4. HASIL DAN PEMBAHASAN
4.1 Uji Validitas dan Realibilitas 4.1.1 Uji Validitas
Validitas menunjukkan kemampuan angket dalam mengukur sesuatu kon- sep. Uji validitas dilakukan terhadap masing-masing item pernyataan yang mem- bentuk variabel penelitian. Untuk mengukur validitas digunakan korelasi pearson.
Jika nilai signifikansi r pearson yang dihasilkan di bawah 0,05 (α=5%), maka indi- kator dalam kuisioner dapat dikatakan valid. Berikut disajikan tabel hasil uji vali- ditas pada faktor-faktor yang menjadi pertimbangan pelanggan untuk melakukan brand switching transportasi online, yaitu dengan menggunakan data awal peneli- tian sebanyak 10 responden.
Tabel 4.1
Hasil Uji Validitas
Indikator r Pearson Sig.
X1 Transportasi online sering melakukan
kenaikan tarif 0,928 0,000
X2 Tarif transportasi online tidak sesuai dengan kualitas pelayanan yang
didapatkan 0,879 0,001
X3 Petugas transportasi online memberikan
informasi yang salah 0,905 0,000
X4 Petugas transportasi online salah dalam
memberikan tagihan pembayaran 0,846 0,002
X5
Petugas transportasi online tidak bertanggung jawab atas kerusakan atau kehilangan barang pribadi dari
pelanggan/ pengguna jasa
0,987 0,000
X6 Petugas transportasi online bersikap
acuh kepada pelanggan 0,830 0,003
Hasil uji validitas kuisioner di Tabel 4.1, dapat diketahui bahwa nilai signi- fikansi pearson yang dihasilkan pada masing-masing indikator lebih kecil dari 0,05 (α=5%). Hasil ini menunjukkan bahwa setiap indikator memenuhi syarat validitas kuisioner, artinya setiap indikator dapat mengukur dengan baik faktor-faktor yang dipertimbangkan pelanggan transportasi online untuk melakukan brand switching.
4.1.2 Uji Reliabilitas
Reliabilitas menunjukkan sejauh mana kuesioner dapat menghasilkan ja- waban yang konsisten. Reliabilitas diukur dengan menggunakan cronbach alpha dengan kriteria jika cronbach alpha lebih besar dari 0,60, maka angket dapat dika- takan reliabel. Berikut disajikan tabel hasil uji reliabilitas pada faktor-faktor yang menjadi pertimbangan pelanggan untuk melakukan brand switching transportasi online.
Hasil uji reliabilitas yang dilakukan pada Tabel 4.2, diketahui bahwa nilai cronbach alpha yang dihasilkan masing-masing di atas 0,6. Hasil ini menunjukan bahwa kuisioner dapat dinyatakan reliabel.
Sambungan Tabel 4.1
Indikator r
Pears on
Sig.
X8
Petugas transportasi online lambat dalam menanggapi keinginan
pelanggan 0,896 0,000
X9
Petugas transportasi online tidak memahami tentang pelayanan kepada penumpang
0,893 0,001
X10
Petugas transportasi online menanggapi keluhan pelanggan dengan asal-asalan
0,855 0,002
X11
Petugas transportasi online bersikap masa bodoh terhadap keluhan pelanggan
0,932 0,000
X12
Petugas transportasi online tidak memberikan solusi keluhan dan kembali menyalahkan pelanggan
0,905 0,000
X13 Petugas transportasi online tidak
jujur dalam memberikan tarif 0,847 0,002 X14 Petugas transportasi online terlalu
mengintimidasi pelanggan 0,874 0,001 X15 Petugas transportasi online sembrono
dalam mengemudi 0,873 0,001
Tabel 4.2
Hasil Uji Reliabilitas
Indikator Cronbach Alpha X1
Transportasi online sering melakukan kenaikan tariff
0,766
0,766 X2 Tarif transportasi online tidak sesuai dengan
kualitas pelayanan yang didapatkan
X3 Petugas transportasi online memberikan informasi yang salah
0,899 X4 Petugas transportasi online salah dalam
memberikan tagihan pembayaran X5
Petugas transportasi online tidak bertanggung jawab atas kerusakan atau kehilangan barang pribadi dari pelanggan/ pengguna jasa X6 Petugas transportasi online bersikap acuh
kepada pelanggan
0,882 X7 Petugas transportasi online berkata kasar
kepada pelanggan X8
Petugas transportasi online lambat dalam menanggapi keinginan pelanggan
X9 Petugas transportasi online tidak memahami tentang pelayanan kepada penumpang X10 Petugas transportasi online menanggapi
keluhan pelanggan dengan asal-asalan
0,877 X11 Petugas transportasi online bersikap masa
bodoh terhadap keluhan pelanggan X12
Petugas transportasi online tidak memberikan solusi keluhan dan kembali menyalahkan pelanggan
X13 Petugas transportasi online tidak jujur dalam memberikan tarif
0,814 X14 Petugas transportasi online terlalu
mengintimidasi pelanggan
X15 Petugas transportasi online sembrono dalam mengemudi
Sumber: Lampiran 2 4.2 Analisa Deskriptif
Data pada penelitian ini diperoleh dari hasil penyebaran kuesioner pada 100 orang pengguna jasa transportasi online di Surabaya yang menjadi sampel peneliti-
an. Pada bagian berikut akan dideskripsikan profil responden penelitian serta jawa- ban responden penelitian pada item pernyataan mengenai factor yang dipertimbang- kan pelanggan transportasi online untuk melakukan brand switching:
4.2.1 Profil Responden
Pada bagian berikut akan dideskripsikan profil responden penelitian yang meliputi jenis kelamin, usia, pendidikan, pekerjaan, pendapatan, serta transportasi online yang paling sering digunakan.
Tabel 4.3
Profil Responden
Profil Responden Frekuensi Persentase
Jenis Kelamin Laki-laki 42 42
Perempuan 58 58
Usia
17–25 Th 61 61
26–30 Th 18 18
31–35 Th 8 8
36–40 Th 9 9
> 40 Th 4 4
Pendidikan
SMA 73 73
Diploma 10 10
S1 9 9
S2 8 8
Pekerjaan
Guru 6 6
Ibu Rumah Tangga 8 8
Pegawai Swasta 20 20
Pelajar/ Mahasiswa 47 47
PNS 11 11
Profesional 1 1
WIraswasta 7 7
Pendapatan
<2.000.000 29 29
2.000.000–5.000.000 51 51
5.000.001–10.000.000 14 14
10.000.001–15.000.000 5 5
>15.000.000 1 1
Transportasi online yang paling sering digunakan
GOJEK 64 64
GRAB 36 36
Sumber: Lampiran 3
Tabel 4.3, dapat diketahui bahwa sebagian besar responden, yaitu pengguna jasa transportasi online di Surabaya yang menjadi sampel penelitian adalah perem- puan, yaitu dengan frekuensi sebanyak 58 orang (58%). Dilihat dari usia, dapat di- ketahui bahwa sebagian besar pengguna jasa transportasi online berusia antara 17–
25 tahun, yaitu sebanyak 61 orang (61%). Dilihat dari segi pendidikan, dapat dike- tahui bahwa sebagian besar memiliki pendidikan SMA, yaitu sebanyak 73% dari total keseluruhan responden. Dari segi pekerjaan diketahui bahwa sebagian besar pengguna jasa transportasi online di Surabaya yaitu sebanyak 47% merupakan pelajar/ mahasiswa. Selain itu dari segi pendapatan diketahui bahwa sebagian besar responden yaitu sebanyak 51% memiliki pendapatan antara Rp 2–5 juta per bulan.
Transportasi online yang paling banyak digunakan yaitu transportasi GOJEK, de- ngan persentase sebanyak 64%.
4.2.2 Deskripsi Variabel Perpindahan Merek
Pada bagian ini akan dijelaskan jawaban responden pada indikator-indikator yang menjadi pertimbangan pelanggan transportasi online untuk melakukan brand switching. Deskripsi jawaban responden dilakukan dengan menghitung nilai rata- rata (mean) dan standar deviasi pada masing-masing indikator.
Tabel 4.4
Deskripsi Variabel Perpindahan Merek
Indikator Rata-Rata Std. Deviasi
X1 Transportasi online sering
melakukan kenaikan tariff 3,96 0,887
X2
Tarif transportasi online tidak sesuai dengan kualitas pelayanan yang didapatkan
3,98 0,853
X3
Petugas transportasi online
memberikan informasi yang salah 3,99 0,759
X4
Petugas transportasi online salah dalam memberikan tagihan
pembayaran 3,85 0,857
X5
Petugas transportasi online tidak bertanggung jawab atas
kerusakan atau kehilangan barang pribadi dari pelanggan/ pengguna jasa
3,91
0,866
X6 Petugas transportasi online bersikap acuh kepada pelanggan
3,92
0,759 X7
Petugas transportasi online
berkata kasar kepada pelanggan 3,81 0,787 X8
Petugas transportasi online lambat dalam menanggapi keinginan pelanggan
3,89 0,790
X9
Petugas transportasi online tidak memahami tentang pelayanan kepada penumpang
3,91 4,01
X10
Petugas transportasi online menanggapi keluhan pelanggan
dengan asal-asalan 4,01 0,857
X11
Petugas transportasi online bersikap masa bodoh terhadap keluhan pelanggan
3,96 0,898
X12
Petugas transportasi online tidak memberikan solusi keluhan dan kembali menyalahkan pelanggan
4,05 0.757
X13 Petugas transportasi online tidak jujur dalam memberikan tarif
4,11 0,764
X14 Petugas transportasi online terlalu
mengintimidasi pelanggan 4,08 0,800 X15 Petugas transportasi online
sembrono dalam mengemudi 3,98 0,853
Sumber: Lampiran 4
Tabel 4.4 dapat diketahui bahwa rata-rata jawaban tertinggi pada indikator- indikator yang menjadi pertimbangan pelanggan transportasi online untuk melaku- kan brand switching, yaitu sebesar 4.11 pada indikator X13. Hal ini menunjukkan bahwa persepsi tertinggi dari responden atas adanya perpindahan merek (brand switching) transportasi online yaitu terletak pada petugas transportasi online yang tidak jujur dalam memberikan tarif. Standar deviasi menunjukkan ukuran keraga- man/variasi data jawaban responden. Diketahui bahwa standar deviasi terendah yaitu sebesar 0,757 pada indikator X12. Hal ini menunjukkan bahwa tanggapan
responden mengenai petugas transportasi online yang tidak memberikan solusi ke- luhan dan kembali menyalahkan pelanggan, dipersepsikan paling homogen jika dibandingkan dengan tanggapan pada indikator yang lain.
4.3 Analisis Faktor
Analisis faktor dalam penelitian ini digunakan untuk mengetahui faktor-fak- tor yang dipertimbangkan oleh pelanggan/pengguna jasa transportasi online untuk melakukan brand switching/perpindahan merek. Analisis faktor dalam penelitian ini dilakukan dengan bantuan program SPSS 20.0.
4.3.1 Nilai KMO dan Bartlett’s Test
KMO dan Bartlett’s Test merupakan dua uji kesesuaian data yang harus di- lakukan sebelum menginterpretasikan hasil analisis faktor. Measure of Sampling Adequacy (MSA) adalah nilai statistik yang mengindikasikan proporsi keragaman pada variabel yang dijadikan landasan penggunaan analisis faktor. Jika nilai MSA
> 0,50, maka disimpulkan bahwa faktor yang dipertimbangkan oleh pelanggan transportasi online untuk melakukan brand switching dapat diprediksi dan bisa di- analisis lebih lanjut.
Bartlett’s Test digunakan untuk menguji apakah indikator yang digunakan berkorelasi atau tidak dan sesuai untuk digunakan analisis faktor. Jika Bartlett’s Test menghasilkan nilai signifikansi < 0,05 (α=5%), maka disimpulkan bahwa indi- kator yang digunakan saling berkorelasi dan sesuai untuk digunakan analisis faktor.
Berikut adalah hasil KMO dan Bartlett’s Test yang dihasilkan dari analisis:
Tabel 4.5
KMO dan Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0,871 Bartlett’s test of approx. Chi-Square 620,560
Sphericity df sig 105,000
Sumber: Lampiran 5
Tabel 4.5 dapat diketahui bahwa nilai KMO sebesar 0,871, nilai tersebut lebih besar dari 0,5, sehingga dapat disimpulkan bahwa variabel yang digunakan dalam penelitian ini bisa diprediksi dan bisa dianalisis lebih lanjut. Tabel 4.5 juga
menunjukkan Bartlett’s Test menghasilkan nilai signifikansi sebesar 0,000 < 0,05 (α=5%), yang menunjukkan bahwa indikator yang digunakan dalam penelitian ini saling berkorelasi dan sesuai untuk digunakan analisis faktor.
4.3.2 Anti Image Correlation
Analisis faktor menghendaki bahwa matriks data harus memiliki korelasi agar dapat dilakukan analisis faktor. Nilai korelasi tersebut ditunjukkan pada anti- image correlation matrix. Nilai MSA pada diagonal anti-image correlation dengan tanda “a” diharapkan bernilai di atas 0,5.
Tabel 4.6
Nilai MSA anti-image correlation
Sumber: Lampiran 5
Hasil pengolahan data dapat diketahui bahwa nilai MSA pada setiap indika- tor nilainya di atas 0,5, sehingga dapat dikatakan bahwa masing-masing indikator memiliki korelasi yang diharapkan.
4.3.3 Communalities
Communalities (komunalitas) menunjukkan seberapa besar keragaman va- riabel asal, yaitu faktor yang dipertimbangkan oleh pelanggan transportasi online untuk melakukan brand switching, dapat dijelaskan oleh faktor yang terbentuk.
Indikator MSA
X1 0,837
X2 0,775
X3 0,850
X4 0,849
X5 0,876
X6 0,877
X7 0,844
X8 0,833
X9 0,861
X10 0,913
X11 0,889
X12 0,915
X13 0,885
X14 0,914
X15 0,889
Tabel 4.7 menunjukkan bahwa nilai komunalitas dari 15 indikator lebih be- sar dari 0,5, hal ini menunjukkan bahwa faktor-faktor yang terbentuk dapat menje- laskan minimal 50% keragaman data variabel asal yaitu factor yang dipertimbang- kan oleh pelanggan transportasi online untuk melakukan brand switching. Berikut adalah nilai komunlitas yang dihasilkan dari analisis faktor dengan 15 indikator:
Tabel 4.7
Nilai Communalities Initial Extraction X1 1,000 0,783 X2 1,000 0,818 X3 1,000 0,670 X4 1,000 0,691 X5 1,000 0,640 X6 1,000 0,622 X7 1,000 0,651 X8 1,000 0,746 X9 1,000 0,548 X10 1,000 0,558 X11 1,000 0,633 X12 1,000 0,620 X13 1,000 0,702 X14 1,000 0,568 X15 1,000 0,553
Sumber: Lampiran 5
Tabel 4.7 menunjukkan bahwa nilai komunalitas dari 15 indikator lebih besar dari 0,5, hal ini menunjukkan bahwa faktor-faktor yang terbentuk dapat menjelaskan minimal 50% keragaman data variabel asal yaitu factor yang diper- timbangkan oleh pelanggan transportasi online untuk melakukan brand switching.
4.3.4 Total Variance Explained
Total Variance Explained menjelaskan tentang prosentase keragaman data dari variabel asal yaitu factor yang dipertimbangkan oleh pelanggan transportasi online untuk melakukan brand switching yang dapat dijelaskan oleh faktor yang terbentuk.
Banyaknya faktor yang terbentuk dari analisis faktor dapat dilihat dari tabel Total Variance Explained pada tabel di bawah. Komponen atau faktor yang meng-
hasilkan nilai eigen yang lebih besar dari 1 adalah faktor-faktor baru yang di- hasilkan dari analisis ini. Dari hasil analisis diketahui bahwa terdapat empat faktor dengan nilai eigen value di atas 1, atau dengan kata lain dapat disimpulkan bahwa terbentuk empat faktor yang yang dipertimbangkan oleh pelanggan transportasi on- line untuk melakukan brand switching. Berikut disajikan table Total Variance Ex- plained:
Tabel 4.8
Tabel Total Variance Explained
Compone nt
Initial Eigenvalues Extraction Sums of Squad Loading
Rotation Sums of Squared Loading
Total % of Variance
Cumulat ive %
Total % of Varian
ce
Cumulati ve %
Total % of Varia nce
Cumulati ve %
1 6,123 40,823 40,823 6,123 40,823 40,823 3,172 21,145 21,145
2 1,447 9,645 50,467 1,447 9,645 50,567 2,410 16,068 37,213
3 1,188 7,922 58,390 1,188 7,922 58,390 2,221 14,805 52,018
4 1,043 6,954 64,344 1,043 6,954 63,344 1,999 13,326 65,344
5 ,806 5,373 70,717
6 ,745 4,969 75,686
7 ,621 4,141 79,827
8 ,567 3,779 83,606
9 ,499 3,325 86,931
10 ,405 2,703 89,635
11 ,399 2,661 92,296
12 ,328 2,187 94,483
13 ,300 2,001 96,338
14 ,278 1,854 98,338
15 ,249 1,662 100,000
Sumber : Lampiran 5
Berikut disajikan tabel ringkasan empat faktor di atas dengan nilai persen- tase keragaman yang dapat dijelaskan oleh masing-masing faktor:
Tabel 4.9
Faktor yang Terbentuk
Faktor Eigen Value % of Variance % Cumulative of Variance
1 6.123 40.823 40.823
2 1.447 9.645 50.467
3 1.188 7.922 58.390
4 1.043 6.954 65.344
Sumber: Lampiran 5
Tabel 4.9 menunjukan bahwa faktor yang mempunyai nilai eigen lebih be- sar dari 1 adalah sebanyak empat faktor. Total kumulatif keragaman variabel asal yang dapat dijelaskan oleh keempat faktor tersebut di atas adalah sebesar 65,344%.
4.3.4 Rotated Component Matrix
Untuk mengetahui isi dari masing-masing faktor, dapat diketahui dengan melihat nilai beban faktor (factor loadings) pada Tabel Component Matrix. Beban faktor (factor loadings) menunjukkan besar korelasi antara indikator dengan faktor- faktor yg terbentuk. Semakin besar nilai beban faktor, maka semakin erat hubungan indikator tersebut pada faktor yang terbentuk. Berikut ini adalah tabel Component Matrix yang dihasilkan:
Tabel 4.10
Tabel Component Matrix
Sumber: Lampiran 5
Beban faktor (factor loadings) diperlukan adanya rotasi varimax. Rotasi ini berguna untuk meminimalisasi redundansi antar indikator. Dari hasil rotasi vari- max, setiap indikator akan menjelaskan keragaman lebih besar pada salah satu fak- tor saja. Beban faktor hasil rotasi dapat dilihat pada tabel Rotated Component Ma- trix. Berikut adalah ringkasan hasil rotasi beban faktor (factor loadings):
Indikator Component
1 2 3 4
X1 0,584 -0,474 0,017 0,465
X2 0,532 -0,580 0,072 0,439
X3 0,524 0,202 0,595 0,105
X4 0,605 0,224 0,525 0,000
X5 0,713 0,188 0,303 -0,058
X6 0,698 0,290 -0,163 0,156
X7 0,550 0,494 0,016 0,323
X8 0,598 0,337 -0,483 0,204
X9 0,540 0,359 -0,342 0,104
X10 0,611 -0,105 -0,164 -0,383
X11 0,707 -0,339 -0,105 -0,087
X12 0,672 -0,124 -0,191 -0,341
X13 0,725 -0,094 0,054 -0,405
X14 0,730 -0,127 -0,079 -0,111
X15 0,726 -0,152 0,010 -0,050
Tabel 4.11
Tabel Rotated Component Matrix
Component
1 2 3 4
X1 0,189 0,162 0,127 0,839
X2 0,191 0,035 0,113 0,876
X3 0,137 0,074 0,796 0,105
X4 0,208 0,156 0,782 0,110
X5 0,377 0,280 0,634 0,130
X6 0,296 0,654 0,279 0,170
X7 -0,009 0,676 0,432 0,090
X8 0,258 0,816 -0,014 0,116
X9 0,251 0,691 0,082 0,022
X10 0,718 0,172 0,098 0,060
X11 0,631 0,158 0,116 0,443
X12 0,740 0,220 0,098 0,122
X13 0,754 0,114 0,334 0,093
X14 0,597 0,275 0,219 0,096
X15 0,541 0,235 0,284 0,354
Sumber: Lampiran 5
Pada faktor II, yaitu factor Service Encounter Failure, indikator dengan nilai loading factor tertinggi yaitu X8 sebesar 0,816. Hal ini menunjukkan bahwa indikator tentang petugas transportasi online yang lambat dalam menanggapi ke- inginan pelanggan merupakan indikator yang paling penting yang merupakan in- tensi perpindahan merek dari segi Service Encounter Failure.
Pada faktor III, yaitu faktor Core Service Failure, indikator dengan nilai loading factor tertinggi yaitu X3 sebesar 0,796. Hal ini menunjukkan bahwa indika- tor tentang petugas transportasi online yang memberikan informasi yang salah merupakan indikator yang paling penting yang merupakan intensi perpindahan me- rek dari segi Core Service Failure.
Pada faktor IV, yaitu factor Pricing, indikator dengan nilai loading factor tertinggi yaitu X2 sebesar 0,876. Hal ini menunjukkan bahwa indikator tentang ke- tidaksesuaiaan antara tarif transportasi online dengan kualitas pelayanan meru- pakan indikator yang paling penting yang merupakan intensi perpindahan merek dari segi Pricing
Tabel 4.12
Daftar Loading Factor
Pernyataan Loading
Factor X10
Petugas transportasi online menanggapi
keluhan pelanggan dengan asal-asalan 0,718 X11 Petugas transportasi online bersikap
masa bodoh terhadap keluhan pelanggan 0,631 X12
Petugas transportasi online tidak
memberikan solusi keluhan dan kembali menyalahkan pelanggan
0,740
X13
Petugas transportasi online tidak jujur
dalam memberikan tarif 0,754
X14 Petugas transportasi online terlalu
mengintimidasi pelanggan 0,597
X15 Petugas transportasi online sembrono
dalam mengemudi 0,541
X6 Petugas transportasi online bersikap
acuh kepada pelanggan 0,654
X7 Petugas transportasi online berkata
kasar kepada pelanggan 0,676
X8
Petugas transportasi online lambat
dalam menanggapi keinginan pelanggan 0,816 X9
Petugas transportasi online tidak memahami tentang pelayanan kepada penumpang
0,691
X3 Petugas transportasi online memberikan
informasi yang salah 0,796
X4 Petugas transportasi online salah dalam
memberikan tagihan pembayaran 0,782
X5
Petugas transportasi online tidak bertanggung jawab atas kerusakan atau kehilangan barang pribadi dari
pelanggan/ pengguna jasa
0,634
X1 Transportasi online sering melakukan
kenaikan tariff 0,839
X1
Tarif transportasi online tidak sesuai dengan kualitas pelayanan yang didapatkan
0,876 Sumber: Lampiran 5
Pada Tabel 4.12 di atas diketahui bahwa pada faktor I, yaitu faktor Emplo- yee responses to service failure dan Ethical Problems, indikator dengan nilai loading factor tertinggi yaitu X13 sebesar 0,754. Hal ini menunjukkan bahwa indi- kator tentang ketidakjujuran petugas transportasi online dalam memberikan tarif
merupakan indikator yang paling penting yang merupakan intensi perpindahan me- rek dari segi Employee responses to service failure dan Ethical Problems..
Setelah dihasilkan empat faktor baru dari analisis, maka langkah selanjutnya adalah mengetahui kelayakan suatu indikator masuk ke dalam faktor baru yang ter- bentuk. Nilai factor loadings dari indikator dengan nilai terbesar mengindikasikan bahwa indikator tersebut membentuk atau menyusun faktor baru yang terbentuk.
Komponen matriks hasil proses rotasi (Rotated Component Matrix) memperlihat- kan distribusi variable yang lebih jelas dan nyata.
4.3.5 Component Transformation Matrix
Component transformation matrix mengindikasikan besarnya korelasi antar component atau faktor yang terbentuk. Semakin tinggi nilai korelasi pada garis dia- gonal, maka semakin erat pula korelasi antara faktor yang dihasilkan dengan faktor yang merupakan intensi pelanggan transportasi online untuk melakukan brand switching.
Tabel 4.13
Tabel Component Transformation Matrix
Component 1 2 3 4
1 0,641 0,482 0,451 0,391
2 -0,282 0,602 0,335 -0,668
3 -0,222 -0,514 0,827 0,044
4 -0,678 0,374 0,017 0,632
Sumber: Lampiran 5
Tabel 4.13 dapat diketahui bahwa nilai korelasi tertinggi dihasilkan oleh faktor 3 (Core Service Failure) yaitu dengan nilai korelasi sebesar 0,827. Hal ini menunjuk- kan bahwa kegagalan inti jasa yang mencakup keseluruhan kejadian yang berkaitan dengan adanya kesalahan-kesalahan yang terjadi akibat kesalahan-kesalahan teknis pada saat pelayanan diberikan, merupakan faktor dominan yang dipertimbangkan pengguna jasa transportasi online untuk melakukan perpindahan merek (brand switching).
4.4 Pembahasan
Hasil analisis faktor menunjukkan bahwa faktor pertama yang merupakan intensi pelanggan untuk melakukan perpindahan merek transportasi online yaitu Employee responses to service failure dan Ethical Problems. Tanggapan terhadap kegagalan jasa atas kesalahan-kesalahan yang dibuat penyedia jasa transportasi akan memberikan kesan negatif bagi pelanggan. Petugas transportasi online GOJEK maupun Grab yang menanggapi keluhan pelanggan dengan asal-asalan, sampai bahkan pada sikap tidak memperhatikan dan tidak memberikan solusi atas permasalahan pelanggan, akan menyebabkan pelanggan berpikir beberapa kali un- tuk menggunakan jasa layanan di waktu yang lain. Bahkan dengan adanya fasilitas yang tidak jauh berbeda dengan merek transportasi kompetitor, pelanggan akan cenderung melakukan perpindahan merek transportasi online. Kesalahan-kesalahan dari penyedia jasa transportasi tersebut menggambarkan ketidakmampuan penyedia jasa dalam mengatasi permasalaan yang terjadi sehingga mendorong terjadinya perpindahan merek. (Jefri dan Gede, 2017). Ethical problems merupakan permasa- lahan yang berkaitan dengan etika penyedia jasa dalam memberikan pelayanan ke- pada konsumen. Dalam bidang pelayanan jasa transportasi, etika sering dihubung- kan dengan perilaku pelanggaran, perilaku yang membayakan, serta perilaku me- nyimpang dari norma-norma sosial misalnya ketidakjujuran dalam memberikan tariff, sampai bahkan perilaku sembrono dalam mengemudi. Permasalahan etika menupakan pendorong terjadinya perpindahan merek dari konsumen. (Jefri dan Gede, 2017)
Faktor berikutnya yaitu service encounters failure. Kegagalan dalam pe- nyampaian jasa berkaitan dengan kemampuan penyedia layanan jasa secara perso- nal dalam berinteraksi dengan konsumen. Ketidakpedulian penyedia jasa, ketidak- sopanan, sikap yang tidak responsif, serta kurangnya pengetahuan dari penyedia jasa merupakan penyebab terjadinya perpindahan merek. (Jefri dan Gede, 2017).
Kemampuan personal dari penyedia transportasi online dalam berinteraksi sangat dibutuhkan oleh pelanggan. Hal ini menjadi sangat penting terutama ketika pelang- gan memiliki keterbatasan informasi mengenai arah/ rute tujuan dalam perjalanan.
Di sisi yang lain penyedia jasa transportasi meskipun dilengkapi dengan alat penun- jang GPS, tidak jarang ditemui kondisi dimana mereka tidak menggunakan GPS
sebagai pedoman arah, justru sebaliknya hanya mengandalkan arahan dari pelang- gan.
Faktor berikutnya yaitu Core service failure. Kegagalan inti jasa yang ber- kaitan dengan terjadinya kesalahan-kesalahan teknis pada saat pelayanan diberikan akan mempengaruhi kualitas layanan jasa sehingga mendorong terjadinya perpin- dahan merek. Pada konteks layanan jasa transportasi online, kegagalan ini biasanya berkaitan dengan kesalahan pencatatan pesanan, kesalahan penagihan, serta kesala- han yang sifatnya mengakibatkan kerugian finansial dari konsumen. Kegagalan tersebut akan mendorong terjadinya perpindahan merek dari konsumen. (Keaveney, 1995)
Pricing (biaya) merupakan salah satu faktor terjadinya perpindahan merek.
Biaya layanan jasa yang tinggi mendorong perilaku konsumen untuk mencoba alternatif merek dengan tetap memperhatikan kualitas yang diterima. Menurut Jefri dan Gede (2017) biaya yang tinggi, kenaikan tarif serta biaya yang tidak semestinya berdasarkan patokan-patokan normal yang ada di masyarakat cenderung mengaki- batkan perpindahan merek. Pada jasa layanan transportasi online kasus biaya tidak resmi yang bersifat tambahan yang dikenakan oleh pengemudi kepada konsumen akan memberikan persepsi negatif pada brand transportasi yang digunakan yang pada akhirnya akan menimbulkan brand switching.
