihat bahwa dari 100 responden 63 responden (63%) adalah pria dan 37 responden (37%) adalah perempuan.
Tabel 4.2 : Kara kter istik Responden Ber dasar kan J enis Kelamin
Sumber : Data Pr imer
No J enis Kelamin J umlah Pr osenta se %
1 Pr ia 63 63
2 Wanita 37 37
4.2.3 Deskr ipsi Responden
Dari hasil penyebaran kuisioner, diperoleh data deskripsi responden mengenai variabel-variabel yang digunakan dalam penelitian,yaitu variabel Kualitas layanan (X) dan Loyalitas Pelanggan (Y). berikut ini adalah deskripsi responden atas variabel-variabel dalam penelitian
4.2.3.1 Distr ibusi J awaban Responden atas Variabel Kua lita s Layana n (X) Tabel 4.3 : Deskr ipsi jawaban r esponden var iabel kua lita s la yanan
Sumber : Kuisioner , diolah
Berdasarkan table 4.3 diketahui bahwa pada item X1.1 persentase jawaban menunjukan responden paling banyak adalah setuju (skor 4) dengan persentase sebesar 57% , hal ini menunjukan bahwa responden setuju bahwa keadaan interior pada PO.Bugar Indah Tour sudah memadai. Pada item X1.2 persentase jawaban menunjukan responden tertinggi adalah setuju (skor 4) dengan persentase sebesar
1 % 2 % 3 % 4 % 5 %
X1 Berwujud (Tangibles)
keadaan interior pada P.O Bugar indah
sudah memadai 0 0% 2 2% 23 23% 57 57% 18 18%
kelengkapan peralatan pada P.O Bugar
indah sudah memadai 0 0% 1 1% 13 13% 85 85% 1 1%
X2 Keandalan (R eliability )
Sopir PO.Bugar Indah Tour mampu berkendara dan mengendalikan bus dengan
baik 0 0% 0 3% 3 3% 50 50% 47 47%
PO.Bugar Indah Tour selalu menepati