A. Gambaran Umum Perusahaan 1. Profil Perusahaan
Grab merupakan aplikasi layanan transportasi terpopuler di Asia Tenggara yang menyediakan layanan transportasi untuk menghubungkan lebih dari 10 juta penumpang dan 185.000 pengemudi di seluruh wilayah Asia Tenggara. Aplikasi Grab menawarkan 5 pilihan layanan transportasi mulai dari taksi, mobil pribadi, sepeda motor hingga pengiriman paket untuk memenuhi kebutuhan penumpang di Singapura, Malaysia, Thailand, Filipina, Vietnam dan Indonesia. Aplikasi ini akan mengkalkulasi biaya berdasarkan jarak yang ditempuh dan dapat menentukan besarnya tip yang ingin diberikan kepada pengemudi. Pengguna juga dapat memberi catatan pada pengemudi tentang lokasi menunggu atau barang bawaan tambahan. (www.grab.com). Transportasi kini sudah menjadi kebutuhan mendasar bagi kaum urban. Saat ingin menembus kemacetan Ibu Kota. Pesatnya perkembangan teknologi, dapat membantu masyarakat ketika tetap membutuhkan transportasi nyaman, tetapi sedang malas memacu kendaraan pribadi, mobil-mobil nyaman bisa dipanggil hanya dengan sentuhan pada layar ponsel pintar. Kehadiran teknologi yang pesat terhadap transportasi memang telah menjadi fenomena.
2. Sejarah dan Perkembangan Grab di Indonesia
Di Indonesia, Grab melayani pemesanan kendaraan seperti ojek, mobil, dan taksi. Saat ini Grab tersedia di seluruh Jakarta dan sekitarnya. Menggawangi Grab ke Indonesia bukan perkara mudah bagi tim Grab Indonesia. Aplikasi transportasi yang berasal Malaysia dan berbasis di Singapura tersebut memang bukan yang pertama. Ada beberapa jenis aplikasi serupa yang menawarkan jasa angkut penumpang, dengan menggunakan motor dan mobil. Hadir sejak pertengahan 2014 lalu, Grab telah mengukir sejarah tersendiri di dunia transportasi berbasis teknologi. Lahir dengan nama Grabtaxi, layanan tersebut cukup mendapat apresiasi yang positif sehingga dapat mengembangkan bisnisnya.
Kurang dari setahun, berbagai layanan yang mengandalkan aplikasi terbentuk dalam diversifikasi beragam fitur. Mulai dari layanan angkut penumpang, pengiriman barang, hingga beli dan antar makanan berhasil dikembangkan.Bahkan, demi menjaga eksistensinya, Grab mantap melakukan rebranding dan pergantian logo dengan alasan sederhana, yakni mewakili segala fitur layanan. Layanan yang awalnya dikenal dengan Grabtaxi berubah hanya menggunaan kata 'Grab'. Perubahan nama tersebut juga mewakili ragam layanan yang diberikan bagi pengguna. Dengan mengadopsi konsep economic sharing Grab berkembang di Indonesia berkat bantuan para mitra. Pada prinsipnya, Grab akan terus berkembang beriringan dengan para mitra pengemudi. Hingga bulan Maret 2015, jumlah
pengguna Grab mencapai 3,8 juta penggunaan. Grab tersedia untuk sistem operasi Android, iOS, dan BlackBerry.
Perkembangan Grab di Indonesia memang bertahap. Mulai dari muncul dengan nama Grabtaxi, kemudian berganti nama hingga logo. Semua kami jalani secara bertahap. Dulu masyarakat mengenal kami dengan Grabtaxi, tetapi sekarang kami hadir lebih lengkap dengan beragam layanan. Alasan kami membuat beragam servis karena masyarakat merespons transportasi daring sebagai kebutuhan. Itu sebabnya, perkembangannya begitu pesat. Grabcar dan GrabBike di Indonesia tumbuh lebih dari 250 kali sejak pertengahan 2015 Kini, layanan penyewaan mobil pribadi dan ojek online menjadi bagian besar dari bisnis Grab secara keseluruhan, yang juga meliputi pemesanan taksi dan layanan kurir.
Teknologi machince learning dan kemampuan analitik data Grab yang mumpuni telah menjadi faktor pendorong pertumbuhan yang signifikan dan memungkinkan efisiensi secara besar-besaran dari waktu ke waktu. Sebagai contoh, pada 2016, layanan GrabBike di Indonesia telah tumbuh 300 persen (year to date), seraya melakukan pengurangan subsidi untuk tiap perjalanan yang diselesaikan sebesar 50 persen, dimana hal ini menunjukkan tingginya keterlibatan dan keterlekatan pengguna pada platform multi-layanan Grab. Lebih dari 1 dari 4 pengguna aktif bulanan Grab di Indonesia menggunakan lebih dari satu layanan Grab
Indonesia telah menjadi pasar terbesar Grab berdasarkan jumlah perjalanan yang diselesaikan seluruh platform. Grab secara khusus
memfokuskan bisnisnya di Jakarta, yang didiami oleh lebih dari 30 juta penduduk dimana Grab memberikan layanan ojek, penyewaan mobil pribadi dan pemesanan taksi online. Grab juga berencana untuk melakukan ekspansi platform multi-layanannya ke lebih dari delapan megacity di luar kota Jakarta, dengan total populasi sebesar 38 juta. Indonesia merupakan negara keempat terbesar dari segi populasi, dengan total penduduk lebih dar 250 juta. Grab menawarkan pilihan layanan pemesanan kendaraan terbanyak di sebagian besar pasar di Asia Tenggara, yang telah diunduh di lebih dari 17 juta perangkat dan 320,000 pengemudi di 30 kota di seluruh Singapura, Indonesia, Filipina, Malaysia, Thailand dan Vietnam.
3. Cara Menggunakan Aplikasi Grab
Dalam menggunakan jasa tranportasi online grab tentunya harus punya aplikasinya terlebih dahulu yang dapat diunduh di Google Play dengan smartpon berbasis android maupun , iOS, dan BlackBerry. Adapun kemudahan yang ditawarkan antara lain.
a. Pesan GrabTaxi dengan mudah
Lokasi kita akan terdeteksi secara otomatis, lalu masukkan tujuan dan dapatkan perkiraan biaya perjalanan.
b. Mendapatkan pengemudi terdekat
Setelah mengkonfirmasi pesanan, pengemudi yang terdekat akan terinfo dan dapat lihat konfirmasi mereka secara langsung.
c. Pengemudi yang terpilih
Kita akan dapatkan konfirmasi akan pengemudi yang akan menjemput dalam satu menit.
d. Lacak pengemudi
Kenali pengemudi, lacak ketika dia menuju lokasi, dan bagi info kepada yang terkasih untuk ikut melacak perjalanan.
4. Produk/Jasa Layanan Grab
Ada berbagai layanan yang diberikan oleh transportasi online Grab diantaranya sebagai berikut.
a. Grab Taxi
Layanan yang memberikan akses serta kemudahan penumpang menemukan pengemudi taksi terdekat dengan efisien, aman, pasti dan berlisensi.
b. Grab Car
Penyewaan kendaraan pribadi dengan supir yang menghadirkan kebebasan pilihan berkendara yang nyaman dan gaya dengan tariff pasti, terlindungi asuransi, pengemudi yang terlatih dan metode pembayaran non tunai.
c. Grab Share
GrabShare memungkinkan Anda untuk berbagi perjalanan dengan orang lain, yang mempunyai tujuan yang sama. Dengan berbagi perjalanan ini, Anda juga dapat mengurangi polusi udara! Dan kami juga menjamin maksimum hanya 2 (dua) pemesanan dalam GrabShare,
sehingga lebih nyaman untuk Anda dan membuat perjalanan menjadi tidak terlalu lama.
d. Grab Bike
Dengan grab bike maka dapat Cepat melintasi kemacetan Jakarta (Dengan menggunakan kendaraan roda dua, memudahkan menerjang kemacetan Jakarta) dengan aman dan harga yang pasti.
e. Grab Express
GrabExpress adalah layanan kurir ekspres berbasis aplikasi yang menjanjikan Kecepatan, Kepastian, dan yang paling utama adalah Keamanan.
f. Grab Food
GrabFood merupakan layanan dalam membelikan makanan siap antar dari berbagai restorsn pilihan dan diantar dengan cepat dan terpercaya.
g. Grab Hitch
grabHitch memberikan layanan tebengan dengan separuh harga dan dapat bertemu teman baru sekaligus dengan sistem transportasi harian yang terjangkau, memperluasn jariangan sosial serta mengurangi polusi dan kemacetan.
B. Karakteristik Responden
Penelitian dilakukan di Universitas Mercu Buana Fakultas Ekonomi dan Bisnis, Menteng, Jakarta Selatan. Objek penelitian dalam penelitian ini adalah mahasiswa Fakultas Ekonomi dan Bisnis program studi Manajemen yang
menggunakan produk jasa transportasi online Grab, dimana jumlah subjek penelitiannya ada sebanyak 130 responden. Adapun deskripsi dari responden penelitian ini adalah.
1. Deskripsi Responden Menurut Jenis Kelamin
Berdasarkan hasil penelitian, diperoleh gambaran tentang jenis kelamin dari responden yang dapat dilihat pada tabel berikut ini:
Tabel 4.1 Deskripsi Responden Menurut Jenis Kelamin jenis Kelamin Jumlah Presentase
laki-Laki 53 40.77%
Perempuan 77 59.23%
Sumber: Data yang diolah Peneliti (2017)
Berdasarkan data diatas dapat dilihat bahwa dari responden yang dijadikan subjek penelitian ada sebanyak 53 responden berjenis kelamin laki-laki dan 77 responden berjenis kelamin perempuan. Untuk lebih jelasnya dapat dilihat pada gambar berikut.
Gambar 4.1 Persentase Responden Berdasarkan Jenis Kelamin
2. Deskripsi Responden Menurut Usia
Berdasarkan hasil penelitian, diperoleh gambaran tentang usia dari responden yang dapat dilihat pada tabel berikut ini:
Tabel 4.2 Deskripsi Responden Menurut Usia
Usia Jumlah Presentase
≤ 20 tahun 10 7.69%
21 - 30 Thun 94 72.31%
31 - 40 tahun 24 18.46%
> 40 tahun 15 1.54%
Sumber: Data yang diolah Peneliti (2017)
Berdasarkan data diatas dapat dilihat bahwa dari responden yang dijadikan subjek penelitian ada sebanyak 10 responden kurang dari sama dengan 20 tahun, 94 responden memiliki usia antara 21 tahun sampai 30 tahun, 24 responden memiliki usia diantara 31 tahun sampai 40 tahun dan 2 responden memiliki usia diatas 40 tahun. Untuk lebih jelasnya dapat dilihat pada gambar berikut.
Gambar 4.2 Presentase Responden Berdasarkan Usia
3. Deskripsi Responden Menurut PekerjaanS
Berdasarkan hasil penelitian, diperoleh gambaran tentang pekerjaan dari responden yang dapat dilihat pada tabel berikut ini:
Tabel 4.3 Deskripsi Responden Menurut Pekerjaan
Pekerjaan Jumlah Presentase
Pelajar/Mahasiswa 31 23.85%
Karyawan 59 45.38%
Wiraswasta 27 20.77%
PNS 13 10.00%
Berdasarkan data diatas dapat dilihat bahwa dari responden yang dijadikan subjek penelitian, ada sebanyak 31 responden berprofesi sebagai pelajar atau mahasiswa, 59 responden sebagai karyawan swasta, 27 responden berprofesi sebagai wiraswasta dan 13 responden sebagai PNS. Untuk lebih jelasnya dapat dilihat pada gambar berikut.
Gambar 4.3 Presentase Responden Berdasarkan Pekerjaan
4. Deskripsi Responden Menurut Pendapatan
Berdasarkan hasil penelitian, diperoleh gambaran tentang pendapatan dari responden yang dapat dilihat pada tabel berikut ini:
Tabel 4.4 Deskripsi Responden Menurut Pendapatan
Pendapatan Jumlah Presentase
< 3 juta 13 10.00%
3 - 5 juta 66 50.77%
5 - 8 juta 28 21.54%
> 8 juta 23 17.69%
Berdasarkan data diatas dapat dilihat bahwa dari responden yang dijadikan subjek penelitian, ada sebanyak 13 responden dengan penghasilan kurang dari Rp. 3.000.000 per bulan, 66 responden dengan penghasilan antara Rp 3.000.000-5.000.000 per bulan, 28 responden dengan penghasilan antara Rp.5.000.000-8.000.000 per bulan, dan 23 responden dengan penghasilan lebih dari Rp 8.000.000. Untuk lebih jelasnya dapat dilihat pada gambar berikut.
Gambar 4.4 Presentase Responden Berdasarkan Pendapatan
C. Analisis Karakteristik Jawaban Kuesioner
a. Karakteristik Quisioner Berdasarkan Variabel Harga Tabel 4.5
Statistik Deskriptif Variabel Harga
Mean Category Questionnaire Answer
Standard Deviation 1 2 3 4 5 H1 4,37 - - 8 66 56 0.6 H2 4,38 - - 7 67 56 0.59 H3 4.24 - - 18 63 49 0.68 H4 4.16 - - 14 81 35 0.59 H5 4.22 - 3 12 69 46 0.7
Sumber: Data Primer yang diolah Penulis (2017)
Pada tabel 4.5 di atas dapat diketahui bahwa nilai rata – rata dari indikator H1 (4.37), H2 (4.38), H3 (4.24), H4 (4.16) dan H5 (4.22), memiliki rata pada level setuju diantara indikator lainnya. Jadi rata-rata dari responden dalam penelitian ini menjawab “Setuju”.
Dari tabel 4.5 di atas mendeskripsikan karakteristik pada variabel harga. Dari hasil olah data, dapat dilihat jawaban responden terhadap indikator-indikator yang ada dalam harga. Dari 5 indikator tersebut, yang menjadi perhatian adalah terdapat 81 responden menjawab setuju pada indikator H4 yaitu harga transportasi online Grab sangat terjangkau.
b. Karakteristik Quisioner Berdasarkan Variabel Kualitas Produk Tabel 4.6
Statistik Deskriptif Variabel Citra Merek
Mean Category Questionnaire Answer Standard Deviation 1 2 3 4 5 CM1 4.15 - - 15 81 34 0.6 CM2 4.18 - - 15 76 39 0.62 CM3 4.21 - 1 12 76 41 0.63 CM4 4.08 - 1 21 75 33 0.67 CM5 4.05 - - 25 74 31 0.66 CM6 4.18 - 1 17 70 42 0.68
Sumber: Data Primer yang diolah Penulis (2017)
Pada tabel 4.6 di atas dapat diketahui bahwa nilai rata – rata dari indikator CM1 (4.15), CM2 (4.18), CM3 (4.21), CM4 (4.08), CM5 (4.05) dan CM6 (4.18) memiliki rata-rata pada level setuju diantara indikator lainnya. Jadi rata-rata dari responden dalam penelitian ini menjawab “Setuju”.
Dari table 4.6 di atas menunjukan karakteristik pada kualitas produk. Dari hasil olah data, dapat dilihat jawaban responden terhadap indikator-indikator yang ada dalam citra merek. Dari 6 indikator yang menjadi perhatian adalah terdapat 25 responden menjawab netral pada indikator CM5 yaitu transportasi online Grab menyediakan jasa-jasa yang menarik sesuai kebutuhan pelanggan.
c. Karakteristik Quisioner Berdasarkan Variabel Kualitas Pelayanan Tabel 4.7
Statistik Deskriptif Variabel Kualitas Pelayanan
Mean Category Questionnaire Answer Standard Deviation 1 2 3 4 5 P1 4.1 - - 18 81 31 0.6 P2 4.15 - - 15 80 35 0.6 P3 4.1 - - 24 69 37 0.7 P4 4.19 - - 23 59 48 0.7 P5 4.05 - 8 13 73 36 0.8
Sumber: Data Primer yang diolah Penulis (2017)
Pada tabel 4.5 di atas dapat diketahui bahwa nilai rata – rata dari indikator P1 (4.1), P2 (4.15), P3 (4.1), P4 (4.19) dan P5 (4.05) memiliki rata-rata pada level setuju diantara indikator lainnya. Jadi rata-rata dari responden dalam penelitian ini menjawab “Setuju”.
Dari table 4.7 di atas menunjukan karakteristik pada kualitas produk. Dari hasil olah data, dapat dilihat jawaban responden terhadap indikator-indikator yang ada dalam kualitas pelayanan. Dari 5 indikator yang menjadi perhatian adalah terdapat 8 responden menjawab tidak setuju pada indikator P5 yaitu pada driver transportasi online Grab memberikan pelayanan yang cepat dan akurat serta memuaskan
d. Karakteristik Quisioner Berdasarkan Variabel Kepuasan pelanggan Tabel 4.8
Statistik Deskriptif Variabel Kepuasan Pelanggan
Mean Category Questionnaire Answer Standard Deviation 1 2 3 4 5 KP1 4.29 - - 8 76 46 0.58 KP2 4.13 - 1 21 68 40 0.7 KP3 4.22 - - 16 69 45 0.65 KP4 4.19 - 1 16 70 43 0.67 KP5 4.22 - 1 14 70 45 0.66 KP6 4.15 - - 21 68 41 0.68 KP7 4.1 - 1 19 76 34 0.66 KP8 4.27 - - 17 61 52 0.68 KP9 4.18 - - 21 64 45 0.69 KP10 4.35 - - 7 70 53 0.58
Sumber: Data Primer yang diolah Penulis (2017)
Pada tabel 4.8 di atas dapat diketahui bahwa nilai rata – rata dari indikator KP1 (4.29), KP2 (4.13), KP3 (4.22), KP4 (4.19), KP5 (4.22), KP6 (4.15), KP7 (4.1), KP8 (4.27), KP9 (4.18) dan KP10 (4.35) memiliki rata-rata pada level setuju diantara indikator lainnya. Jadi rata-rata dari responden dalam penelitian ini menjawab “Setuju”.
Dari table 4.6 di atas menunjukan karakteristik pada kualitas produk. Dari hasil olah data, dapat dilihat jawaban responden terhadap indikator-indikator yang ada dalam kualitas pelayanan. Dari 10 indikator yang menjadi perhatian adalah terdapat 76 responden menjawab setuju
pada indikator KP7 yaitu pelanggan lebih suka transportasi online Grab daripada yang lain.
D. Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda. Analisis data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian asumsi klasik dan pengujian menggunakan regresi berganda. Pengujian akan dilakukan dengan menggunakan software SPSS versi 17 & SmartPLS 3.0. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS versi 17 & SmartPLS 3.0 tersebut dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan.
1. Evaluasi Measurement Model (outer Model)
Analisa outer model dilakukan untuk memastikan bahwa measurement yang digunkana layak untuk dijadikan pengukuran (valid dan reliable). Outer Model adalah model pengukuran yang terdiri dari indikator dan jalur yang menghubungkan mereka untuk faktor masing-masing. Kedua bobot dan beban adalah output untuk kedua model reflektif dan formatif (Garson, 2016). Analisa outer model dapat dilihat dari beberapa indicator berikut:
a) Uji Validitas Convergent Validity
Model Prosedur ini cocok, yang merupakan tipe khusus dari validitas kriteria, menciptakan faktor paralel reflektif untuk faktor formatif. Dalam model yang pas, diasumsikan bahwa faktor formatif harus berkorelasi dengan dan mampu memprediksi nilai-nilai dari faktor reflektif, yang merupakan kriteria variabel laten (Garson, 2016)
Convergent validity dari model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item score/component score dengan construct score yang dihitung dengan PLS. Indikator individu dianggap valid jika memiliki nilai korelasi di atas 0,70. Namun demikian pada riset tahap pengembangan skala, loading factor 0,50 sampai 0,60 masih dapat diterima (Chin, 1998 dalam Ghozali, 2012). Dengan melihat hasil output korelasi antara indikator dengan konstruknya seperti terlihat pada gambar dan tabel structural dibawah ini.
Gambar 4.5 Uji Convergent Validity
Sumber: Data Primer yang diolah Penulis (2017)
Pada gambar 4.5 adalah model struktual yang merupakan hasil data yang diolah menggunakan SmartPLS 3.0. Dapat dilihat dalam model struktual tersebut dimana nilai outer model atau korelasi antar konstruk dengan variabel sudah memenuhi convergent validity dimana semua indicator memiliki nilai loading factor lebih atau tidak kurang dari 0.50.
Tabel 4.9
Hasil Uji Convergent Validity
Variabel Indikator Outers Loading Keterangan
Harga H1 0.784 Valid
H2 0.81 Valid
H3 0.771 Valid
H4 0.736 Valid
H5 0.724 Valid
Citra Merek CM1 0.798 Valid
CM2 0.77 Valid
CM3 0.707 Valid
CM4 0.709 Valid
CM5 0.752 Valid
CM6 0.701 Valid
Kualitas Pelayanan P1 0.828 Valid
P2 0.858 Valid
P3 0.837 Valid
P4 0.82 Valid
P5 0.706 Valid
Kepuasan Pelanggan KP1 0.767 Valid
KP10 0.73 Valid KP2 0.706 Valid KP3 0.766 Valid KP4 0.749 Valid KP5 0.711 Valid KP6 0.733 Valid KP7 0.761 Valid KP8 0.718 Valid KP9 0.773 Valid
Sumber: Data Primer yang diolah Penulis (2017)
Selain dilihat dari nilai factor loading, convergent validity juga dapat dilihat dari nilai Average Variance Extracted (AVE). Pada tabel 4.9 dapat dilihat bahwa nilai konstruk untuk semua variable berada pada nilai diatas
0.50. Jadi, tidak ada permasalahan Convergent Validity pada model yang telah diuji.
Tabel 4.10
Hasil Uji Construct Reliability dan Validity
Variabel Cronbach's
Alpha Composite Reliability Variance Average Extracted (AVE) Harga 0.836 0.879 0.548 Citra Merek Kualitas Pelayanan Kepuasan Pelanggan 0.823 0.909 0.871 0.876 0.924 0.906 0.586 0.55 0.659 a. Discriminant Validity
Dikarenkan tidak adanya permasalah confergent validity maka langkah berikutnya yang diuji adalah permasalahan yang terkait dengan discriminant validity. Pada pengujian discriminant validity, indikator reflektif dapat dilihat pada cross loading antara indikator dengan konstruknya. Suatu indikator dinyatakan valid jika mempunyai loading factor kepada konstruk lain. Dengan demikian, konstruk laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok lain.
Tabel 4.11
Hasil Uji Discriminant Validity (Cross Loading)
Citra Merek Harga Pelanggan Kepuasan Pelayanan Kualitas
CM1 0.798 0.365 0.567 0.424 CM2 0.77 0.271 0.486 0.361 CM3 0.707 0.341 0.354 0.36 CM4 0.709 0.455 0.412 0.494 CM5 0.752 0.32 0.463 0.463 CM6 0.701 0.34 0.357 0.273 H1 0.374 0.784 0.504 0.446 H2 0.435 0.81 0.488 0.502 H3 0.333 0.771 0.56 0.424 H4 0.283 0.736 0.525 0.459 H5 0.369 0.724 0.414 0.429 KP1 0.447 0.49 0.767 0.456 KP10 0.491 0.535 0.73 0.522 KP2 0.499 0.346 0.706 0.404 KP3 0.45 0.579 0.766 0.637 KP4 0.449 0.408 0.749 0.487 KP5 0.338 0.543 0.711 0.411 KP6 0.328 0.512 0.733 0.376 KP7 0.566 0.412 0.761 0.465 KP8 0.46 0.464 0.718 0.414 KP9 0.459 0.547 0.773 0.555 P1 0.472 0.512 0.527 0.828 P2 0.474 0.534 0.561 0.858 P3 0.467 0.457 0.605 0.837 P4 0.409 0.48 0.533 0.82 P5 0.341 0.41 0.334 0.706
Sumber: Data Primer yang diolah Penulis (2017)
Pada tabel 4.11 diatas menunjukan bahwa nilai loading dari masing-masing item indikator terhadap konstruk nya lebih besar dari pada nilai
cross loading nya. Dari hasil analisa cross loading tampak bahwa tidak terdapat permasalahan pada discriminant validity.
Metode lain untuk melihat discriminant validity adalah dengan membandingkan nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik.
Tabel 4.12
Hasil Uji Discriminant Validity (Fornell Larcker Criterion)
Variabel Citra
Merek Harga Pelanggan Kepuasan Pelayanan Kualitas
Citra Merek 0.740 Harga Kepuasan Pelanggan Kualitas Pelayanan 0.466 0.607 0.538 0.765 0.657 0.590 0.742 0.646 0.812 Sumber: Data Primer yang diolah Penulis (2017)
Dari tabel 4.12 terlihat bahwa nilai square root of average variance extracted ( ) adalah 0.740, 0.765, 0.742 dan 0.812. Nilai-nilai tersebut lebih besar dari korelasi masing-masing konstruk. Berdasarkan dari nilai square root of average variance extracted ( ) di atas maka konstruk dalam model yang diestimasi memenuhi kriteria discriminant validity.
b) Uji Reliabilitas
Untuk memastikan bahwa tidak ada masalah terkait pengukuran maka langkah terakhir adalah dalam evaluasi outer model adalah
menguji uji reliabilitas dari model. Uji Reliabilitas dilakukan dengan menggunakan indicator Composite Reliability dan Cronbach’s Alpha.
Pengujian Composite Reliability dan Cronbach’s Alpha bertujuan untuk menguji reliabilitas instrumen dalam suatu model penelitian. Atau mengukur internal consistency dan nilainya harus di atas 0,60. Apabila seluruh nilai variabel laten memiliki nilai Composite Reliability maupun Cronbachs Alpha ≥ 0,7 hal itu berarti konstruk memiliki reabilitas yang baik atau kuesioner yang digunakan sebagai alat dalam penelitian ini telah andal atau konsisten.
Tabel 4.13
Hasil Uji Composite Reliability dan Cronbach’s Alpha
Variabel Cronbach's
Alpha Composite Reliability Keterangan
Citra Merek 0.836 0.879 Realibel
Harga Kepuasan Pelanggan Kualitas Pelayanan 0.823 0.909 0.871 0.876 0.924 0.906 Realibel Realibel Realibel Sumber: Data Primer yang diolah Penulis (2017)
Berdasarkan Tabel 4.11 bahwa hasil pengujian Composite Reliability menunjukan nilai yang memuaskan, karena seluruh nilai variabel laten memiliki nilai Composite Reliability ≥ 0.7. Dan hasil pengujian Cronbachs Alpha juga menunjukan nilai yang
memuaskan, sebab seluruh nilai variabel laten memiliki nilai Cronbachs Alpha ≥ 0.7.
2. Evaluasi Structual Model (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Pengujian inner model adalah pengembangan model berbasis konsep dan teori dalam rangka menganalisis hubungan antara variabel eksogen dan endogen telah dijabarkan dalam rerangka konseptual. Tahapan pengujian terhadap model struktural (inner model) dilakukan dengan langkah-langkah berikut ini:
Nilai R-Square (R2)
Melihat nilai R-Square (R2) yang merupakan uji Goodness of Fit (GoF) model. Dalam menilai model dengan PLS dimulai dengan melihat R-Square (R2) untuk setiap variabel laten dependen. Koefisien determinasi R-Square (R2) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R-Square (R2) adalah nol sampai dengan satu. Apabila nilai R-Square (R2) semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R-Square (R2), maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Nilai R-Square (R2) memiliki kelemahan yaitu nilai R-Square (R2) akan meningkat setiap ada penambahan satu variabel independen
meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
Tabel 4.14
Hasil Uji Nilai R-Square (R2)
Variabel R-Square
(R2) R-Square (R 2) Adjusted
Kepuasan Pelanggan 0.591 0.581
Sumber: Data Primer yang diolah Penulis (2017)
Dari tabel 4.12 dapat dilihat bahwa nilai R-Square (R2) atau koefisien determinasi adalah 0.591. Hal ini berarti 59.1 % variasi atau perubahan kepuasan pelanggan dipengaruhi oleh harga, citra merek, dan kualitas pelayanan, sedangkan sisanya sebanyak 40.9 % dijelaskan oleh sebab-sebab lain.
Nilai Predective Relevance (Q2)
Predictive Relevance (Q2) untuk model struktural mengukur
seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Berlaku hanya untuk merenung model faktor endogen, Predictive Relevance (Q2) lebih besar dari 0. Dengan cara yang
sama, sebuah Predictive Relevance (Q2) dengan 0 atau negatif nilai menunjukkan model tidak relevan dengan prediksi faktor endogen
yang diberikan. Untuk menghitung Predictive Relevance (Q2) dapat
digunakan rumus berikut:
Q2 = 1-(1-(R2) 2 ) Perhitungan : Q2 = 1-(1-R2) 2 ) Q2 = 1-(1- 0.5912) Q2 = 1-(1-0.349) Q2 = 1- 0.651 Q2 = 0.349
Nilai Goodness of Fit (GoF)
Goodness of Fit (GoF) menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan dengan data yang sebenarnya yang diperkenalkan oleh Tenenhaus et al. (2004). GoF index ini merupakan ukuran tunggal yang digunakan untuk memvalidasi performa gabungan antara model pengukuran (outer model) dan model struktural (inner model). Nilai Goodness of Fit (GoF) index diperoleh dari average communalities index dikalikan dengan nilai R² model. Nilai GoF terbentang antara 0-1 dengan interpretasi sebagai berikut:
Goodness of Fit (GoF) GoF Kecil = 0.1
Goodness of Fit (GoF) Moderat atau Sedang = 0.25 Goodness of Fit (GoF) Besar = 0.38
Rumus Goodness of Fit (GoF):
GoF = = = = 0.588
Dari perhitungan Goodness of Fit (GoF) diatas dapat diketahui hasil nya adalah sebesar 0.588 (GoF Besar). Dari hasil tersebut bisa disimpulkan bahwa performa antara model pengukuran dan model struktural memiliki GoF yang besar yaitu sebesar 0.588 (di atas 0.38).
3. Evaluasi Pengujian Hipotesa
Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai hubungan antara variabel-variabel penelitian. Dasar yang digunakan dalam menguji hipotesis adalah nilai yang terdapat pada output result forinner weight. Pengujian ini dilakukan dengan dasar hasil pengolahan data yang telah dilakukan dengan menggunakan program PLS
(Partial Least Square). Hasil pengujian ini akan menunjukan apakah semua jalur yang dianalisis menunjukan hasil yang signifikan terlihat dari hasil Original Sample dan t-statistic nya. Untuk menguji hipotesis yang diajukan, dapat dilihat besarnya nilai t-statistik. Batas untuk menolak dan menerima hipotesis yang diajukan adalah ±1.96, yang mana apabila nilai t berada pada rentang nilai -1.96 dan 1.96 maka hipotesis akan ditolak atau dengan kata lain menerima hipotesis nol (H0). Hasil estimasi t-statistik dapat dilihat pada path coefficient (t-statistics).
Tabel 4.15 Hasil Uji Hipotesis
Variabel Original Sample (O) Sampl e Mean (M) Standard Deviation (STDEV) T Statistics (|O/STDEV| ) P Value s Citra Merek -> Kepuasan Pelanggan 0.291 0.293 0.075 3.88 0 Harga -> Kepuasan Pelanggan Kualitas Pelayanan -> Kepuasan Pelanggan 0.357 0.279 0.37 0.269 0.099 0.091 3.699 3.049 0 0.002
Sumber: Data Primer yang diolah Penulis (2017)
Gambar 4.6 Hasil Uji Bootstrapping
Tabel 4.15 di atas menunjukan bahwa hubungan antara citra merek terhadap kepuasan pelanggan adalah signifikan dengan nilai t-statistic sebesar 3.88 (>1,96) dan nilai p values sebesar 0.00 ( < 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.291 yang menunjukan bahwa arah hubungan antara citra merek terhadap kepuasan pelanggan
adalah positif. Jadi pada hipotesis H2 dalam penelitian ini dapat disimpulkan bahwa citra merek berpengaruh positif dan signifikan terhadap kepuasan pelanggan.
Tabel 4.15 di atas menunjukan bahwa hubungan antara harga terhadap kepuasan pelanggan adalah signifikan dengan t-statistic sebesar 3.619 (>1,96) dan dan nilai p values sebesar 0.00 (< 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.357 yang menunjukan bahwa arah hubungan antara harga terhadap kepuasan pelanggan adalah positif. Jadi pada hipotesis H1 dalam penelitian ini dapat disimpulkan bahwa harga berpengaruh positif dan signifikan terhadap kepuasan pelanggan.
Tabel 4.15 di atas menunjukan bahwa hubungan antara kualitas pelayanan terhadap kepuasan pelanggan adalah signifikan dengan t-statistic sebesar 3.049 (>1,96) dan dan nilai p values sebesar 0.002 (< 0.005). Dan nilai Original Sample estimate adalah positif yaitu 0.279 yang menunjukan bahwa arah hubungan antara kualitas pelayanan terhadap kepuasan pelanggan adalah positif. Jadi pada hipotesis H3 dalam penelitian ini dapat disimpulkan bahwa kualitas pelayanan berpengaruh positif dan signifikan terhadap kepuasan pelanggan.
E. Pembahasan Hasil Penelitian
Berdasarkan hasil analisis PLS (Partial Least Square), maka pada bagian ini akan dibahas hasil perhitungan yang telah dilakukan. Penelitian ini
bertujuan untuk mengetahui pengaruh harga, citra merek, dan kualitas pelayanan terhadap kepuasan pelanggan menggunakan aplikasi jasa grab di daerah Jakarta Selatan. Pengujian ditunjukan melalui hipotesis yang ada sehingga dapat mengetahui bagaimana pengaruh masing-masing variabel terhadap variabel yang lainnya.
1. Hubungan Antara Harga terhadap Kepuasan Pelanggan
Hipotesis pertama (H1) menyatakan bahwa terdapat pengaruh positif dan signifikan dalam hubungan Harga terhadap Kepuasan Pelanggan. Adapun nilai koefisien jalur yang positif menunjukan hubungan yang searah, dimana dengan semakin sesuainya harga dengan ekpektasi pelanggan maka semakin tinggi kepuasan pelanggan tersebut. Hasil penelitan ini sesuai dan sejalan dengan penelitian yang dilakukan Suwandi, Sularso dan Suroso (2015) yang menyebutkan bahwa harga berpengaruh positif dan signifikan terhadap kepuasan. Putra (2012) juga melakukan penelitian yang menyebutkan bahwa harga berpengaruh positif serta signifikan terhadap kepuasan konsumen. Pada saat pelanggan merasa harga yang diharapakan sesuai dengan harapan mereka maka akan menghasilkan kepuasan.
2. Hubungan Antara Citra Merek terhadap Kepuasan Pelanggan
Hipotesis kedua (H2) menyatakan bahwa terdapat berpengaruh positif dan signifikan dalam hubungan Citra Merek terhadap Kepuasan Pelanggan. Adapun nilai koefisien jalur yang positif menunjukan hubungan yang searah, dimana dengan semakin meningkatnya nilai citra
merk maka akan semakin tinggi kepuasan pelanggan tersebut. Hasil penelitan ini sesuai dan sejalan dengan pengujian yang dilakukan oleh Malik, Ghafoor dan Iqbal (2012) bahwa brand image berpengaruh signifikan dan positif terhadap kepuasaan konsumen. Suwandi, Sularso dan Suroso (2015) yang menyebutkan bahwa citra merek berpengaruh positif dan signifikan terhadap kepuasan. Lasander (2013) juga menyebutkan bahwa citra merek berpengaruh signifikan terhadap kepuasan konsumen. Pada saat pelanggan merasa citra merek yang diharapakan sesuai dengan harapan mereka maka akan menghasilkan kepuasan.
3. Hubungan Antara Kualitas Pelayanan terhadap Kepuasan pelanggan Hipotesis ketiga (H3) menyatakan bahwa terdapat pengaruh positif dan signifikan dalam hubungan Kualitas Pelayanan terhadap Kepuasan pelanggan. Hasil penelitan ini sesuai dan sejalan dengan keterkaitan kualitas kepuasan pelanggan terhadap kepuasan pelanggan menurut Normasari, Kumandi dan Kusumawati (2013) di mana adanya pengaruh langsung variabel kepuasan pelanggan terhadap variable kepuasan pelanggan yang menyatakan bahwa pengaruh nya positif dan signifikan oleh kedua variabel tersebut. Dan pada penelitian yang dilakukan oleh Mardikawati dan Farida (2012) berpendapat bahwa kepuasan pelanggan semakin tinggi, maka akan semakin tinggi pula loyalitas konsumen dimana sudah diteliti dan mendapatkan hasil bahwa kepuasaan pelanggan terhadap
kepuasan pelanggan memilik penagruh positif dan signifikan. Pada saat pelanggan merasa kualitas pelayanan yang diharapakan sesuai dengan harapan mereka maka akan menghasilkan kepuasan.
