MODEL PERSAMAAN STRUKTURAL UNTUK
MENGETAHUI LOYALITAS KONSUMEN
( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )
SKRIPSI
NUR HAYATI
100803033
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MODEL PERSAMAAN STRUKTURAL UNTUK
MENGETAHUI LOYALITAS KONSUMEN
( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
NUR HAYATI
100803033
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : Model Persamaan Struktural untuk Mengetahui Loyalitas Konsumen, Studi pada Toko Parfum Cinta Aroma (CA Perfumerry) di Medan
Kategori : Skripsi
Nama : Nur Hayati
Nomor Induk Mahasiswa : 100803033
Program Studi : Sarjana (S1) Matematika Departemen : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara
Disetujui di Medan, Juli 2014
Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Drs. Partano Siagian, M.Sc Drs. Henry Rani Sitepu, M.Si NIP. 19511227 198003 1 001 NIP. 19530303 198303 1 002
Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN
( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya
Medan, Juli 2014
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan hidayah-Nya sehingga skripsi ini dapat diselesaikan dalam waktu telah ditetapkan.
Ucapan terima kasih penulis sampaikan kepada Bapak Drs. Henry Rani Sitepu, M.Si dan Bapak Drs. Partano Siagian, M.Sc selaku pembimbing yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini.
Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Tulus, M.Si Ph.D, selaku ketua Departemen Matematika Ibu Dra. Mardiningsih, M.Sc selaku sekretasis Departemen Matematika, Bapak Drs. Gim Tarigan M.Si dan Bapak Pengarapen Bangun, M.Si selaku penguji skripsi, dan staf pengajar Matematika di FMIPA USU, beserta pegawai Administrasi.
Penulis juga mengucapkan terima kasih kepada kedua orang tua yang tercinta Ibunda Farida Hanum dan Ayahanda yang telah memberikan dorongan dan semua bantuan yang diperlukan. Keluarga penulis yang penulis sayangi Kak Janah, Bang Jo, Kak Ipah, Tika terima kasih atas dorongan dan bantuan yang diberikan. Penulis mengucapkan terima kasih kepada Tari dan karyawan CA Perfumerry yang lain. Akhirnya penulis juga mengucapkan terima kasih kepada Imel, Zati, Yundy, Wewen, Ade, Nimut, Mila, Lita, Vela dan Sharah atas semua warna yang kalian berikan, kalian kesebelasan yang luar biasa.
Semoga segala bentuk bantuan yang telah diberikan mendapat balasan yang jauh lebih baik dari Tuhan Yang Maha Esa.
MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN
(Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan)
ABSTRAK
Kajian ini bertujuan untuk memperoleh model persamaan struktural yang terbaik yang dapat menggambarkan hubungan antar peubah laten dan hubungan antara peubah laten dan peubah indikatornya dan untuk mengetahui konstruk mana yang paling mempengaruhi loyalitas dari konsumen. Bahan penelitian adalah hasil survei konsumen CA Perfumerry dengan menggunakan kuisioner yang diukur dengan skala likert. Model pengukuran yang diperoleh adalah : persepsi ditunjukkan melalui harga, citra, tahap pelayanan dan momen pelayanan; daya saing ditunjukkan melalui keunikan dan kualitas; nilai produk ditunjukkan melalui nilai emosi, nilai epistem dan nilai kondisi; kepuasan ditunjukkan melalui keandalan, daya tanggap, jaminan, empati dan kasat mata; dan loyalitas ditunjukkan melalui hubungan, retensi, rekomendasi dan perubahan. Model struktural yang diperoleh adalah : persepsi berhubungan dengan daya saing dan nilai produk, dengan koefisien lintas sebesar 0,70 dan 0,34; nilai produk berhubungan dengan kepuasan dan loyalitas, dengan koefisien lintas sebesar 0,62 dan 0,96; daya saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Secara keseluruhan faktor yang paling berhubungan dengan loyalitas adalah nilai produk, dan faktor yang paling berpengaruh dengan kepuasan adalah daya saing.
STRUCTURAL EQUATION MODELLING TO KNOW LOYALTY OF CUSTOMER
(Case Study: Customer of Cinta Aroma (CA) Perfumerry in Medan)
ABSTRACT
This study is to obtain the best structural equation modelling to describe the relationship between the latent variables and the relationship between the latent variables and the indicator variables and to determine which constructs most affect the loyalty of costumers. Materials research is costumer of CA Perfumerry survey questionnaire measured using a Likert scale. Measurement model obtained is: perception demonstrated through by price, image, stage and moment of care services; competitiveness shown by the uniqueness and quality; the value of the product indicated by the value of emotions, values of epistem and value of conditions; satisfaction indicated through by reliability, responsiveness, assurance, empathy and tangible; and loyalty demonstrated through by relationships, retention, recommendation and change. Structural models obtained are: perception related to competitiveness and value of products, with a coefficient cross 0,70 and 0,34; value products related to satisfaction and loyalty, with coefficients cross 0,62 and 0,96; competitiveness associated with satisfaction and loyalty with a coefficient cross 0,79 and 0,71. Overall the factors most related to loyalty is the value of the product, and the most influential factor in satisfaction is competitiveness.
DAFTAR ISI
Daftar Tabel viii
Daftar Gambar ix
Daftar Lampiran x
Bab 1 Pendahuluan
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 4
1.5 Kontribusi Penelitian
2.7 Koefisien Korelasi dan Koefisien Determinasi 8
2.7.1 Koefisien Korelasi 8
2.7.2 Koefisien Determinasi 9
2.8 Analisis Multivariat 9
2.9 Regresi Linier Berganda 11
2.10 Structural Equation Modelling 11 2.10.1 Sejarah SEM dan Pengertian 11
2.10.2 Prinsip-prinsip Dasar 13
2.10.3 Konsep dan Istilah 14
2.10.4 Model Analisis Jalur 16
2.10.4.1 Model Regresi Berganda 16
2.10.4.2 Model Mediasi 16
2.10.4.3 Model Kombinasi Pertama dan Kedua 17
2.10.4.4 Model Kompleks 17
2.10.4.5 Model Rekursif dan Non Rekursif 18
2.10.5.2 Persamaan Dua Jalur 20 2.10.5.3 Persamaan Tiga Jalur 20
2.11 Metode Maximum Likelihood 21
2.12 Validitas dan Reliabilitas 22
2.13 Evaluasi Kelayakan Model 23
Bab 3 Metodologi Penelitian
3.1 Merumuskan Masalah
25
3.2 Studi Literatur 25
3.3 Pengamatan dan Pengumpulan Data 25
3.4 Membuat landasan Teori 27
3.4.1 Variabel Penelitian 27
3.5 Analisis dan Pengolahan Data 28
3.6 Membuat Kesimpulan dan Saran 29
Bab 4 Hasil dan Pembahasan
4.1 Pengolahan Data 30
4.1.1 Pengembangan Model Berbasis Teori 30 4.1.2 Mengkontruksi Diagram Jalur untuk Menunjukkan 32
Hubungan Kausalitas
4.1.3 Konversi Diagram Jalur ke dalam Serangkaian 32 Persamaan Struktural dan Spesifikasi Model Pengukuran 4.1.4 Memilih Input Matriks dan Mendapatkan Model Estimasi 34 4.1.5 Menguji Unidimensionalitas Masing-masing Konstruk 34
Dengan Konfirmatori Analisis Faktor
4.1.5.1 Uji Konfirmatori Konstruk Eksogen Persepsi 34 4.1.5.2 Uji Konfirmatori Antar Konstruk Endogen Nilai 36 Produk, Daya Saing, Kepuasan dan Loyalitas
4.1.6 Estimasi Persamaan Full Model 41 4.1.7 Pengujian Evaluasi Asumsi Model Struktural 42
4.1.8 Interpretasi Model 50
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 57
5.2 Saran 58
DAFTAR TABEL
Nomor Judul Halaman
Tabel
4.1 Indikator-indikator dari Konstruk 31 4.2 Regression Weights: Konstruk Eksogen 35 4.3 Standardized Regression Weights: Konstruk Eksogen 36 4.4 Ukuran Kebaikan Model Persamaan Struktural pada 40
Konstruk Eksogen
4.5 Regression Weights: Konstruk Endogen 38 4.6 Standardized Regression Weights: Konstruk Endogen 38 4.7 Regression Weights: Modifikasi Konstruk Endogen 40 4.8 Standardized Regression Weights: Modifikasi Konstruk 40
Endogen
4.9 Assessment of normality 42
4.10 Observations farthest from the centroid 43 (Mahalanobis distance)
4.11 Regression Weights: Persamaan Full Model 46 4.12 Standardized Regression Weights: Persamaan Full Model 47
DAFTAR GAMBAR
Nomor Judul Halaman
Gambar
2.1 Model Analisis Jalur SEM 14
2.2 Bentuk Model Regresi Berganda 16
2.3 Bentuk Model Mediasi 17
2.4 Model Kombinasi Pertama dan Kedua 17
2.5 Bentuk Model Kompleks 18
2.6 Bentuk Model Rekursif dan Non Rekursif 18 2.7 Bentuk Model Persamaan Satu Jalur dalam SEM 19 2.8 Bentuk Model Persamaan Dua Jalur dalam SEM 20 2.9 Bentuk Model Persamaan Tiga Jalur dalam SEM 21
4.1 Model Kerangka Teoritis 34
4.2 Model Diagram Jalur Hubungan Kausalitas 36
4.3 Persepsi Konsumen 39
DAFTAR LAMPIRAN
Nomor Judul Halaman
Lamp
1. Cabang-cabang CA Perfumerry di Medan 60
2. Kuisioner 61
MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN
(Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan)
ABSTRAK
Kajian ini bertujuan untuk memperoleh model persamaan struktural yang terbaik yang dapat menggambarkan hubungan antar peubah laten dan hubungan antara peubah laten dan peubah indikatornya dan untuk mengetahui konstruk mana yang paling mempengaruhi loyalitas dari konsumen. Bahan penelitian adalah hasil survei konsumen CA Perfumerry dengan menggunakan kuisioner yang diukur dengan skala likert. Model pengukuran yang diperoleh adalah : persepsi ditunjukkan melalui harga, citra, tahap pelayanan dan momen pelayanan; daya saing ditunjukkan melalui keunikan dan kualitas; nilai produk ditunjukkan melalui nilai emosi, nilai epistem dan nilai kondisi; kepuasan ditunjukkan melalui keandalan, daya tanggap, jaminan, empati dan kasat mata; dan loyalitas ditunjukkan melalui hubungan, retensi, rekomendasi dan perubahan. Model struktural yang diperoleh adalah : persepsi berhubungan dengan daya saing dan nilai produk, dengan koefisien lintas sebesar 0,70 dan 0,34; nilai produk berhubungan dengan kepuasan dan loyalitas, dengan koefisien lintas sebesar 0,62 dan 0,96; daya saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Secara keseluruhan faktor yang paling berhubungan dengan loyalitas adalah nilai produk, dan faktor yang paling berpengaruh dengan kepuasan adalah daya saing.
STRUCTURAL EQUATION MODELLING TO KNOW LOYALTY OF CUSTOMER
(Case Study: Customer of Cinta Aroma (CA) Perfumerry in Medan)
ABSTRACT
This study is to obtain the best structural equation modelling to describe the relationship between the latent variables and the relationship between the latent variables and the indicator variables and to determine which constructs most affect the loyalty of costumers. Materials research is costumer of CA Perfumerry survey questionnaire measured using a Likert scale. Measurement model obtained is: perception demonstrated through by price, image, stage and moment of care services; competitiveness shown by the uniqueness and quality; the value of the product indicated by the value of emotions, values of epistem and value of conditions; satisfaction indicated through by reliability, responsiveness, assurance, empathy and tangible; and loyalty demonstrated through by relationships, retention, recommendation and change. Structural models obtained are: perception related to competitiveness and value of products, with a coefficient cross 0,70 and 0,34; value products related to satisfaction and loyalty, with coefficients cross 0,62 and 0,96; competitiveness associated with satisfaction and loyalty with a coefficient cross 0,79 and 0,71. Overall the factors most related to loyalty is the value of the product, and the most influential factor in satisfaction is competitiveness.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Salah satu bidang usaha yang mulai bermunculan sekarang ini adalah usaha
dibidang pengolahan bibit parfum. Banyak konsumen yang mulai menggemari
parfum yang pengolahannya tanpa alkohol dibandingkan pafum-parfum import.
Dari segi harga serta daya tahan, pengolahan bibit parfum terkadang lebih
memuaskan konsumen.
Dengan adanya kualitas yang baik dari segala aspek dalam suatu
perusahaan, akan menciptakan persepsi-persepsi tertentu bagi para konsumennya.
Setelah konsumen puas dengan produk atau jasa yang diterimanya, konsumen
akan membandingkan dengan pelayanan yang diberikan. Apabila konsumen
merasa benar-benar puas, mereka akan memberikan rekomendasi kepada orang
lain untuk membeli di tempat yang sama. Oleh karena itu, perusahaan harus mulai
memikirkan pentingnya pelayanan pelanggan secara lebih matang melalui kualitas
pelayanan, produk, dan persepsi-persepsi pelanggan karena kini disadari bahwa
pelayanan dan kepuasan pelanggan merupakan aspek vital dalam bertahan didunia
bisnis untuk memenangkan persaingan (Tjiptono, 2005).
Ada 6 alasan mengapa suatu institusi perlu mendapatkan loyalitas
pelanggannya (Kotler, Hayes dan Bloom, 2002; dalam Kotler, 2004):
1. Pelanggan yang ada lebih prospektif, artinya pelanggan loyal akan memberi
keuntungan besar kepada institusi.
2. Biaya mendapatkan pelanggan baru jauh lebih besar dibanding menjaga dan
mempertahankan pelanggan yang ada.
3. Pelanggan yang sudah percaya kepada institusi dalam suatu urusan akan
percaya juga dengan urusan lainnya.
4. Biaya operasi institusi akan menjadi efisien jika memiliki banyak pelanggan
5. Institusi dapat mengurangkan biaya psikologis dan sosial dikarenakan
pelanggan lama telah mempunyai banyak pengalaman positif dengan institusi.
6. Pelanggan loyal akan selalu membela institusi bahkan berusaha pula untuk
menarik dan memberi saran kepada orang lain untuk menjadi pelanggan.
Toko Parfum CA Perfumerry di Medan mulai ada sejak Juni 2006,
merupakan salah satu dari toko-toko parfum yang mulai berkembang di Medan ini
dalam pengolahan bibit parfum isi ulang. Menjual lebih dari 200 macam jenis
bibit parfum dengan berbagai merk yang banyak digemari masyarakat. Sampai
tahun 2013 toko parfum CA Perfumerry ini sudah memiliki 14 cabang diberbagai
daerah di Medan ini. Tidak hanya memiliki cabang disini, CA Perfumerry juga
memiliki cabang diluar kota seperti Surabaya, Balikpapan, Lombok, Banjarmasin,
Manado, Palembang dan Mataram. Memberikan harga yang terjangkau, serta
kualitas yang sudah tidak diragukan lagi dalam pengolahan bibit parfum,
menjadikan toko parfum ini semakin meningkatkan resistensinya.
Karena beberapa hal tersebut, jelas bahwa analisis kepuasan pelanggan
perlu diadakan secara berkala oleh suatu perusahaan, agar perusahaan tersebut
mengetahui hal-hal apa saja yang harus diperbaiki atau lebih ditingkatkan lagi
untuk mempertahankan atau bahkan menambah jumlah konsumen. Ada banyak
cara untuk mengukur kepuasan pelanggan, yaitu dengan pendekatan multiple
logistic regression, structural equation modelling, partial least square dan
generalized maximum entropy (Alamsyah, 2008: 62).
Structural Equation Modelling (SEM) atau model persamaan struktural
merupakan analisis multivariat yang digunakan untuk menganalisis hubungan
antar variabel secara kompleks. Analisis data dengan mengunakan SEM berfungsi
untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam
penelitian. SEM digunakan untuk memeriksa dan membenarkan suatu model
(Hair et.al, 2006: 711). Syarat utama menggunakan SEM adalah membangun
suatu model hipotesis yang terdiri dari model struktural dan model pengukuran
dalam bentuk diagram jalur. SEM merupakan sekumpulan teknik – teknik statistik
yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan.
Ada beberapa alasan yang mendasari penggunaan SEM diantaranya adalah
sulit untuk diselesaikan dengan metode analisis jalur pada regresi linear. Kedua,
SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang
bersifat multiple relationship. Ketiga, kesalahan pada masing – masing observasi
tidak diabaikan tetapi tetap dianalisis, sehingga SEM cukup akurat untuk
menganalisis data kuesioner yang melibatkan persepsi. Keempat, Peneliti dapat
dengan mudah memodifikasi model untuk memperbaiki model yang telah disusun
agar lebih layak secara statistik. Kelima, SEM mampu menganalisis hubungan
timbal balik secara serempak.
Berdasarkan uraian sebelumnya, penulis menjadikan Toko Parfum CA
Perfumerry sebagai objek pengamatan dalam pembuatan skripsi ini dengan judul
“Model Persamaan Struktural Untuk Mengetahui Loyalitas Konsumen,
Studi pada Toko Parfum Cinta Aroma (CA Perfumerry) di Medan.
1.2Perumusan Masalah
Semakin banyaknya bermunculan toko pengolahan bibit parfum yang sejenis
dengan CA Perfumerry, melalui penelitian ini menggunakan model persamaan
struktural diharapkan mampu menentukan variabel construct yang mempunyai
pengaruh paling besar sehingga CA Perfumerry dapat mempertahankan
konsumennya, dan bagaimana menentukan model persamaan struktural terbaik
dari loyalitas konsumen.
1.3Batasan Masalah
Untuk membuat permasalahan lebih terarah dan mencegah meluasnya
permasalahan, maka dilakukan pembatasan – pembatasan antara lain :
1. Objek penelitian adalah pelanggan yang datang ke CA Perfumerry untuk
membeli parfum.
2. Konsumen yang diteliti sebagai sampelnya diambil dari lima toko parfum
1.4Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis pengaruh persepsi, nilai produk,
daya saing dan kepuasan konsumen untuk menghasilkan loyalitas konsumen
dengan menggunakan model persamaan struktural. Menentukan konstruk mana
yang paling berpengaruh pada loyalitas sehingga bisa ditingkatkan.
1.5Kontribusi Penelitian
1.
Menambahreferensi bagi pembaca dalam penelitian sejenis di masa yang akan datang.
2.
Memberikaninformasi kepada CA Perfumerry seberapa pentingnya nilai produk, daya
saing, persepsi dan kepuasan pelanggan menghasilkan loyalitas
BAB 2
LANDASAN TEORI
2.1Loyalitas Konsumen
Loyalitas adalah sikap positif seseorang terhadap suatu merek, sehingga
konsumen memiliki keinginan kuat untuk membeli ulang merek yang sama pada
saat sekarang maupun masa datang (Sumarwan, 2002). Perusahaan yang memiliki
dukungan konsumen yang loyal akan dapat meningkatkan kinerja produk dari
produsen sampai pengguna akhir secara optimal dan dapat meningkatkan
dukungan pelayanan kepada konsumen. Pada akhirnya perusahaan dapat
meningkatkan 4-R kepada konsumennya (Rangkuti, 2002). 4-R tersebut adalah :
1. Costumer Relationship, hubungan kedekatan dengam konsumen.
2. Costumer Retention, mempertahankan konsumen yang sudah ada.
3. Costumer Referrals, kesediaan konsumen untuk memberitahukan
kepuasan yang mereka nikmati kepada orang lain.
4. Costumer Recovery, mengubah kesalahan dengan segera dan cepat.
2.2Kepuasan Konsumen
Menurut Philip Kotler (1997:36) Kepuasan konsumen adalah perasaan senang
atau kecewa seseorang yang berasal dari perbandingan antara kesannya terhadap
kinerja (hasil) suatu produk dengan harapannya. Konsumen mempunyai kriteria
yang pada dasarnya identik dengan beberapa jenis yang memberikan kepuasan
kepada para konsumen (Christopher Lovelock, 1994, dalam Rangkuti, 2002).
Kriteria tersebut adalah :
1. Reliabiliy (Keandalan), kemampuan untuk memberikan jasa secara akurat
sesuai dengan yang dijanjikan.
2. Responsiveness (Daya tanggap), kemampuan karyawan untuk membantu
konsumen menyediakan jasa dengan cepat sesuai dengan yang diinginkan.
3. Assurance (Jaminan), pengetahuan dan kemampuan karyawan untuk
4. Emphaty (Empati), karyawan harus memberikan perhatian dan mengerti
kebutuhan konsumen.
5. Tangible (Kasat mata), penampilan karyawan, fasilitas fisik, peralatan dan
alat-alat komunikasi.
2.3Nilai Produk
Nilai produk adalah pengkajian secara menyeluruh manfaat dari suatu produk
(Rangkuti, 2002). Konsumen memilih membeli atau tidak suatu produk
berdasarkan lima komponen nilai (Seth Newman Gross, 1991, dalam Rangkuti,
2002). Kelima komponen nilai tersebut adalah:
1. Nilai fungsi, manfaat suatu produk dikaitkan dengan kemampuan produk
tersebut untuk memenuhi fungsinya dari sudut pandang pertimbangan
ekonomi.
2. Nilai sosial, manfaat suatu produk dikaitkan dengan kemampuan suatu
produk tersebut untuk mengidentikkan konsumen dengan suatu kelompok
sosial tertentu.
3. Nilai emosi, manfaat suatu produk dikaitkan kemampuan produk tersebut
untuk membangkitkan perasaan pemakainya.
4. Nilai epistem, manfaat suatu produk dikaitkan kemampuan produk
tersebut untuk memenuhi keingintahuan pemakainya.
5. Nilai kondisi, manfaat suatu produk dikaitkan kemampuan produk tersebut
untuk memenuhi keperluan konsumen pada saat dan kondisi tertentu.
2.4Persepsi Konsumen
Persepsi adalah proses dimana individu memilih, mengorganisasikan dan
mengartikan stimulus yang diterima melalui alat indranya menjadi suatu makna.
Persepsi konsumen atas suatu jasa meliputi persepsi konsumen atas kesesuaian
harga dengan fasilitas dan pelayanan yang diberikan, persepsi konsumen terhadap
citra perusahaan, persepsi konsumen di setiap tahap pelayanan yang diberikan dan
2.5Daya Saing
Daya saing adalah kemampuan suatu produk, jasa maupun barang agar dapat
menarik konsumen. Suatu produk hanya memiliki daya saing bila keunggulan
produk tersebut dibutuhkan oleh konsumen. Keunggulan suatu produk jasa
terletak pada keunikan serta kualitas pelayanan produk jasa disesuaikan dengan
manfaat serta yang dibutuhkan oleh konsumen (Rangkuti, 2002).
2.6 Kovariansi
Kovariansi adalah jantung analisis dalam banyak pemodelan statistika, terutama
yang menyangkut hubungan antara dua variabel atau lebih, meskipun seringkali
tidak ditunjukkan secara eksplisit. Kovariansi dapat diartikan sebagai ukuran
keeratan hubungan antara dua variabel .
Definisi (Bain dan Engelhardt, 1992) Kovariansi antara dua variabel random X
dan Y didefinisikan sebagai :
Kov(X,Y) =
σ
xy = E[(X-µx) -
(Y-µ
y)]
sedangkan variansi dari suatu variabel random X didefinisikan sebagai :
Var(X) =
σ
xx =σ
x2= E[(X-µx)
2]
Menurut Bain dan Engelhardt (1992) dan Bollen (1989) sifat- sifat kovariansi
antara lain adalah jika X dan Y adalah variabel random sedangkan a dan b
konstanta maka :
1. Kov(X,Y) = E(XY) − E(X)E(Y) = µXY −µX µY ,
2. Kov(c, X) = 0 ,
3. Kov(aX,bY) = abKov(XY) ,
4. Kov(X + a,Y + b) = Kov(XY) ,
2.7Koefisien Korelasi dan Koefisien Determinasi
2.7.1. Koefisien Korelasi
J.Supranto (2010) di dalam kehidupan sehari-hari, kejadian ekonomi dan kejadian
lainnya saling berhubungan dan mempengaruhi. Kejadian-kejadian tersebut bisa
dinyatakan sebagai perubahahan nilai variabel X dan Y. Analisis korelasi
bertujuan untuk mengetahui kuatnya hubungan antar variabel X dan Y sebagai
variabel bebas dan tak bebas.
Kalau X dan Y berkorelasi sangat kuat, analisis dilanjutkan dengan analisis
regresi yang bertujuan untuk :
a. Mengetahui besarnya pengaruh dari perubahan X terhadap Y kalau X naik
1 unit (satu satuan), berapa kali kenaikan Y.
Catatan :
Kita bisa mengatakan besarnya pengaruh X terhadap Y kalau X naik 1
unit, kalau variabel, selain X dikontrol (konstan), tak mempengaruhi Y,
misalnya dalam eksperimen, sebab yang mempengaruhi Y banyak faktor
bukan hanya X.
b. Memperkirakan/meramalkan nilai Y kalau variabel X yang berkorelasi
dengan Y sudah diketahui. (X sudah terjadi, merupakan kebijakan
pimpinan atau merupakan ramalan). Kalau X diketahui X0, berapa nilai
Y0?
Analisis korelasi dan regresi sangat penting bagi pimpinan, oleh karena pada
dasarnya setiap kebijakan (policy) dari pimpinan (baik perusahaan
swasta/BUMN/asing, maupun para pejabat pemerintah) pada dasarnya
dimaksudkan untuk melakukan perubahan (change) sesuai dengan keinginan atau
harapan.
Hubungan X dan Y positif kalau kenaikan/penurunan X diikuti dengan
kenaikan/penurunan Y, sedangkan hubungan negatif kalau kenaikan/penurunan X
diikuti penurunan/kenaikan Y.
Koefisien korelasi (r) merupakan suatu nilai untuk mengukur kuatnya
di mana
dan perkiraan dan berada diantara .
Kalau , X dan Y tidak berkolerasi
Kalau hubungan X dan Y lemah positif atau negatif
hubungan X dan Y cukup kuat positif atau negatif
hubungan X dan Y kuat positif atau negatif
hubungan X dan Y sangat kuat positif atau negatif
hubungan X dan Y sempurna positif atau negatif.
2.7.2 Koefisien Determinasi
Koefisien Determinasi (r2) merupakan sumbangan (share) dari X terhadap variasi
(naik turunnya) Y, tingkat variasi ditunjukkan oleh besarnya nilai varian Y.
Misalnya X = biaya promosi, Y = hasil penjualan. r = 0,9 dan r2 = (0,9)2 = 0,81
artinya sumbangan X (biaya promosi) terhadap variasi (naik turunnya) Y (hasil
penjualan) = 81%, sisanya 19% merupakan sumbangan faktor lain seperti harga,
daya beli, mutu barang, dan lain-lain.
2.8Analisis Multivariat
Masalah (problem) ialah sesuatu yang terjadi tidak sesuai dengan keinginan atau
harapan. Setiap masalah yang timbul pasti ada faktor penyebab umumnya lebih
dari satu. Kalau masalah kita sebut sebagai variabel tak bebas Y dan faktor
penyebab sebagai variabel bebas X, maka oleh karena ada lebih dari satu X,
katakan ada k buah, maka kita tulis faktor penyebab : X1, X2, ... , Xi, ... , Xk. Artinya
Y disebabkan oleh X1, X2, ... , Xi, ... , Xk. Misalnya penjualan menurun disebabkan
karena biaya promosi, harga, mutu pelayanan, saingan produk impor.
Masing-masing faktor akan mempunyai pengaruh positif (menaikkan) atau negatif
pengaruh dari beberapa variabel bebas (X) terhadap variabel tak bebas (Y) kita
menggunakan metode ketergantungan/depedensi (depedency method).
Berbeda dengan yang disebutkan di atas, keingintahuan tentang sesuatu
dan memang belum tahu, juga merupakan masalah. Misalnya ingin menentukan
segmen pasar dengan membentuk kelompok (cluster) berdasarkan beberapa
atribut seperti penghasilan, kekayaan, pendidikan, daerah tempat tinggal,
kedudukan sosial, banyaknya mobil yang dimiliki, luas tanah yang dimiliki
dijadikan dua segmen pasar yaitu pelanggan kaya dan tidak kaya. Jadi, peran
peneliti membantu mencarikan faktor penyebab timbulnya masalah atau
membantu untuk mencarikan informasi yang diinginkan seperti profil pelanggan,
pengelompokkan pelanggan atau segmen pasar yang ideal untuk dilayani secara
tepat.
Berdasarkan dua alasan di atas, analisis multivariat bisa dikelompokkan
menjadi dua kelompok besar, yaitu :
1. Analisis depedensi/ketergantungan (depedency methods), bertujuan untuk
menjelaskan atau meramalkan nilai variabel tak bebas berdasarkan lebih
dari satu variabel bebas yang mempengaruhinya (X1, X2, ... , Xi, ... , Xk dan
Y), kalau hanya melibatkan satu variabel bebas, analisis disebut analisis
bivariat ( X dan Y).
2. Analisis interdepedensi/saling ketergantungan (interdepedence methods),
bertujuan untuk memberikan arti (meaning) kepada suatu set variabel
(kelompok variabel) atau mengelompokkan suatu set variabel menjadi
kelompok yang lebih sedikit jumlahnya dan masing-masing kelompok
membentuk variabel baru yang disebut faktor (mereduksi jumlah variabel).
Perlu dijelaskan disini bahwa jenis skala yang dipergunakan untuk
mengukur variabel tak bebas (Y) dan variabel bebas (X) dan juga banyaknya
variabel tak bebas akan menetukan teknik analisis multivariat yang tepat. Dalam
analisis multivariat data non-metrik (kualitatif) untuk nominal dan ordinal
sedangkan data metrik (kuantitatif) untuk interval dan ratio (J. Supranto. 2010,
2.9Regresi Linier Berganda
Perlu diketahui bahwa faktor penyebab perubahan Y bukan hanya X akan tetapi
masih banyak faktor lainnya. Kalau kita ingin memperhitungkan pengaruh lebih
dari satu variabel bebas X, kita harus menggunakan analisis korelasi dan regresi
linier berganda.
Manfaat Analisis Regresi Linier Berganda secara ringkas sebagai berikut :
1. Dapat digunakan untuk mengetahui besarnya pengaruh dari setiap variabel
bebas (yang tercakup dalam persamaan) terhadap variabel tak bebas, kalau
variabel bebas tersebut naik 1 unit, dan variabel lainnya (sisanya) tetap
dengan menggunakan nilai koefisien regresi parsial.
2. Dapat digunakan untuk meramalkan nilai variabel tak bebas Y, kalau
seluruh variabel bebasnya sudah diketahui nilainya dan semua koefisien
regresi parsial sudah dihitung.
Model regresi linier berganda sebagai berikut
Ada (k+1) variabel dalam persamaan
Satu variabel tak bebas Y
k variabel bebas X : X1, X2, ... , Xk
df = degrees of freedom = n – (k+1)
= banyaknya observasi (elemen sampel) dikurangi banyaknya variabel
dalam persamaan.
= kesalahan pengganggu (distrubance’s error) yaitu kesalahan yang
terjadi pada perkiraan/ramalan nilai Y disebabkan ada faktor lain
yang mempengaruhi Y akan tetapi tidak diperhitungkan (tidak
2.10 Structural Equation Modelling (SEM)
2.10.1 Sejarah SEM dan Pengertian
Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik
ini dikenal dengan analisis jalur dan kemudian dipersempit dalam bentuk analisis
structural equation modelling. Dari defenisi beberapa ahli menyebutkan
diantaranya, ”Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab
akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel bergantung tidak hanya secara langsung, tetapi juga secara tidak langsung
(Robert D. Rutherford 1993). Sementara itu, definisi lain mengatakan ”Analisis
jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan
untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi
(significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.”
(Paul Webley,1997). David Garson dari North Carolina State University
mendefenisikan analisis jalur sebagai ’model perluasan regresi yang digunakan
untuk menguji keselarasan matriks korelasi dengan dua atau lebih model
hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan
dalam bentuk gambar lingkaran dan panah di mana anak panah tunggal
menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel
dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang
lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang
dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan
dilakukan juga penghitungan uji keselarasan statistik (David Garson, 2003).
Model persamaan struktural (SEM) meliputi seluruh model yang terkenal
dengan banyak nama seperti: covariance structure analysis, latent variabel
analysis, confirmatory factor analysis dan sering disebut lisrel analysis yang
merupakan salah satu nama program komputer.
Perlu disebutkan disini bahwa teknik SEM dibedakan oleh dua
karakteristik, yaitu
1. Estimasi atau perkiraan hubungan depensi berganda dan saling terkait
2. Kemampuan untuk mempresentasikan konsep yang tidak terlihat
(unobserved consepts) dalam hubungan–hubungan ini dan
memperhitungkan pengukuran kesalahan di dalam proses estimasi
2.10.2 Prinsip-Prinsip Dasar
Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam analisis jalur diantaranya
ialah :
a. Adanya linieritas (Linierity). Hubungan antar variabel bersifat linier,:
b. Adanya aditivitas (Additivity). Tidak ada efek-efek interaksi
c. Data berskala interval. Semua variabel yang diobservasi mempunyai data
berskala interval (scaled values). Jika data belum dalam bentuk skala
interval, sebaiknya data diubah dengan menggunakan metode suksesive
interval (MSI) terlebih dahulu
d. Semua variabel residual (yang tidak diukur) tidak berkorelasi dengan salah
satu variabel dalam model
e. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh
berkorelasi dengan semua variabel endogeneus dalam model. Jika
dilanggar maka akan berakibat hasil regresi menjadi tidak tepat untuk
mengestimasikan parameter-parameter jalur.
f. Adanya rekursivitas. Semua anak panah mempunyai satu arah, tidak boleh
terjadi pemutaran kembali (looping)
g. Spesifikasi model sangat diperlukan untuk menginterprestasikan
koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab
yang signifikan dikeluarkan dari model. Semua koefisien jalur akan
merefleksikan kovarian bersama dengan semua variabel yang tidak diukur
dan tidak akan dapat diinterpretasikan secara tepat dalam kaitannya
dengan akibat langsung dan tidak langsung.
h. Terdapat ukuran sampel yang memadai. Untuk memperoleh hasil yang
maksimal, sebaiknya digunakan sampel di atas 100.
2.10.3 Konsep dan Istilah
Dalam analisis jalur dikenal beberapa konsep dan istilah dasar. Pada Gambar 2.1
Model Analisis Jalur (SEM) akan diterangkan konsep-konsep dan istilah dasar :
Gambar 2.1 Model Analisis Jalur SEM
1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas,
perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan
anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab
akibat antara variabel-variabel eksogenous atau perantara dengan satu variabel
tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan
(variabel residue) dengan semua variabel endogeneus masing-masing. Anak
panah ganda menunjukkan korelasi antara pasangan variabel-variabel
eksogeneus.
2. Jalur penyebab untuk suatu variabel yang diberikan, meliputi pertama,
jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua jalur-jalur-jalur-jalur
korelasi dari semua variabel endogeneus yang dikorelasikan dengan
vaiabel-variabel yang lain yang mempunyai anak panah anak panah menuju ke vaiabel-variabel
yang sudah ada tersebut.
3. Variabel eksogeneus. Variabel-variabel eksogeneus dalam suatu model jalur
ialah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau
dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada
bagian kesalahan pengukuran. Jika antara variabel eksogeneus dikorelasikan
maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang
menghubungkan variabel-variabel tersebut.
4. Variabel endogeneus. Variabel endogeneus ialah variabel yang mempunyai
anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang
termasuk didalamnya mencakup semua variabel perantara dan tergantung.
Variabel perantara endogeneus mempunyai anak panah yang menuju arahnya
dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun
variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya.
5. Koefisien jalur/pembobotan jalur. Koefisien jalur adalah koefisien regresi
standar atau disebut ”beta” yang menunjukkan pengaruh langsung dari suatu
variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu.
Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel
penyebab maka koefisien-koefisien jalurnya merupakan koefisien-koefisien
regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap
variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel
lain sebelumnya dengan menggunakan data yang sudah distandarkan atau
matriks korelasi sebagai masukan.
6. Variabel-variabel eksogeneus yang dikorelasikan. Jika semua variabel
eksogeneus dikorelasikan maka sebagai penanda hubungannya ialah anak
panah dengan dua kepala yang dihubungkan diantara variabel-variabel dengan
koefisien korelasinya.
7. Istilah gangguan. Istilah kesalahan residual yang secara teknis disebut sebagai
’gangguan’ atau ’residue’ mencerminkan adanya varian yang tidak dapat
diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah
dengan kesalahan pengukuran.
8. Aturan multiplikasi jalur. Nilai dari suatu jalur gabungan adalah hasil semua
koefisien jalurnya.
9. Dekomposisi pengaruh. Koefisien-koefisien jalur dapat digunakan untuk
mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung
dan tidak langsung yang berhubungan dengan jalur langsung dan tidak
tertentu. Ini didasarkan pada aturan bahwa dalam suatu sistem linier, pengaruh
penyebab total suatu variabel ’i’ terhadap variabel ’j’ adalah jumlah semua
nilai jalur dari ’i’ ke ’j’ .
2.10.4 Model Analisis Jalur
Ada beberapa model jalur mulai dari yang paling sederhana sampai dengan yang
lebih rumit, di antaranya diterangkan dibawah ini :
2.10.4.1Model Regresi Berganda
Model pertama ini sebenarnya merupakan pengembangan regresi berganda
dengan menggunakan dua variabel eksogeneous, yaitu X1 dan X2 dengan satu
variabel endogeneus Y. Model digambarkan pada Gambar 2.2. Bentuk model
regresi berganda sbb :
Gambar 2.2 Bentuk Model Regresi Berganda
2.10.4.2Model Mediasi
Model kedua adalah model mediasi atau perantara di mana variabel Y
memodifikasi pengaruh variabel X terhadap variabel Z. Model digambarkan, pada
Gambar 2.3. Bentuk model mediasi : X1
X2
Gambar 2.3 Bentuk Model Mediasi
2.10.4.3Model Kombinasi Pertama dan Kedua
Model ketiga ini merupakan kombinasi antara model pertama dan kedua, yaitu
variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak
langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan pada
Gambar 2.4. Model kombinasi pertama dan kedua :
Gambar 2.4 Model Kombinasi Pertama dan Kedua
2.10.4.4 Model Kompleks
Model keempat ini merupakan model yang lebih kompleks, yaitu variabel X1
secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung
mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1
model digambarkan pada Gambar 2.5. Bentuk model kompleks: Y
X2 X1
Y
Gambar 2.5 Bentuk Model Kompleks
2.10.4.5 Model Rekursif dan Non Rekursif
Dari sisi pandang arah sebab akibat, ada dua tipe model jalur, yaitu rekursif dan
non rekursif. Model rekursif ialah jika semua anak panah menuju satu arah seperti
Gambar 2.6. Bentuk model rekursif dan non rekursif
Gambar 2.6 Bentuk Model Rekursif dan Non Rekursif
Model tersebut dapat diterangkan sebagai berikut:
a. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari
3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1
b. Hanya terdapat satu variabel eksogeneous, yaitu 1 dan tiga variabel
endogenuous, yaitu 2,3 dan 4. Masing-masing variabel endogeneous
diterangkan oleh variabel 1 dan error (e, e dan e ) Model non recursif Y1
X2
terjadi jika arah anak panah tidak searah atau terjadi arah yang terbalik
(looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab
akibat (reciprocal cause).
2.10.5 Persamaan Jalur SEM
2.10.5.1Persamaan Satu Jalur
Bentuk model yang mengandung unsur persamaan satu jalur adalah pada model
regresi berganda. Dimana hanya terdapat satu variabel endogeneus yang
disebabkan oleh beberapa variabel eksogeneus. Bentuk modelnya dapat dilihat
pada Gambar 2.7. Bentuk model persamaan satu jalur dalam SEM
Gambar 2.7 Bentuk Model Persamaan Satu Jalur Dalam SEM
Keterangan:
a. Variabel X1, X2 dan X3 adalah variabel eksogeneus
b. Variabel Y adalah variabel endogeneus
2.10.5.2 Persamaan Dua Jalur
Dalam persamaan dua jalur model dikembangkan atas tiga variabel eksogeneus
dan 2 variabel endogeneus. Model persamaannya dapat dilihat pada Gambar 2.8.
Bentuk Model persamaan dua jalur dalam SEM :
Gambar 2.8 Bentuk Model Persamaan Dua Jalur Dalam SEM
Keterangan:
a. Variabel X1, X2 dan X3 adalah variabel eksogeneus
b. Variabel Y1 dan Y2 adalah variabel endogeneus
Persamaannya adalah:
a. Y1=RY1 X1 + RY X2+ RY X3 + €1 (Pers. Substruktur 1)
b. Y2=RY2 X1 + RY2 X2+ RY2 X3 + €2 (Pers. Substruktur 2)
2.10.5.3 Persamaan Tiga Jalur
Dalam model persamaan tiga jalur, pada umumnya terdapat 2 variabel eksogeneus
murni, dan satu variabel eksogeneus perantara, dan terdapat 2 variabel
endogeneus. Bentuk model persamaan strukturalnya dapat dilihat secara lengkap
Gambar 2.9 Bentuk Model Persamaan Tiga Jalur Dalam SEM
Keterangan:
a. Variabel X1 dan X3 adalah variabel eksogeneus
b. Variabel X2 adalah variabel perantara
c. Variabel Y1 dan Y2 adalah variabel endogeneus
Persamaannya adalah:
a. X2=R X2 X1 + R X2 X3 + €1 (Pers. Substruktur 1)
b. Y1=RY1 X1 + RY1X2+ €2 (Pers. Substruktur 2)
c. Y2=RY2 X3 + RY2 Y1+ €3 (Pers. Substruktur 3)
2.11 Metode Maximum Likelihood
Fungsi likelihood didefinisikan sebagai fungsi densitas peluang bersama dari n
variabel acak X1, ... , Xn yang dipandang sebagai fungsi θ.
Jika X1, ... , Xn sampel acak dengan fungsi densitas peluang f (x;θ) maka
fungsi likelihood L(θ) didefinisikan sebagai :
L(θ) = f (x1;θ) ... f (xn;θ)
Untuk mengilustrasikan metode maximum likelihood, kita mengasumsikan
parameter populasi, misalnya θ, yang harus ditentukan dengan menggunakan suatu statistik tertentu, kemudian fungsi kepadatan dapat dilambangkan sebagai f
(x;θ). Dengan mengasumsikan bahwa terdapat n pengamatan yang independen x1,
... , xn. Fungsi Likelihood untuk pengamatan-pengamatan ini adalah:
L(θ) = f (x1;θ). f (x2;θ)... f (xn;θ)
Estimator maximum likelihood dapat diperoleh dengan menentukan
turunan dari L terhadap θ dan menyatakannya sama dengan nol atau dapat ditulis
sebagai L (θ) = 0. Dalam hal ini akan lebih mudah untuk terlebih dahulu
menghitung logaritma dan kemudian menentukan turunannya:
ln L (θ) = 0.
(Lipschuts dan Schiller, 2005:166)
2.12 Validitas dan Reliabilitas
Validitas adalah kemampuan indikator dalam mengukur apa yang seharusnya
diukur. Validitas dinilai dengan cara menguji hipotesis H0 : = 0 lawan H1 :
, indikator dikatakan valid jika memiliki nilai hitung lebih besar dari
t-hitung pada taraf nyata , yaitu jika nilai t-hitung lebih besar dari 1,96.
Reliabilitas adalah ukuran yang berkaitan dengan kekonsistenan
indikator-indikator terhadap peubah laten yang diukurnya. Indikator secara bersama-sama
mengukur peubah latennya diukur reliabilitasnya dengan menggunakan reliabilitas
konstruk. Reliabilitas diukur melalui persamaan berikut :
Di mana :
k = jumlah peubah indikator yang mengukur peubah laten ke-j
= ragam galat pengukuran indikator ke-i
Semakin besar nilai reliabilitas konstruk maka akan semakin baik
indikator-indikator dalam mengukur peubah latennya. Nilai reliabilitas yang
disarankan adalah lebih besar dari 0.50 (Hair et al. 1998).
2.13 Evaluasi Kelayakan Model
Kelayakan model dapat dilihat dari berbagai ukuran kelayakan model, dalam
penelitian ini ukuran kelayak model yang digunakan adalah :
1. Chi-kuadrat
Nilai chi-kuadrat yang diperoleh relatif besar terhadap derajat bebas,
mengindikasikan bahwa matriks hasil dugaan model tidak sesuai dengan
matriks data. Sebaliknya chi-kuadrat yang relatif kecil terhadap derajat
bebas, mengindikasikan bahwa matriks hasil dugaan model sesuai dengan
matriks data. Ada beberapa kelemahan dalam uji chi-kuadrat yaitu
tergantung pada asumsi kenormalan ganda, untuk memperoleh kecocokan
yang lebih baik diperlukan model yang lebih kompleks, sensitif terhadap
ukuran contoh (Mueller, 1996, dalam Wijanto, 2008).
2. Root Mean Square Residual (RMR)
Nilai RMR menunjukkan rata-rata sisaan koragam atau sisaan korelasi
(Bollen, 1989). Formula bagi RMR adalah :
di mana ∑ adalah koragam populasi dan ∑(θ) adalah koragam model. Nilai
RMR yang lebih kecil atau sama dengan 0,05 mengindikasikan bahwa
model tersebut baik dalam hal kecocokan antara matriks hasil dugaan
model struktural dengan matriks data asal.
3. Root Mean Square Error of Approximation (RMSEA)
Nilai RMSEA merupakan ukuran ketidakcocokan model berdasarkan
Model dengan nilai RMSEA lebih besar dari 0,10 mengindikasikan bahwa
model tersebut tidak baik dalam hal kecocokan antara matriks hasil dugaan
model struktural dengan matriks data asal ( McCallum, 1996, dalam
Wijanto, 2008).
4. Goodness-of-Fit Index (GFI)
Nilai GFI mempresentasikan persen keragaman data yang dapat
diterangkan oleh model. Formula GFI untuk metode maximum likelihood
adalah :
Model nilai GFI lebih besar daripada 0,90 mengindikasikan bahwa model
tersebut baik dalam hal kecocokan antara matriks hasil dugaan model
struktural dengan matriks data asal (Sharma 1996).
5. Adjusted Goodness-of-Fit Index (AGFI)
Nilai AGFI merupakan modifikasi dari nilai GFI dengan mengakomodasi
derajat bebas model dengan model lain yang dibandingkan. Formula bagi
AGFI adalah :
Model dengan nilai AGFI lebih besar dari 0,80 mengindikasikan bahwa
model tersebut baik dalam hal kecocokan antara matriks hasil dugaan
BAB 3
METODOLOGI PENELITIAN
Metodologi penelitian merupakan cara atau prosedur yang berisi tahapan-tahapan
yang jelas dan disusun secara sistematis dalam proses penelitian. Tiap tahapan
merupakan bagian yang menentukan tahapan selanjutnya sehingga harus dilalui
dengan cermat.
3.1 Merumuskan Masalah
Langkah awal pada penelitian ini adalah merumuskan masalah. Masalah yang
dirumuskan berdasarkan pendahuluan yaitu apakah construct dalam penelitian ini
yang paling berpengaruh untuk membentuk loyalitas konsumen dan bagaimana
model persamaan struktural terbaik yang diperoleh untuk menggambarkan
loyalitas. Adapun data yang digunakan dalam proses analisis adalah data primer
dengan penyebaran kuesioner kepada Pelanggan CA Perfumerry.
3.2 Studi Literatur
Studi literatur dilakukan dengan mengidentifikasi permasalahan,
mengkaji dan menganalisis Model Persamaan Struktural. Penelusuran
referensi ini bersumber dari buku, jurnal maupun penelitian yang
telah ada sebelumnya mengenai hal-hal yang berhubungan dengan
metode yang dipakai.
3.3 Pengamatan dan Pengumpulan Data
1. Tempat dan Waktu Penelitian
Penelitian ini dilakukan pada lima toko cabang parfum CA Perfumerry yang
memiliki omset terbanyak diantara 14 cabang CA Perfumerry di Medan dengan
rincian sebagai berikut :
1. Plaza Medan Fair Lt 2 no. 99
3. Jl. Gaperta
4. Jl. Karya Sei Agul
5. Plaza Medan Fair lt 3
Penelitian dilakukan selama 3 minggu dimulai pada tanggal 21 April 2014
sampai tanggal 12 Mei 2014.
2. Objek Penelitian
Objek dalam penelitian ini adalah Pelanggan parfum di lima toko cabang CA
Perfumerry di Medan yang membeli parfum untuk dirinya sendiri, minimal
pembelian 2 x. Unit analisis penelitian ini adalah pelanggan yang berjenis kelamin
perempuan. Hal ini dilakukan karena diperkirakan kelompok pelanggan ini
bersifat netral dikarenakan karyawan-karyawan toko CA Perfumerry adalah
perempuan. Sehingga mampu menjawab pertanyaan survey dengan objektif.
3. Metode Pengumpulan Data
Pengumpulan data dilakukan melalui penyebaran kuesioner secara langsung
dengan individu responden. Kuisioner yang digunakan diukur dengan skala likert
berskala lima yaitu sangat setuju, setuju, netral, tidak setuju, sangat tidak setuju.
Pengambilan contoh dilakukan ketika pembeli telah membeli parfum di
masing-masing lima toko yang dipilih berdasarkan kriteria awal dan pembeli yang terpilih
sebagai responden adalah pembeli yang telah sering membeli parfum di CA
Perfumerry. Metode sampling yang digunakan dalam penelitian kali ini adalah
non probability sampling/non random sampling, dengan teknik yang digunakan
adalah purposive sampling. Jumlah sampel yang diambil dari anggota populasi
yaitu 100 orang pelanggan yang membeli parfum di lima toko cabang CA
Perfumerry di Medan selama periode pengumpulan data. Hait et al (1998)
menyarankan bahwa ukuran contoh minimum yaitu sebanyak 5 observasi untuk
setiap peubah indikator dan untuk ukuran contoh yang disarankan jika
menggunakan metode maximum likelihood adalah antara 100-200.
Setelah mendapatkan data yang dimaksud, selanjutnya dilakukan
pembahasan secara teoritis mengenai metode yang digunakan dalam
penelitian berdasarkan hasil studi literatur. Hal ini dilakukan
untuk mengetahui bagaimana metode yang digunakan dalam kajian
teorinya sebelum digunakan dalam penelitian.
3.4.1 Variabel Penelitian
1. Variabel Bebas (Independent)
Variabel bebas dalam penelitian kali ini adalah persepsi konsumen yang terdiri
dari empat indikator yaitu :
1) Harga (X1)
2) Citra (X2)
3) Tahap Pelayanan (X3)
4) Momen Pelayanan (X4).
2. Variabel Tak Bebas (Dependent)
Variabel tak bebas dalam penelitian ini ada empat yaitu :
A. Nilai Produk, yang terdiri dari lima indikator yaitu :
1) Nilai Fungsi (X5)
2) Nilai Sosial (X6)
3) Nilai Epistem (X7)
4) Nilai Emosi (X8)
5) Nilai Kondisi (X9)
B. Daya Saing, yang terdiri dari dua indikator yaitu :
1) Keunikan (X10)
2) Kualitas (X11)
C. Kepuasan Konsumen, yang terdiri dari lima indikator yaitu :
1) Keandalan (X12)
2) Daya Tanggap (X13)
4) Empati (X15)
5) Kasat Mata (X16)
D. Loyalitas Konsumen, yang terdiri dari empat indikator yaitu :
1) Hubungan (X17)
2) Retensi (X18)
3) Rekomendasi (X19)
4) Perubahan (X20)
3.5Analisis dan Pengolahan Data
Teknik pengolahan data yang digunakan adalah dengan Structural Equation
Modelling (SEM) dengan metode confirmatory analysis (CFA). CFA adalah
model pengukuran dimana variabel-variabel teramati (indikator-indikator)
merefleksikan satu variabel laten tertentu (latent dimension).
Ada 7 tahapan prosedur pembentukan dan analisis SEM, yaitu:
1. Membentuk model teori sebagai dasar model SEM. Model ini adalah suatu
model kausal atau sebab akibat yang menyatakan hubungan antar dimensi atau
variabel.
2. Membangun path diagram dari hubungan kausal yang telah dibentuk
berdasarkan dasar teori.
3. Membagi path diagram tersebut menjadi suatu set dari model pengukuran
(measurement model) dan model structural (structural model).
4. Pemilihan matrik data input dan mengestimasi model yang diajukan.
5. Menguji Unidimensionalitas Masing-masing Konstruk dengan Konfirmatori
Analisis Faktor.
6. Mengestimasi Persamaan Full Model.
7. Menguji Evaluasi Asumsi Model Struktural.
Pada tahap akhir dari penelitian ini ditarik kesimpulan yang didasarkan pada hasil
pengolahan data dan analisis yang dilakukan pada tahap sebelumnya. Selanjutnya
akan diberikan saran-saran yang dianggap penting dan mungkin untuk
ditindaklanjuti baik untuk kepentingan praktisi maupun untuk penyempurnaan
BAB 4
HASIL DAN PEMBAHASAN
4.1 Pengolahan Data
Untuk menentukan hubungan variabel yang berpengaruh terhadap pembentukan
loyalitas konsumen CA Perfumerry, maka dapat ditentukan dengan jalur SEM
berdasarkan setiap tahapan-tahapan berikut:
4.1.1 Pengembangan Model Berbasis Teori
Berdasarkan pada kajian teori yang ada dan hasil-hasil penelitian sebelumnya,
diajukan model hubungan antar konstruk seperti dibawah ini :
Gambar 4.1 Model Kerangka Teoritis
Persepsi
Nilai Produk
Adapun indikator-indikator dari konstruk tersebut dapat dilihat pada tabel berikut
ini :
Tabel 4.1 Indikator-indikator dari Konstruk
Konstruk Indikator Konstruk Kode
1. Persepsi 1. Harga
4. Kepuasan 1.Keandalan 2.Daya Tanggap
5. Loyalitas 1. Hubungan 2. Retensi
Sampel dari penelitian ini adalah pelanggan CA Perfumerry yang membeli di lima
toko cabang CA Perfumerry di Medan dengan kriteria berjenis kelamin
perempuan. Jumlah responden yang mengisi kuisioner ada 100 orang dan tabulasi
4.1.2 Mengkontruksi Diagram Jalur untuk Menunjukkan Hubungan
Kausalitas
Berdasarkan dari kajian teori yang ada dibuat gambar diagram jalur hubungan
kausalitas antar konstruk beserta indkatornya. Gambar hubungan antar konstruk
dapat dilihat pada Gambar 4.2 berikut :
Gambar 4.2 Model Diagram Jalur Hubungan Kausalitas
4.1.3 Konversi Diagram Jalur ke dalam Serangkaian Persamaan
Struktural dan Spesifikasi Model Pengukuran
Persamaan struktural dari model diagram jalur dinyatakan sebagai berikut :
(1)
(2)
(3)
(4)
Konstruk Endogen Nilai Produk
Konstruk Endogen Daya Saing
Konstruk Endogen Kepuasan
Konstruk Endogen Loyalitas
Model persamaan struktural mengakomodasi input matriks dalam bentuk
covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input
matriks ini dapat digunakan. Namun demikian karena tujuannya adalah
mengeksplorasi pola saling hubungan (interrelationship), maka input matriks
dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan
dari data mentah ke bentuk kovarian atau korelasi lebih dahulu sebagai input
analisis. Kemudian untuk estimasi dipilih estimasi Maximum Likelihood (ML)
untuk mengestimasi data yang sudah diinput. Estimasi Maximum Likelihood (ML)
dipilih karena dengan model estimasi Maximum Likelihood (ML) minimum
diperlukan 100 buah sampel. Ketika sampel dinaikkan di atas nilai 100, metode
Maximum Likelihood (ML) meningkat sensitivitasnya untuk mendetekasi
perbedaan antar data. Begitu sampel menjadi besar, maka metode Maximum
Likelihood (ML) menjadi angat sensitive dan selalu menghasilkan perbedaan
secara signifikan sehingga ukuran Goodness of Fit menjadi jelek. Jadi dapat
direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan
unutk metode estimasi Maximum Likelihood (ML).
4.1.5 Menguji Unidimensionalitas Masing-masing Konstruk dengan
Konfimatori Analisis Faktor
Analisis Konfirmatori dilakukan antar variabel eksogen dan antar variabel
endogen. Pada model hanya ada satu variabel eksogen yaitu Persepsi. Sedangkan
memiliki 4 variabel endogen yaitu Nilai Produk, Daya Saing, Kepuasan dan
Loyalitas.
4.1.5.1Uji Konfirmatori Konstruk Eksogen Persepsi
Gambar 4.3 Perserpsi Konsumen
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 14 Number of distinct parameters to be estimated: 12 Degrees of freedom (14 - 12): 2
Result (Default model)
Minimum was achieved Chi-square = 1,881 Degrees of freedom = 2 Probability level = ,390
Tabel 4.2 Regression Weights: Konstruk Eksogen
Estimate S.E. C.R. P Label X4 <--- Persepsi 1,000
Tabel 4.3 Standardized Regression Weights: Konstruk Eksogen
Estimate X4 <--- Persepsi ,934 X3 <--- Persepsi ,737 X2 <--- Persepsi ,629 X1 <--- Persepsi ,586
Tabel 4.4 Ukuran Kebaikan Model Persamaan Struktural pada Konstruk Eksogen
Kriteria Pengujian Nilai yang disarankan Hasil Uji χ2
Nilai p ≥ 0,05 1,881
(Nilai p=0,390)
RMSEA ≤ 0,10 0,000
TLI ≥ 0,90 1,003
GFI ≥ 0,90 0,901
AGFI ≥ 0,80 0,810
Berdasarkan ukuran kebaikan model untuk konstruk eksogen yang
disajikan pada Tabel 4.4, menunjukkan bahwa model yang diperoleh untuk
konstruk ini merupakan model yang sangat baik. Hal ini berdasarkan ukuran
kebaikan model RMSEA, TLI, GFI, AGFI yang sesuai dengan nilai yang
disarankan. Nilai loading faktor semua sudah signifikan dan semua memiliki nilai
loading diatas 0,50 jadi sudah memenuhi convergen validity.
4.1.5.2Uji Konfirmatori antar Konstruk Endogen Nilai Produk, Daya Saing,
Kepuasan dan Loyalitas
Keempat variabel endogen ini saling kita kovariankan dan berikut ini disajikan
hasil pengolahan uji konfirmatori antar konstruk Nilai Produk, Daya Saing,
Gambar 4.4 Hasil Uji Konfirmatori Konstruk Endogen
Result (Default model)
Minimum was achieved
Chi-square = 196,303
Degrees of freedom = 98
Tabel 4.5 Regression Weights: Konstruk Endogen
Tabel 4.6 Standardized Regression Weights: Konstruk Endogen
Hasil uji Chi-squares menunjukkan nilai 196,303 dengan probabilitas p = 0,000
hal ini dapat diartikan bahwa model tidak fit. Kriteria fit lainnya seperti GFI,
AGFI, TLI, dan RMSEA juga memberikan nilai yang tidak fit. Untuk itu perlu
dilihat nilai convergent validity dari indikator-indikator pembentuk konstruk
laten. Dilihat dari nilai standardized loading factor apakah ada yang nilainya
dibawah 0,50. Nilai loading factor dibawah 0,50 kita drop dari analisis karena
dianggap tidak valid mengukur konstruk latennya. Dalam hal ini yang harus
didrop adalah Y2, Y1. Model dire-estimasi kembali dengan hasil seperti dibawah
ini ;
Tabel 4.7 Regression Weights: Modifikasi Konstruk Endogen
Tabel 4.8 Standardized Regression Weights: Modifikasi Konstruk Endogen
Estimate
Hasil nilai Chi-squares 140,851 dengan probabilitas p=0,000 menunjukkan bahwa
sesuai dengan yang direkomendasikan. Nilai loading faktor semua sudah
signifikan dan semua memiliki nilai loading diatas 0,50.
4.1.6 Estimasi Persamaan Full Model
Setelah dilakukan analisis konfirmatori langkah selanjutnya adalah melakukan
estimasi model model full struktural yang hanya memasukkan indikator yang
telah diuji dengan konfirmatori. Berikut ini tampilannya :
Gambar 4.6 Hasil Analisis Full Model Persamaan Struktural
Model persamaan struktural ini ternyata telah memenuhi kriteria model fit yang
ditunjukkan dengan nilai Chi-squares = 240,396 dengan probabilitas p=0,000.
nilainya sesuai dengan ketentuan yang diberikan begitu juga nilai standardized
loading faktor yang nilainya tidak ada yang dibawah nilai 0,50
4.1.7 Pengujian Evaluasi Asumsi Model Struktural
1. Normalitas Data
Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio
skewness value sebesar ± 2,58 pada tingkat signifikan 0,01. Data dapat
disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness value
dibawah harga mutlak 2,58. Hasil output normalitas data dapat terlihat dibawah
ini ;
Tabel 4.9 Assessment of normality
Variable min max skew c.r. kurtosis c.r.
Multivariate 74,868 13,951
Dari nilai critical ratio skewness value semua indikator menunjukkan distribusi
2. Evaluasi Outlier
Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik
yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul
dalam bentuk nilai ekstrim, bail untuk sebuah variabel tunggal ataupun
variabel-variabel kombinasi (Hair et al, 1998). Deteksi terhadap multivariat outliers
dilakukan dengan memperhatikan nilai mahalanobis distance. Kriteria yang
digunakan adalah berdasarkan nilai Chi-squares pada derajat kebebasan (degreee
of freedom) 20 yaitu jumlah variabel indikator pada tingkat signifikan p<0.001.
Nilai 20 yaitu jumlah variabel indikator pada tingkat signifikan p<0.001. Nilai
Mahalonabis distance . hal ini berarti semua kasus yang
mempunyai mahalonobis distance yang lebih besar dari 45.32 adalah multivariat
outliers. Berikut ini hasil output mahalanobis distance dari program AMOS ;
Tabel 4.10 Observations farthest from the centroid (Mahalanobis distance)
Observation number Mahalanobis d-squared p1 p2
Observation number Mahalanobis d-squared p1 p2
Angka-angka pada tabel di atas menunjukkkan seberapa jauh jarak sebuah data
dari titik pusat tertentu, jarak tersebut diukur dengan metode Mahalanobis.
Semakin jauh jarak sebuah data dengan titik pusat (centroid), semakin ada
kemungkinan data masuk dalam kategori outlier, atau data yang sangat berbeda
Mahalanobis Distance, dari yang terbesar sampai terkecil. Sebuah data termasuk
outlier jika mempunyai angka p1 dan p2 yang kurang dari 0,001. Pada data di
atas, angka diurutkan mulai dari nomor data yang mempunyai jarak terbesar. Dari
100 data, data nomor 24 dapat dianggap data outlier, karena pada kolom p1 dan
p2 mempunyai nilai yang kurang dari 0,001. Jika data mempunyai angka yang
sudah di atas 0,001, maka dapat dianggap bukan outlier. Selain itu, data nomor 24
mempunyai nilai diatas 45.32 sehingga dianggap multivariat outliers.
3. Estimasi nilai parameter
Pengujian terhadap hipotesis yang diajukan dapat dilihat dari hasil koefisien
standardized regression. Hasil output estimasi dapat dilihat di bawah ini :
Tabel 4.11 Regression Weights: Persamaan Full Model
Estimate S.E. C.R. P Label Y13 <--- Loyalitas ,766 ,156 4,896 *** par_11 Y4 <--- Nilai Produk 1,000
Y3 <--- Nilai Produk ,883 ,175 5,052 *** par_15 Y5 <--- Nilai Produk 1,174 ,193 6,071 *** par_22
Tabel 4.12 Standardized Regression Weights: Persamaan Full Model
Estimate
4. Uji Reabilitas
Reabilitas adalah ukuran konsistensi internal dari indikator-indikator sebuah
variabel bentukan yang menunjukkan derajat sampai dimana masing-masing
indikator itu mengindikasikan sebuah variabel bentukan yang umum. Terdapat
dua cara yang dapat digunakan, yaitu composite (construct) reliability dan
variance extracted. Cut-off value dari construct reliability adalah minimal 0,70
sedangkan cut-off value untuk variance extraced minimal 0,50.
Composite reliability didapat dengan rumus :
1. Standardized loading diperoleh langsung dari standardized loading untuk
tiap-tiap indikator
2. adalah measurement erroe = 1 – (standardized loading)2
Sum standardized loading untuk :
Perhitungan Reliabilitas
Reliabilitas untuk masing-masing konstruk terlihat Daya Saing dan Nilai produk
memiliki nilai dibawah cut-off value 0,70.
5. Variance Extraced
Variance Extraced memperlihatkan jumlah varians dari indikator-indikator yang
diekstraksi oleh variabel bentukan yang dikembangkan. Nilai variance extraced
yang tinggi menunjukkan bahwa indikator-indikator itu telah mewakili secara baik
variabel bentukan yang dikembangkan. Besarnya nilai variance extraced dihitung
dengan rumus sebagai berikut :
Perhitungan Variance Extraced
Hasil perhitungan variance extraced menunjukkan bahwa semua konstruk
memnuhi syarat cut-off value minimal 0,50, kecuali untuk konstruk loyalitas dan
nilai produk dengan nilai variance dibawah 0,50.
4.1.8 Interpretasi Model
Hubungan antar variabel model dapat dilihat pada tabel berikut :
Tabel 4.13 Hubungan Antar Variabel
Hubungan Antar Variabel Nilai Hubungan
Keterangan
Persepsi dan X1 0,610 Pengaruh persepsi terhadap X1 kuat
Persepsi dan X2 0,633 Pengaruh persepsi terhadap X2 kuat
Persepsi dan X3 0,767 Pengaruh persepsi terhadap X3 sangat kuat
Persepsi dan X4 0,894 Pengaruh persepsi terhadap X4 sangatkuat
Nilai Produk dan Y3 0,578 Pengaruh Nilai Produk terhadap Y3 cukup
kuat
Nilai Produk dan Y4 0,640 Pengaruh Nilai Produk terhadap Y4 kuat
Nilai Produk dan Y5 0,891 Pengaruh Nilai Produk terhadap Y5 sangat
