32

BAB 3 METODE PENELITIAN

3.1 Desain Penelitian

Penelitian ini merupakan studi yang meneliti tentang Bauran Pemasaran dan

Lingkungan Sosio-Budaya pelanggan yang mempengaruhi Keputusan Pelanggan dalam

menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam Jakarta Selatan , dan

dampaknya terhadap pelanggan pasca keputusan. Berdasarkan permasalahan yang telah

disebutkan di atas maka jenis dari penelitian ini bersifat desriptif kualitatif.

Metode penelitian yang digunakan dalam penelitian ini adalah deskriptif survei yang

digunakan untuk pencarian fakta dengan interpretasi yang tepat dan tujuannya adalah untuk

mencari gambaran yang sistematis, fakta yang akurat. Desain penelitian pada dasarnya

untuk menentukan metode apa yang akan dipergunakan dalam penelitian, antara lain Jenis

Penelitian, Unit Analisis, dan Time Horizon.

Untuk jenis penelitian yang digunakan adalah studi kasus, yaitu penelitian dengan

karakteristik masalah yang berkaitan dengan latar belakang dan kondisi saat ini dari subyek

yang diteliti, serta interaksinya dengan lingkungan. Tujuan studi kasus ini adalah melakukan

penyelidikan secara mendalam mengenai subyek tertentu untuk memberikan gambaran yang

lengkap mengenai subyek tertentu.

33

Tabel 3.1. Desain Penelitian

Desain Penelitian Tujuan Penelitian Jenis

Penelitian Unit Analisis Time Horizon

T-1 Deskriptif Kualitatif

Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio

Dalam

Single Cross - Sectional Design

T-2 Deskriptif Kualitatif

Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio

Dalam

Single Cross - Sectional Design

T-3 Deskriptif Kualitatif

Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio

Dalam

Single Cross – Sectional Design

T-4 Deskriptif Kualitatif

Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio

Dalam

Single Cross – Sectional Design

T-5 Deskriptif Kualitatif

Individu --> Pengguna Jasa Bengkel Auto 2000 Cab. Radio

Dalam

Single Cross – Sectional Design

Keterangan:

T-1 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pengambilan

keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam.

T-2 : Untuk dapat mengetahui pengaruh lingkungan sosio-budaya terhadap pengambilan

keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam.

T-3 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pasca

pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

T-4 : Untuk dapat mengetahui pengaruh lingkungan Sosio-Budaya pelanggan terhadap pasca

pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

T-5 : Untuk dapat mengetahui pengaruh pengambilan keputusan dan dampaknys pasca

pengambilan keputusan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

34

3.2 Operasionalisasi Variabel Penelitian

Tabel 3.2. Operasionalisasi Variabel Penelitian

Variabel Dimensi Atribut Instrumen

Pengukuran Skala

Pengukuran Skala Ukur

Sopan santun dan keramahan petugas Kuesioner Likert Ordinal Penampilan petugas bengkel Kuesioner Likert Ordinal People/SDM Profesional dan kompeten di bidangnya Kuesioner Likert Ordinal Fasilitas pelayanan yang sesuai kebutuhan Kuesioner Likert Ordinal Product/Produk Mutu dan ketahanan produk Kuesioner Likert Ordinal

Place/Tempat Kemudahan mengunjungi bengkel Kuesioner Likert Ordinal Kesesuaian harga suku cadang Kuesioner Likert Ordinal Price/Harga Kesesuaian harga jasa layanan service Kuesioner Likert Ordinal Relevansi promosi dan penyajian jasa Kuesioner Likert Ordinal Promotion/Promosi Peralatan dan teknologi canggih Kuesioner Likert Ordinal

Physical Evidence /Sarana Fisik

Fasilitas ruang tunggu yang nyaman dan bersih Kuesioner Likert Ordinal

Kemudahan dalam membuat janji untuk perawatan/perbaikan kendaraan Kuesioner Likert Ordinal

Kebersihan kendaraan pelanggan setelah perawatan/perbaikan Kuesioner Likert Ordinal

Bauran Pemasaran

Jasa

Processes/ Proses

Kecepatan pelayanan bengkel Auto2000 Kuesioner Likert Ordinal

Keluarga Peran Keluarga yang berkaitan dengan konsumsi Kuesioner Likert Ordinal

Sumber Informal Pengaruh Iklan dan media massa Kuesioner Likert Ordinal Sumber Non Formal Pengaruh lingkungan sekitar Kuesioner Likert Ordinal

Kelas Sosial Pemakaian layanan bengkel berdasarkan kelas sosial Kuesioner Likert Ordinal

Lingkungan sosio-budaya

Sub Budaya dan Budaya

Pengaruh pemakaian layanan berdasarkan kepercayaan Kuesioner Likert Ordinal

Pengenalan Kebutuhan

Pengetahuan yang tersimpan dalam ingatan Kuesioner Likert Ordinal

Penelitian Sebelum Pembelian Informasi pelayanan bengkel Kuesioner Likert Ordinal

Evaluasi Alternatif Alternatif bengkel lain Kuesioner Likert Ordinal

Pengalaman Pengalaman atas jasa service Kuesioner Likert Ordinal

Motivasi Pemenuhan kebutuhan atas kendaraan Kuesioner Likert Ordinal

Persepsi Gambaran keseluruhan mengenai Bengkel Auto 2000 Kuesioner Likert Ordinal

Pembelajaran Pembelajaran melalui pengamatan/peragaan Kuesioner Likert Ordinal

Kepribadian Pengarahan terhadap aktualisasi diri atas layanan bengkel Kuesioner Likert Ordinal

Pengambilan Keputusan

Sikap Tindakan atas layanan bengkel Auto 2000 Kuesioner Likert Ordinal Kepuasan Pelanggan Kepuasan pelayanan secara keseluruhan Kuesioner Likert Ordinal Pasca

Keputusan Loyalitas Pelanggan Penggunaan jasa bengkel secara berulang Kuesioner Likert Ordinal

35

3.3 Jenis dan Sumber Data Penelitian

Dalam penelitian ini jenis data yang dikumpulkan adalah data primer dan data

sekunder yang bersifat kualitatif dan kuantitatif.

Data primer adalah data yang diperoleh langsung dari konsumen berupa jawaban

dari pertanyaan dalam kuisioner.

Data sekunder adalah data yang diperoleh melalui data yang telah diteliti dan

dikumpulkan oleh pihak lain yang berkaitan dengan permasalahan penelitian.

Tabel 3.3. Jenis dan Sumber Data Penelitian

Informasi Jenis Data Sumber Data

Pandangan pelanggan atas

Bengkel (OK atau Gratis, Body Paint,

Toyota Home Service dan Perawatan

Berkala) Auto 2000 Cabang Radio Dalam

Primer Pelanggan Bengkel Auto 2000 Cabang

Radio Dalam tanggal 15 Oktober – 20 Januari 2008

Fasilitas Bengkel (OK atau Gratis, Body

Paint, Toyota Home Service dan

Perawatan Berkala) Auto 2000 Cabang

Radio Dalam

Sekunder Kepala Auto 2000 Cabang Radio Dalam, TOTOK RUBIYANTO

Perilaku Konsumen Sekunder

Buku Perilaku Konsumen, Edisi Ketujuh Karangan Leon G, Schiffman & Leslie Lazar

Kanuk, 2004 Jakarta : Indeks Kelompok Gramedia

Penilaian Model FIT dalam SEM Sekunder Buku LISREL, karangan Tumpal JR Sitinjak

dan Sugiarto, 2006, p68-69.

Modifikasi Model dalam SEM Sekunder

Buku Structural Equation Modeling, karangan Prof. Dr. H. Imam Ghozali,

M.Com, Akt. Dan Fuad, SET, Msi, 2005, p332-333.

36

3.4 Teknik Pengumpulan Data

Untuk mendapatkan data yang akan diolah, maka teknik pengumpulan data yang

dilakukan dalam penelitian adalah sebagai berikut:

a. Berdasarkan metode pengumpulan data, maka terdiri :

1. Data Primer, Peneliti menggunakan metode pengumpulan data melalui kuesioner,

yaitu dengan membagikan kuesioner kepada para pelanggan bengkel Auto 2000

dengan mengajukan beberapa pertanyaan kepada responden secara tertulis yang

berisi mengenai informasi Auto 2000. Kuesioner ini akan dibagikan kepada

responden yang memenuhi karakteristik sampel.

2. Data Sekunder, didapat dari studi kepustakaan, internet, majalah, jurnal ekonomi

dan booklet mengenai informasi Auto 2000.

b. Berdasarkan jenis data, dapat diklasifikasikan menjadi :

1. Data internal, yaitu data yang diperoleh dari perusahaan mengenai profil dan sejarah

perusahaan, struktur organisasi perusahaan serta, visi dan misi perusahaan.

2. Sifat data disebut sebagai cross sectional karena data yang dikumpulkan pada kurun

waktu dan pada tepat tertentu yaitu di Auto 2000 Cabang Radio Dalam Jakarta dari

bulan Oktober 2007 hingga Januari 2008.

3.5 Teknik Pengambilan Sampel

Teknik sampling yang digunakan adalah dengan menggunakan metode Simple

Random Sampling. Simple Random Sampling adalah pengambilan sampel populasi dilakukan

secara acak tanpa memperhatikan strata yang ada dalam populasi itu (Sugiyono, 2002,

p74).

37

3.6 Penentuan Jumlah Sampel

Jumlah keseluruhan indikator dalam penelitian ini adalah 31 indikator. Maka jumlah

sampel minimal yang ditentukan untuk jumlah indikator tersebut adalah 200 sampel

(Joreskog dan Sorbom, 1988) dengan menetapkan 200 sampel Maka jumlah itulah yang

diambil untuk penelitian ini.

3.7 Pengukuran Variabel

Bentuk pertanyaan yang digunakan dalam kuesioner adalah Structured Non

Disguised yaitu bentuk pertanyaan merupakan kombinasi pilihan ganda yang berpedoman

pada Skala Likert yang digunakan untuk mengukur sikap, pendapat, dan persepsi bagi

seorang responden. Bentuk penilaian jawaban kuesionar menggunakan pembobotan dengan

5 buah skala. Bobot dan kategori pengukuran atas tanggapan responden sebagai berikut:

(Sugiyono, 2002, p86)

Tabel 3.4. Bobot Penilaian Dengan Skala Likert

Keterangan Penilaian

Sangat Tidak Setuju 1

Tidak Setuju 2

Netral 3

Setuju 4

Sangat Setuju 5

Sumber: Pengolahan Data

3.8 Metode Analisis Data

3.8.1 Konsep Umum Model Persamaan Struktural (Structural Equation Modeling)

Structual Equation Model (SEM) merupakan suatu teknik statistik yang mampu

menganalisis variabel latent, variabel indikator dan kesalahan pengukuran secara langsung.

38

Dengan SEM kita mampu menganalisis hubungan antara variabel latent dengan variabel

indikatornya, hubungan antara variabel latent yang satu dengan variabel latent yang lain,

juga mengetahui besarnya kesalahan pengukuran. Disamping hubungan kasual searah, SEM

juga memungkinkan kita menganalisis hubungan dua arah yang sering kali muncul dalam

ilmu sosial dan perilaku.

SEM termasuk keluarga multivariate statistics dependensi yang memungkinkan

dilakukannya analisis satu atau lebih variabel independen dengan satu lebih variabel

independen yang dilibatkan boleh berbentuk variabel kontinu ataupun diskrit, dalam bentuk

variabel latent atau teramati. Dalam prakteknya, SEM merupakan gabungan dari dua metode

statistika yang terpisah yang melibatkan analisis faktor (factor analysis) yang dikembangkan

di psikologi dan psikometri dan model persamaan simultan (simultaneous equation

modelling) yang dikembangkan di ekonometrika.

Achmad Bachrudin, Harapan L. Tobing (Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, p3, 2003). Dalam penelitian ilmu sosial atau ilmu perilaku

(Social dan Behavioral Sciences) sering kali peneliti melakukan kegiatan penelitian untuk

mengukur setiap karateristik subjek atau satuan pengamatan melibatkan lebih satu variable

(variate). Dalam konteks pengukuran seperti ini, analisis yang digunakan adalah satistik

multivariat atau variat banyak.

Umumnya teknik analisis statistik hanya mengolah variabel-variabel indikatornya saja

tanpa melibatkan variabel latennya, dan juga jarang dalam pengolahannya sekaligus

melibatkan kekeliruan pengukuran variabel. Umumnya kekeliruan pengukuran hanya

diperhatikan pada saat uji coba dengan menghitung realibilitas dan validitasnya. Dalam

pengolahan selanjutnya, masalah kekeliruan pengukuran sering dilupakan saja atau

diasumsikan bahwa kekeliruan pengukuran ”tidak ada”, padahal selama alat ukur tersebut

tidak memiliki tingkat realibilitas dan validitas yang ”sempurna” maka besarnya kekeliruan

39

pengukuran akan berpengaruh kepada hasil analisisnya. Kita semua tahu bahwa dalam ilmu

sosial dan perilaku tidak memiliki suatu alat ukur yang benar-benar baku, tidak seperti teknik

dan sains yang memiliki alat ukur yang baku dimana-mana dan sepengetahuan penulis tidak

ada lembaga semacam metrologi yang bertugas mengkalibrasi alat ukur ilmu-ilmu sosial.

Dengan demikian kita perlu suatu analisis statistik yang sekaligus melibatkan kekeliruan

pengukuran.

Seperti sudah dijelaskan bahwa dalam ilmu sosial untuk mengukur suatu konstruk

umumnya secara tidak langsung, yaitu melalui indikator-indikatornya. Selama ini variabel-

variabel indikator inilah yang diproses untuk menjelaskan bagaimana hubungan antara

konstruk yang satu dengan konstruk lainnya, tetapi hubungan tersebut tetap samar-samar,

artinya hubungan antara indikator-indikator dan konsep tersebut tidak secara eksplisit

dinyatakan dalam suatu persamaan. Dengan demikian perlu suatu analisis statistik yang

secara simultan melibatkan variabel indikator dan variabel laten.

Suatu teknik statistik yang menganalisis variabel indikator, variabel laten, dan

kekeliruan pengukurannya adalah pemodelan persamaan struktural (structural equation

model, SEM). Dengan SEM kita dapat menganalisis bagaimana hubungan antara variabel

indikator dengan variabel latennya yang dikenal sebagai persamaan pengukuran

(measurement equation), hubungan antara variabel laten yang lain dikenal sebagai

persamaan struktural (structural equation) yang secara bersama-sama melibatkan kekeliruan

pengukuran. Selain itu, model persamaan struktural dapat menganalisis hubungan dua arah

(reciprocal) yang sering terjadi pada ilmu sosial. Dalam SEM dikenal juga dengan variabel

laten eksogen (independent latent variable) dan variabel laten endogen (dependent latent

variable).

Sekarang ini, penggunaan SEM dalam penelitian sosial semakin banyak. Ada tiga

alasan mengapa SEM banyak digunakan dalam penelitian (Kelloway, 1998), yaitu:

40

1. Penelitian sosial umumnya menggunakan pengukuran-pengukuran untuk menjabarkan

konstruk (construct). Hampir semua penelitian ilmu sosial tertarik dalam pengukuran dan

teknik pengukuran. Salah satu bentuk dari SEM berurusan secara langsung dapat

menjawab pertanyaan sejauh mana pengukuran yang dilakukan dapat merefleksikan

konstruk yang diukur. Singkatnya, pengolahan data dengan SEM sekaligus dapat

mengevaluasi kualitas pengukuran, aitu keandalan dan validitas suatu alat ukur.

2. Para peneliti sosial sangat tertarik terhadap prediksi. Dalam melakukan prediksi tidak

hanya melibatkan model dua variabel, tapi dapat melibatkan model yang lebih ”rumit”

berupa struktur hubungan antara beberapa variabel penelitian.

3. SEM dapat melayani sekaligus suatu analisis kualitas pengukuran dan prediksi.

Khususnya, dalam ”model-model variabel latent”, model ini merupakan suatu model yang

fleksibel dan sangat ampuh secara simultan memeriksa kualitas pengukuran dan

hubungan prediktif antar konstruk.

3.8.2 Tools SEM (LISREL – Linear Structural Relationship)

Istilah model persamaan struktural dikenal juga dengan nama LISREL (LIniear

Structural RELationships) adalah paket program statistik untuk SEM, yang pertama kali

siperkenalkan oleh Karl Joreskog pada tahun 1970 dalam suatu pertemuan ilmiah. Istilah lain

untuk SEM sering kali disebut juga anaisisfaktor konfirmatori (confimatory factor analysis),

model struktur kovarians (covariance structure models) dan model variabel laten (laten

variable modelling).

Pengolahan data dalam SEM dilakukan menggunakan prosedur iteratif yang sangat

memakan waktu dan ketelitian jika dilakukan secara manual. Perkembangan teknologi

komputer sangat membantu pengolahan data dengan SEM dan menjadikan SEM semakin

banyak digunakan oleh para peneliti maupun pebisnis. Dewasa ini telah dikembangkan

41

beberapa program komputer yang dapat digunakan untuk menganalisis SEM, antara lain

EQS, AMOS, LISREL, SAS PROC CALIS, STATISTICA-SEPATH, dan lain-lain.

LISREL, merupakan salah satu program komputer yang dapat mempermudah

analisis untuk menyelesaikan masalah-masalah yang tidak dapat diselesaikan oleh alat

analisis yang konvensional.

LISREL diperkenalkan oleh Karl Joreskog pada tahun 1970 dan sejauh ini telah

dikembangkan serta digunakan dalam berbagai disiplin ilmu pengetahuan sosial. Dalam versi

yang lebih maju, penggunaan LISREL menjadi lebih interaktif, lebih mudah, banyak fitur

statistik yang baru terkait dengan penanganan missing data, imputatuion data serta

multilevel data analysis. Terapannya pada persoalan ilmu sosial dan ilmu perilaku dapat kita

temui secara luas yang sangat berguna sebagai acuan pengambilan keputusan dalam kondisi

yang makin rumit. Secara umum analisis dalam LISREL dapat dipilah dalam dua bagian :

pertama yang terkait dengan model pengukuran (measurement model) dan kedua yang

terkait dengan model struktual (structural equation model). Dengan menggunakan LISREL,

kita dapat menganalisis struktur covariance yang rumit. Variabel latent, saling

ketergantungan antar variabel, dan sebab akibat yang timbal balik dapat ditangani dengan

mudah dengan menggunakan model pengukuran dan persamaan yang terstruktur.

Pada dasarnya pengolahan SEM dengan LISREL dapat dilakukan dengan empat cara,

yaitu menggunakan PRELIS Project, SIMPLIS Project, LISREL Project maupun PATH

DIAGRAM.

3.8.3 Prosedur SEM

Penerapan SEM didasarkan atas kovarian dari nilai-nilai yang ada di dalam sampel,

sedangkan kovarian kurang stabil jika diestimasi dari sampel yang berukuran kecil. Karena

itu penerapan SEM membutuhkan sampel yang yang berukuran besar. Jika dalam analisis

42

statistika lainnya, residual yang ingin diminimumkan diperoleh dari perbedaan model dengan

nilai amatan, maka dalam SEM, residual merupakan perbedaan antara kovarian yang

diprediksi dengan kovarian yang diamati. Dalam SEM fungsi yang diminimumkan adalah

perbedaan antara kovarian sampel dengan kovarian yang diprediksi oleh model. Untuk itu

hipotesis nol ditetapkan Σ = Σ (θ), dengan adalah matrik kovarian populasi dari variabel-

variabel teramati dan adalah matrik kovarian dari model yang didefisiasikan (dihipotesiskan).

Jika pada statistik biasanya yang dipentingkan adalah signifikansi atau yang dicari adalah

penolakan terhadap H0 (seperti pada regresi berganda), pada SEM yang diusahakan adalah

agar H0 tidak ditolak atau H0 diterima. Penerimaan hipotesis nol berarti matrik kovarian

populasi dari variabel-variabel teramati tidak berbeda signifikan dari matrik kovarian model

yang dispesifikasikan (dihipotesiskan) sehingga errornya kecil.

Penerapan SEM mengikuti prosedur umum berikut :

A. Spesifikasi Model (Model Specifikation)

B. Identifikasi (Identification)

C. Estimasi (Estimation)

D. Uji Kecocokan (Testing Fit)

E. Respesifikasi (Re-specification)

3.8.3.1 Spesifikasi Model

Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Sangat disarankan

agar penetapan model tidak dilakukan secara asal tetapi didasarkan pada rujukan yang

relevan. Model yang dibentuk akan kuat bila sudah ada teori yang mendasarinya. Meski

demikian untuk paradigma baru, teori bagi topik yang terkait mungkin belum ada sehingga

temuan-temuan terbaru yang relevan bisa dijadikan sebagai dasar rujukan yang bermakna.

Spesifikasi model secara garis besar dijalankan dengan menspesifikasi model pengukuran

43

serta menspesifikasi model struktural. Spesifikasi model pengukuran meliputi aktivitas

mendefinisikan hubungan antara variabel laten dengan variabel-variabel teramati. Spesifikasi

model struktual dilakukan dengan mendefinisikan hubungan kausal diantara variabel-variabel

latent. Tahapan selanjutnya (optional) adalah menetapkan gambaran path diagram model

hybrid yang merupkan kombinasi model pengukuran dan struktural.

3.8.3.2 Identifikasi

Tahapan identifikasi dimaksudkan untuk menjaga agar model yang dispesifikasikan

bukan merupakan model yang under-identifield atau unidetifield. Sebagaimana diketahui,

terdapat tiga kemungkinan dalam persamaan simultan, yaitu under-identified, just-identified

atau over-identified.

Under-identified model adalah model dimana jumlah paramater yang diestimasi lebih

besar dari jumlah data yang diketahui. Pada kondisi under-identified model yang

dispesifikasikan tidak memiliki penyelesaian yang unik. Sebagai gambaran sederhana dari

underidentified adalah persamaan 2X + 3Y = 6. Dalam 1 persamaan ini didapati dua

bilangan yang nilainya tergantung satu sama lain. Banyak sekali kemungkinan yang dapat

muncul untuk menyelesaikan persamaan tersebut. Misalkan jika nilai X = 1 maka nilai Y

adalah 4/3. jika nilai X = 0 maka nilai Y adalah 2, dan seterusnya. Dengan demikian tidak

didapati penyelesaian yang unik dalam persamaan.tersebut.

Just-identified model adalah model dimana jumlah parameter yang diestimasi sama

dengan data yang diketahui. Pada kondisi just-identified, model yang dispesifikasikan hanya

memiliki satu penyelesaian. Sebagai contoh jika kita memiliki dua persamaan berikut :

2X + 2Y = 12

2X + Y = 10

44

Pada kondisi adanya 2 persamaan dengan 2 bilangan tidak diketahui ini, hanya ada 1

penyelesaian yaitu X = 4 dan Y = 2.

Over-identified model adalah model dimana jumlah parameter yang diestimasi lebih

kecil dari jumlah data yang diketahui. Pada kondisi over-identified, penyelesaian model

diperoleh melalui proses estimasi iteratif. Penyelesaian model diperoleh melalui proses

estimasi iteratif. Penyelesaian yang diperoleh biasanya merupakan nilai-nilai yang konvergen

ke nilai-nilai yang stabil. Sebagai contoh jika kita memiliki 3 persamaan dengan 2 bilangan

tidak diketahui.

2X + 2Y = 12

6X + 3Y = 30

6X + 2Y = 24

Maka penyelesaian yang diperoleh melalui estimasi iteratif dan yang cukup mendekati adalah

X = 3.0 dan Y = 3.3

Untuk memperoleh model SEM yang over-identified perlu diperhatikan hal-hal

sebagai berikut :

1. Jumlah varian-kovarian non-redundan variabel teramati (jumlah data) >= jumlah

parameter model diestimasi.

2. Setiap variabel latent dalam model yang harus diberi sebuah unit pengukuran. Untuk itu

dapat digunakan salah satu dari dua cara di bawah ini :

- Mendapatkan salah satu koefisien struktual (faktor loading), lambda dengan nilai 1.0

- Variabel latent distandarisasikan ke unit variance, yaitu dengan menetapkan nilai 1

pada komponen diagonal dari matrik variances.

3. Untuk variabel latent yang hanya mempunyai sebuah variabel teramati, maka koefisien

struktual (faktor loading) lambda di tetapkan = 1.0 dan ini berarti errorvariance (delta)

terkait = 0.

45

3.8.3.3 Estimasi Parameter

Tahapan ini ditujukan untuk memperoleh estimasi dari setiap parameter yang

dispesifikasikan dalam model yang membentuk matrik Σ (θ) sedemikian rupa sehingga nilai

parameter menjadi sedekat mungkin dengan nilai yang ada didalam matrik S (matrik

kovarian sampel dari variabel teramati). Matrik kovarian sampel S digunakan untuk mewakili

Σ (matrik kovarian populasi) karena matrik kovarian populasi tidak diketahui. Berdasarkan

hipotesis nol, diusahakan agar selisih S dengan mendekati atau sama dengan nol. Hal ini

dapat dilaksanakan dengan meminimumkan suatu fungsi F (S, Σ (θ) ) melalui iterasi.

Estimasi terhadap model dapat dilakukan menggunakan salah satu dari metode estimasi

yang tersedia, sebagai berikut.

• Instrumental Variable (IV)

• Two Stage Least Square (TSLS)

• Unweighted Least Squares (ULS)

• Generalized Least Squares (GLS)

• Maximum Likelihood (ML)

• Generally Weighted Least Squares (WLS)

• Diagonally Weighted Least Squares (DWLS)

Diantara berbagai metode yang tersedia, metode estimasi yang paling banyak

digunakan adalah Maximum Likelihood dan Weighted Least Squares. Minimisasi fungsi

tersebut dapat dilakukan melalui iterasi (dimulai dengan nilai awal) sampai diperoleh nilai

yang kecil atau minimal.

Metode Estimasi

Pada LISREL terdapat tujuh metode yang dapat digunakan untuk mengestimasikan

parameter dari suatu model, yaitu: Instrumental variables (IV), Two Stage Least Square

46

(TSLS), Unweighted Least Squares (ULS), Generalized Least Squares (GLS), Generally

Weighted Least Square (GWLS), Diagonally Weighted Least Square (DWLS), dan Maximum

Likelihood (ML). Ketujuh metode estimasi tersebut merupakan bagian dari dua kelompok

besar tehnik estimasi yaitu :

a. Limited Information Techniques

Contoh dari tehnik dengan menggunakan informasi yang terbatas ini (limited information

techniques) ini adalah metode estimasi instrumental variabels (IV) dan Two Stage Least

Square (TSLS). IV dan TSLS adalah metode estimasi yang cepat, dan tidak

menggunakan iteratif. IV dan TSLS mengestimasi persamaan secara independen dan

terpisah dimana kedua metode tersebut tidak menggunakan informasi dari persamaan

lain pada suatu model, IV dan TSLS umumnya digunakan untuk menghasilkan starting

values untuk dapat digunakan dengan menggunakan metode estimasi yang lain pada

suatu model. Metode IV biasanya digunakan untuk menghasilkan starting values untuk

digunakan pada metode estimasi ULS. Sedangkan TSLS digunakan untuk menghasilkan

strating values untuk digunakan pada metode estimasi GLS, ML, WLS, dan DWLS.

b. Full Information Techniques

Full information techniques adalah suatu tehnik untuk mengestimasi seluruh sistem

persamaan secara simultan dimana informasi yang digunakan untuk mengestimasi suatu

parameter diperoleh dari seluruh sistem persamaan pada suatu model. Salah satu

kelemahan dari estimasi jenis ini adalah, jika suatu model memiliki specification error

yang timbul akibat dimasukkan hubungan yang tidak relevan akan berpengaruh terhadap

seluruh model.

Beberapa estimasi yang termasuk dalam Full Information Techniques, berbagai

asumsi-asumsi yang harus dipenuhi dan jumlah ukuran sampel yang dianjurkan dibahas

berikut ini:

47

a. Maximum Likelihood (ML)

Metode estimasi yang paling populer digunakan pada penelitian SEM, dan secara

default digunakan oleh LISREL adalah Maximum Likelihood. Maximum Likelihood akan

menghasilkan estimasi parameter yang valid, efisien dan reliable apabila data yang

digunakan adalah mulivariate normality (normalitas multivariate) dan akan robust (tidak

terpengaruh/ kuat) terhadap penyimpangan multivariate normality yang sedang (moderate).

Tetapi estimasi pada ML akan bias apabila pelanggaran terhadap multivariate normality

sangat besar.

Maximum Likelihood memiliki hasil yang cukup valid dengan besaran sampel

minimal, tetapi menurut Hair et.al (1998) ukuran sampel sebesar itu tidak dianjurkan. Ukuran

sampel yang disarankan untuk penggunaan estimasi Maximum Likelihood adalah sebesar 100

– 200. kelemahan dari metode ML ini adalah ML akan menjadi ”sangat sensitif” dan

menghasilkan indeks goodness of fit yang buruk apabila data yang digunakan adalah besar

(antara 400 – 500).

b. Generalized Least Square

Generalized Least Square akan menghasilkan estimasi hasil yang hampir sama

dengan estimasi Maximum Likelihood apabila asumsi multivariate normality dipenuhi dan

ukuran sampel adalah sama. LS, dilain pihak, akan sedikit lebih robust terhadap dilanggarnya

asumsi multivariate normality. GLS akan menghasilkan estimasi yang kurang baik dengan

ukuran sampel kecil atau kurang dari 200.

c. Weighted Least Square

Metode Weighted Least Square, atau juga disebut (Asymptotically Distribution Free/

ADF) merupakan suatu metode yang tidak terpengaruh oleh dilanggarnya multivariate

normality. Kelemahan metode ini adalah jumlah variabel dalam model harus sedikit (kurang

dari 20 variabel). Disamping itu, WLS memerlukan ukuran sampel yang nyaris

48

”unreasonable” untuk penelitian, yaitu minimal 1000 (Diamantopaulus dan Siguaw, 2000).

Bahkan beberapa penelitian simulasi menganjurkan penggunaan ukuran sampel sebear 5000

agar metode WLS ini dapat menghasilkan estimasi yang baik. Sehingga dengan berbagai

keterbatasan yang ada, metode ini tidak begitu diminati. Meskipun asumsi normalitas

dilanggar, belum ada suatu kesepakatan bahwa metode WLS lebih baik digunakan daripada

Maximum Likelihood atau Generalized Least Square.

3.8.3.4 Uji Kecocokan

Tahapan ini ditujukan untuk mngevaluasi derajat kecocokan atau Godness Of Fit

(GOF) antara data dan model. Menurut Hair et.al. (1995) evaluasi terhadap GOF model

dilakukan melalui beberapa tingkatan, yaitu: (LISREL, p67)

• Kecocokan keseluruhan model (overall model fit)

• Kecocokan model pengukuran (measurement model fit)

• Kecocokan model struktual (structural model fit).

3.8.3.5 Penilaian Model 3.8.3.5.1 Kecocokan Keseluruhan Model

Penilaian derajat kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan

secara langsung sebagaimana pada teknik multivariat yang lain. SEM tidak mempunyai uji

statistik terbaik yang dapat menjelaskan kekuatan prediksi model. Untuk itu telah

dikembangkan beberapa ukuran derajat kecocokan yang dapat digunakan secara saling

mendukung. Hair et al. (1998 : 660, Wijanto, 2003: 17-20) mengelopokkan ukuran-ukuran

GOF yang ada kedalam 3 bagian yaitu :

• Absolute fit measures (ukuran kecocokan absolut)

49

- Menentukan derajat prediksi model keseluruhan (model struktural dan pengukuran)

terhadap matrik korelasi dan kovarian.

• Incremental Fit Measures (ukuran kecocokan inkremental)

- Membandingkan model yang diusulkan dengan model dasar yang sering disebut

sebagai null model atau independence model.

• Parsiminous Fit Measures (ukuran kecocokan parsimoni)

- Mengaitkan model dengan jumlah koefisien yang diestimasi yakni yang diperlukan

untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan prinsip parsimoni

atau kehematan berarti memperoleh degree of fit setingg-setingginya untuk setiap

degree of freedom.

Tabel 3.5: Absolute fit measures

UKURAN KECOCOKAN ABSOLUT

UKURAN DERAJAT

KECOCOKAN

TINGKAT KECOCOKAN YANG BISA DITERIMA

Statistic Chisquare (X2) Mengikuti uji statistik yang berkaitan dengan

persyaratan signifikan. Semakin kecil semakin baik.

Diinginkan nilai chi square yang kecil agar H0 : Σ = Σ

(θ), tidak ditolak.

Non-Centrality Parameter (NCP) Dinyatakan dalam bentuk spesifikasi ulang dari Chi-

square. Penilaian didasarkan atas perbandingan dengan

model lain. Semakin kecil semakin baik.

Scaled NCP (SNCP) NCP (non centrality parameter) yang dinyatakan dalam

bentuk rata-rata perbedaan setiap observasi dalam

rangka perbandingan antar model. Semakin kecil

semakin baik.

Goodness of Fit Index (GFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. GFI > 0.90 adalah good fit, sedang 0.80 <

GFI < 0.90 adalah marginal fit

50

Root Mean Square Residual

(RMSR)

Residual rata-rata antara matrix (korelasi atau kovarian)

teramati dan hasil estimasi, RMSR < 0.05 adalah good

fit

Root Mean Square Error of

Approximation (RMSEA)

Rata-rata perbedaan per degree of freedom yang

diharapkan terjadi dalam populasi dan bukan dalam

sampel. RSMEA < 0.05 adalah close-fit.

Expected Cross Validation Index

(ECVI)

GOF yang diharapkan pada sampel yang lain dengan

ukuran sama. Penilaian didasarkan atas perbandingan

antar model. Semakin kecil semakin baik.

Tabel 3.6: Incremental Fit Measures

UKURAN KECOCOKAN INKREMENTAL

UKURAN DERAJAT

KECOCOKAN

TINGKAT KECOCOKAN YANG BISA DITERIMA

Tucker-Lewis Index atau Non

Normed Fit Index

Nilai berkisar antara 0-1, dengan niali lebih tinggi adalah

lebih baik. TLI > 0.90 adalah marginal fit.

Normed Fit Index (NFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik NFI > adalah good-fit, sedang 0.80 < NFI <

0.90 adalah marginal fit

Adjusted Goodness of Fit Index

(AGFI)

Nilai berkisar antara 0-1, dengan niali lebih tinggi adalah

lebih baik AGFI > 0.90 adalah good fit, sedang 0.80 <

AGFI < 0.90 adalah imarginal fit

Incremental Fit Index (IFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. IFI > 0.90 adalah good fit, sedang 0.80 < IFI

< 0.90 adalah marginal fit.

Comparative Fit Index Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik CFI > 0.90 adalah good fit, sedang 0.80 <

CFI < 0.90 adalah marginal fit

51

Tabel 3.7: Parsiminous Fit Measures

UKURAN KECOCOKAN ABSOLUT

UKURAN DERAJAT

KECOCOKAN

TINGKAT KECOCOKAN YANG BISA DITERIMA

Parsimonious Goodness of Fit

(PGFI)

Spesifikasi ulang dari GFI, dimana nilai lebih tinggi

menunjukkan parsimoni yang lebih besar. Ukuran ini

digunakan untuk perbandingan diantara model-model.

Normed Chi-Square Rasio antara Chi- square dibagi degree of freedom.

Nilai yang disarankan : batas bawah = 1.0, batas atas

= 2.0 atau 3.0 dan lebih longgar 5.0

Parsimonoious Normed Fit Index

(PNFI)

Nilai tinggi menunjukkan kecocokan lebih baik, hanya

digunakan untuk perbandingan antar model alternatif.

Akaike Information Criterion

(AIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih

baik, digunakan untuk perbandingan antar model.

Consistent Akaike Information

Criterion (CAIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih

baik, digunakan untuk perbandingan antar model.

Critical N (CN) Estimasi ukuransampel yang mencakupi untuk

menghasilkan suatu adequate model fit untuk Chi-

square test. CN > 200 mengindikasikan bahwa

sebuah model cukup mewakili sampel data.

3.8.3.5.2 Kecocokan Model Pengukuran

Evaluasi ini dilakukan terhadap setiap construct secara terpisah melalui terhadap

validitas construct dan evaluasi terhadap reabilitas construct. (LISREL, p710)

A. VALIDITAS

Validitas berhubungan dengan apakah suatu vaiabel mengukur apa yang seharusnya

diukur. Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian

terhadap isi atau arti sebenarnya yang diukur. Uji validitas adalah uji yang digunakan dalam

suatu penelitian mengukur apa yang ingin diukur. Dengan uji ini dilakukan pemeriksaan

52

apakah item-item yang dieksplorasi mendukung item total atau tidak. Suatu instrumen

penelitian dianggap valid jika informasi yang ada pada tiap item berkorelasi erat dengan

informasi dari item-item tersebut sebagai suatu kesatuan.

Validitas dapat dibedakan menjadi: content validity, criterion validity, construct

validity, dan convergent and discriminant validity. Bollen (1989) mengusulkan definisi

alternatif dari validitas sebuah variabel teramati adalah muatan faktor (factor loadings) dari

variabel tersebut terhadap variabel latennya. Rigdon dan Ferguson (1991), Doil, Xia,

Torkzadeh (1994), menyatakan bahwa suatu variabel dikatakan mempunyai validitas yang

baik terhadap konstruk atau variabel lainnya, jika:

• Nilai t muatan faktornya (factor loadings) lebih besar dari nilai kritis (> 1.96 atau

praktisnya >=2)

• Muatan faktor standarnya (standarized factor loading) lebih besar atau sama dengan

0.70.

• Iqbaria, et.al. (1997) yang menggunakan guideliness dari Hair et.al. (1995) tentang

relative importance and significant of the factor loading of each items : loading > 0.50

adalah sangat signifikan.

B. REALIBILITAS

Realibilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan

dalam penelitian untuk memperoleh informasi yang diinginkan dapat dipercaya (terandal)

sebagai alat pengumpul data serta mampu mengungkap informasi yang sebenarnya di

lapangan. Instrumen yang realibel adalah instrumen yang bilamana dicobakan secara

berulang-ulang kepada kelompok yang sama akan menghasilkan data yang sama dengan

asumsi tidak terdapat perubahan psikologis pada responden. Instrumen yang baik tidak

bersikap tendensius mengarahkan responden untuk memilih jawaban tertentu sebagaimana

53

dikehendaki oleh peneliti. Intrumen yang realibel akan menghasilkan data yang sesuai

dengan kenyataannya, dalam artian berapa kalipun penelitian diulang dengan instrumen

tersebut akan tetap diperoleh ”kesimpulan” yang sama (walaupun perolehan angka

nominalnya tidak harus sama).

• Secara prinsip realibilitas mencerminkan konsistensi suatu pengukuran. Realibilitas yang

tinggi menunjukkan bahwa indikator-indikator (variabel-variabel teramati) mempunyai

konsistensi tinggi dalam mengukur variabel latentnya.

• Tehnik yang paling banyak digunakan untuk mengukur realibilitas adalah Croncbach’s

Alpha. Meskipun demikian, Croncbach’s Alpha akan memberikan estimasi terlalu rendah

jika digunakan untuk mengestimasikan realibilitas congeneric measure (Bollen, 1989).

Menurut Hair et.al (1995) pengukuran realibilitas untuk SEM dapat dilakukan dengan

menggunakan Composite/ Construct Realibility Measure (Ukuran Ekstrak Varian). Ekstrak

varian mencerminkan jumlah varian keseluruhan dalam indikator yang dijelaskan oleh

construct latent. Realibilitas construct dikatakan baik, jika nilai construct reability-nya >

0.70 dan nilai variance extracted-nya > 0.50.

ANALISIS FAKTOR

Berikut dijelaskan mengenai analisis faktor diambil dari buku karangan Achmad

Bachrudin, Harapan L. Tobing (Analisis Data Untuk Penelitian Survai dengan

menggunakan LISREL 8, 2003, hal. 43)

Analisis faktor dapat digunakan untuk mengetahui pola-pola yang tersembunyi atau

hubungan dari sejumlah besar variabel dan menentukan apakah informasi tersebut dapat

”dipadatkan” ke dalam sejumlah kecil faktor atau komponen dengan syarat bahwa informasi

tersebut hilang sekecil mungkin.

54

Analisis faktor sudah menjadi nama generik yang diberikan ke dalam kelompok

teknik statistik multivariat yang tujuan utamanya adalah meredusir data. Penerapan analisis

faktor sering digunakan sebagai awal untuk pengolahan analisis berikutnya, misalnya analisis

regresi, analisis kelompok (cluster), analisis lainnya, dan sering juga digunakan untuk

menghitung construct validity dalam mengevaluasi item-item kuesioner.

Dalam analisis factor, peneliti secara subjektif memutuskan suatu variabel

masuk ke dalam suatu faktor dengan menilai dari nilai loading-nya. Berikut ini akan

dikemukakan dua saran dalam mengevaluasi atau mengintepretasikan nilai suatu loading,

yaitu: (Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, 2003, hal. 47)

1) Saran pertama tidak didasarkan pada proporsi matematis, ini hanya petunjuk praktis

(rule of thumb) yang kerapkali dipakai dalam analisis faktor. Aturannya, nilai loading

lebih dari +0.30 dinyatakan sebagai bermakna atau berarti (signifikan); nilai loading

lebih dari +0.40 dinyatakan lebih bermakna; dan jika nilai loading lebih dari +0.50

dikatakan sangat bermakna. Petunjuk ini disarankan untuk ukuran sampel lebih dari 50.

2) Seperti sudah dikatakan bahwa loading menunjukkan ukuran korelasi antara variable dan

faktornya. Oleh karena itu, signifikansi loading bisa digunakan signifikansi korelasi

sederhana biasa. Dengan taraf arti 5% dan 1% masing-masing nilai loading paling

sedikit +0.19 dan + 0.26 jika ukuran sampel paling sedikit 100. Jika ukuran sampel

paling sedikit +0.14 dan +0.18; akhirnya, ukuran sampel paling sedikit 300, nilai loading

nya +0.11 dan +0.15.

3.8.3.5.3 Kecocokan Model Struktrural

Uji kecocokan ini dilakukan terhadap koefisien-koefisien persamaan struktural

dengan menspesifikasikan tingkat significan tertentu. Dalam hal signifikansi adalah 0.05,

55

maka nilai t dari persamaan struktural harus > 1.96. selain itu juga perlu dilakukan evaluasi

terhadap solusi standar dimana semua koefisien mempunyai varian yang sama dan nilai

maximumnya adalah 1. Sebagai ukuran menyeluruh terhadap persamaan struktual, overall

coeficient of determination (R2) dievaluasi seperti pada regresi berganda.

3.8.3.5.4 Respesifikasi

Berdasarkan buku LISREL, p72-p73. Tahapan ini ditujukan untuk melakukan

spesifikasi ulang terhadap model untuk memperoleh derajat kecocokan yang lebih baik.

Respesifikasi ini sangat tergantung kepada strategi pemodelan yang dipilih. Dalam SEM

tersedia 3 strategi pemodelan yang dapat dipilih (Joreskog dan Sorbom 1993, Hair et. Al.

1995), yaitu:

Strictly Confirmatory atau Confirmatory Modeling Strategy. Untuk ituterlebih dahulu

dispesifikasikan suatu model tunggal, lalu dilakukan pengumpulan data empiris.

Pengujian dilakukan untuk menghasilkan penerimaan atau penolakan terhadap model

tersebut sebagaimana criteria dari hipotesis nol. Model dinyatakan bagus bila mampu

mempresentasikan data empiris. Dalam strategi ini tidak ada respesifikasi model.

Alternative (Competing) Models atau Competing Model Strategy. Tahapan yang

dilakukan sama dengan pada Strictly Confirmatory, hanya saja beberapa model

alternative dispesifikasikan dan dipilih salah satu model yang paling sesuai.

Respesifikasi hanya diperlukan jika model-model alternative dikembangkan dari

beberapa model yang ada.

Model Generating atau Model Development Strategy. Tahapan yang dilakukan dimulai

dari spesifikasi suatu model awal, dilanjutkan dengan pengumpulan data empiris.

Selanjutnya dilakukan analisis dan pengujian apakah data cocok dengan model. Jika

56

tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji kembali dengan data

yang sama. Respesifikasi model diperlukan jika modelnya tidak memiliki kemampuan

yang diharapkan. Proses respesifikasi dapat dilakukan berulang-ulang sapai didapati

tingkat kecocokan terbaik. Proses dapat dilakukan berdasarkan theory driven atau data

driven, meskipun respesifikasi berdasar theory driven lebih dianjurkan.

Dari ketiga strategy yang dapat dipilih, model generating merupakan strategy yang paling

banyak diterapkan.

3.8.3.6 Modifikasi Model

Salah satu tujuan utama dari modifikasi model ini adalah untuk menghasilkan model

fit yang lebih baik, atau dalam bahasa statistik, nilai selisih antara kovarians matriks yang

diperoleh dari sampel dan kovarians matriks yang dinilai dari model yang lebih kecil. Namun,

sebagaimana telah dinyatakan berkali-kali sebelumnya, apapun modifikasi yang dilakukan

harus sesuai dan dapat dipertanggungjawabkan sesuai dengan teori.

Modifikasi model biasanya dilakukan pada dua keadaan berikut :

1. Meningkatkan model fit pada model penelitian yang telah memiliki fit yang bagus.

Meskipun banyak para peneliti yang tidak melakukan hal tersebut, namun masih banyak

peluang untuk meningkatkan model fit. Masalahnya adalah modifikasi pada model yang

telah menunjukan fit yang baik belum tentu akan memberikan hasil penelitian yang sama

apabia digunakan pada sampel yang berbeda. Sehingga, opsi ini seharusnya dihindari.

2. Modifikasi model yang dilakukan untuk meningkatkan model fit yang sebelumnya sangat

buruk, terdapat beberapa alasan kenapa suatu model memiliki fit yang buruk,

diantaranya adalah dilanggarnya asumsi normalitas, non linearitas, adanya missing data

(data yang tidak lengkap), atau adanya spesification error. Specification Error timbul

karena dihapusnya variabel eksogen yang relevan atau dihapusnya hubungan-hubungan

57

yang penting antara variabel-variabel pada suatu model, atau adanya hubungan-

hubungan yang tidak relevan, dan indikator yang tidak valid dan memiliki kredibilitas

yang kurang. Modifikasi mode sendiri hanya berlaku untuk internal specification errors,

yaitu dihilangkannya (atau dimasukannya) parameter-parameter yang penting (tidak

relevan) pada variabel-variabel dalam suatu model, sedangkan untuk external

specification errors, yaitu dihapusnya variabel, tidak akan dibahas oleh prosedur-

prosedur yang dibahas pada bab ini. (Diamantopoulus dan Siguaw, 2000).

a. Deteksi Spesifikasi Error

Tujuan dari deteksi spesifikasi error ini adalah untuk menemukan model yang secara

benar menggambarkan hubungan-hubungan antara variabel manifest (indikator) dan

variabel laten dalam suatu populasi. Beberapa hal yang harus diperhatikan berdasarkan

definisi di atas adalah :

1. Sifat dari analisis harus merupakan exploratory dan tidak merupakan confirmatory.

Exporatory yang dimaksud dalam hal ini adalah model baru yang telah diperoleh

berdasarkan modifikasi model haruslah tentatif (sementara), dan dapat dipertanggung

jawabkan atau diverifikasi dengan menguji ulang model tersebut pada sampel yang

berbeda. Umumnya, modifikasi model pada penelitian-penelitian di Indonesia bersifat

confirmatory dan cenderung “asal model fit” tanpa menghiraukan pertanyaan mendasar

dari modifikasi model, yaitu “bedasarkan teori, bagaimana caranya agar model bisa lebih

baik?”. Oleh karena itu, hal filosofi “asal model fit” tersebut sebaiknya dihindari.

2. Modifikasi model biasanya akan menghasilkan model baru yang berbeda dari model

sebelumnya. Terdapat beberapa kasus, bahwa modifikasi model yang baru menyebabkan

model fit tersebut tidak dapat diidentifikasi (degrees of freedom kurang dari 0).

58

Sekarang pertanyaan yang paling relevan dalam hal modifikasi model adalah,

modifikasi apa saja yang mungkin dapat dilakukan? Seperti telah dinyatakan sebelumnya,

bahwa spesifikasi formal pada model LISREL direfleksikan pada bentuk parameter yang tetap

(fixed parameter) dan parameter bebas (Free Parameter). Sehingga setiap perubahan dalam

hal tersebut (menjadikan parameter bebas yang sebelumnya merupakan parameter tetap

(fixed parameter) dan atau menjadikan parameter tetap yang mana sebelumnya merupakan

parameter bebas (free parameter) akan merubah spesifikasi model asli. Uraian dibawah ini

meringkas modifikasi-modifikasi yang mungkin dapat dilakukan pada model LISREL.

a. Merubah loading (ë) yang menghubungkan indikator dengan variabel laten dari fixed

menjadi free atau sebaliknya (sehingga akan merubah bentuk matriks LAMBDA-X

dan/atau LAMBDA-Y).

b. Tidak mengkorelasikan (atau melakukan korelasi) diantara measurement error (error dari

indikator), sehingga akan merubah matrix THETA-DELTA, THETA-EPSILON atau THETA-

DELTA EPSILON.

Sedangkan modifikasi pada model struktual dapat dilakukan dengan :

a. Merubah koefisien path yang menghubungkan variabel laten eksogen kepada variabel

laten endogen (ã) ataupun antara variabel endogen (ã) dengan menjadikan parameter

yang sebelumnya free dijadikan fixed, dan sebaliknya.

b. Mengkorelasi atau mengkonstrain korelasi pada measurement error (æ), sehingga akan

merubah matriks PSI.

Demikian juga dengan modifikasi yang dilakukan dengan meningkatkan atau

menurunkan konstrain. ”Mempermainkan” jumlah konstrain tersebut akan berpengaruh besar

terhadap spesifikasi model dan fit. Dengan meningkatkan jumlah konstrain, yang umumnya

berarti bahwa paremeter yang sebelumnya merupakan parameter bebas (parameter yang

diestimasi) sekarang di fixed-kan (tidak diestimasi). Sehingga, parameter yang akan

59

diestimasi menjadi lebih sedikit dan akan meningkatkan jumlah derajat kebebasan (degrees

of freedom). Nilai chi-square juga akan selalu meningkat jika suatu parameter dihapus tetapi

kenaikan nilai chi-square tersebut kecil, tetapi degrees of freedom meningkatkan, sehingga

kemungkinan fit akan semakin kecil. Sebaliknya, dengan mengurangi jumlah konstrait

dengan meningkatkan parameter (meskipun yang tidak relevan) akan selalu menghasilkan

penurunan chi-square dan menghasilkan model fit yang lebih baik.

b. Mendiagnosa

Dengan berfokus pada modifikasi yang bertujuan untuk meningkatkan model fit,

informasi dianosa yang relevan dapat diperoleh dengan menguji residual statistik (dapat

dilihat pada output Completely Standarlized Solutions) dan modification indices yang

merupakan bagian dari output program. Baik output format SIMPLIS atapun LISREL,

modification indices sama-sama dapat ditampilkan.

Begitu pula dengan steam-leaf plots, jika model adalah fit, maka steam-leaf plots

akan memiliki residual yang akan mengelompok secara simetris sekitar nilai nol, dimana nilai

residual paling banyak terdapat pada tengah distribusi dan akan semakin sedikit pada bagian

bawah dan atas. Kelebihan residual pada salah satu bagian steam leaf plots tersebut (bagian

bawah atau atas) berarti bahwa kovarians secara sistematis dinilai rendah (underestimated)

ataupun dinilai tinggi (overestimated) oleh suatu model. Perhatikan bahwa residual positif

mengindikasikan bahwa model merendahkan (underestimate) kovarians antara variable

manifest pada data empiris. Sehingga untuk mengatasi adanya underestimate tersebut,

model seharusnya dimodifikasi dengan menambah jumlah path (dengan membebaskan

parameter). Sebaliknya, residual negatif berarti bahwa model menilai lebih (overestimates)

konvarians matriks pada data empiris yang dimiliki.Sehingga, modifikasi pada keadaan

tersebut seharusnya dilakukan dengan dihilangkan path (misalnya, dengan menghilangkan

(fix) parameter) yang berhubungan dengan kovarians tersebut.

60

1. Modifikasi indeks seharusnya dilakukan bersama-sama dengan menggunakan nilai-nilai

expected parameter change (perubahan parameter yang diharapkan /EPC), yang

merupakan perubahan diharapkan pada estimasi parameter yang baru . Tabel berikut

menunjukkan empat skenario berdasarkan yang diharapkan (New Estimate). Masing-

masing skenario tersebut memiliki dampak yang sangat berbeda terhadap modifikasi

model.

Tabel 3.8 Skenario New Estimate

Perubahan Estimasi arameter yang diharapkan

Besar Kecil Besar Skenario 1 Skenario 1 Modification

Index Kecil Skenario 1 Skenario 1

Pada skenario pertama, modification indeks yang besar juga diikuti dengan

perubahan parameter yang besar pula sehingga seharusnya melakukan Estimasi baru

terhadap parameter tersebut. Pada skenario ke2, modifikasi indeks yang besar diikuti dengan

nilai estimasi baru yang kecil. Dalam hal ini, meskipun kita akan menghasilkan penurunan

chi-square yang signifikan, namun perubahan yang kecil pada parameter mungkin akan

menghasilkan hal tersebut tidak terlalu signifikan.

Sedangkan pada skenario ke 3 modification indeks yang kecil pada suatu parameter

akan menghasilkan estimasi parameter baru yang besar. Apa yang seharusnya dilakukan

dalam hal ini tidak begitu jelas, karena besarnya estimasi baru tersebut bisa jadi dikarenakan

variabilitas sampling dan kurang sensitifnya uji chi-square pada parameter tersebut. Namun,

disarankan modifikasi pada skenario ketiga ini tidak dilakukan.

Skenario ke 4, modifikasi indeks suatu parameter yang kecil juga memiliki estimasi

parameter baru yang kecil pula. Sehingga, hal ini tidak akan memberikan manfaat apapun

dalam hal model fit.

61

3.8.3 Jenis-Jenis Model Persamaan Struktural Terdapat beberapa jenis umum model-model persamaan struktural (Raykov &

Marcoulides, Analisa Data Untuk Penelitian Survay, p5, 2000):

1. Model-model analisis jalur (path analysis models). Dalam model-model analisis jalur

biasanya analisis hanya melibatkan variabel-variabel indikator tanpa melakukan analisis

terhadap konstruk atau konsep yang ingin diukur. Model seperti ini untuk pertama kali

diperkenalkan oleh Sewell Wright (1921). Umumnya, teknik analisisnya digunakan

analisis regresi multipel dimana salah satu asumsinya adalah tidak ada kekeliruan

pengukuran (measurement error) dalam variabel bebas. Dalam analisis jalur tersebut

tidak mempertimbangkan kekeliruan pengukuran. Misalnya, diagram jalurnya dapat

dilihat pada Gambar 1.1. (Gambar 2.2).

Gambar 3.1. Contoh Diagram Path Analysis. Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, 2003, hal. 6.

2. Model-model analisis farkor konfirmatif (confirmatory factor analysis models). Umumnya,

dalam analisis ini bertujuan untuk mengevaluasi pola-pola antar hubungan antara

beberapa konstruk. Setiap konstruk dibangun oleh indikator-indikator. Model analisis

faktor konfirmatori biasanya tidak diasumsikan arah hubungan antara konstruk, tetapi

hanya adanya hubungan korelatif antara konstruk. Contoh kasus model ini dinyatakan

pada Gambar 1.2. (Gambar 2.3).

Jam Kerja

Pendidikan

Pendapatan Lamanya nonton TV

62

Gambar 3.2. Contoh Diagram Jalur Analisis Faktor Konfirmatori Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, 2003, hal. 7.

3. Model-model persamaan struktural (Structural equation models), dalam model-model

seperti ini diasumsikan secara spesifik arah hubungan antara konstruk. Model-model ini

dapat digunakan untuk menguji apakah teori-teori yang diusulkan (proposed theories)

sesuai dengan model-model empirisnya. Gambar 1.3. (Gambar 2.4.) merupakan contoh

diagram jalur bagi model ini.

x1

x2

x3

x4

x5

x6

ASC

SSC

63

Gambar 3.3. Contoh Diagram Jalur Model Persamaan Struktural Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, 2003, hal. 7.

Model ini disebut juga Model Hybrid (Full SEM model) di buku LISREL (Tumpal

JR. Sitinjak, Sugiarto, 2006, p60). Model hybrid merupakan gabungan model

struktural dan model pengukuran. Dalam model hybrid, selain digambarkan hubungan-

hubungan yang ada diantara variabel latent, juga digambarkan hubungan variabel latent

dengan variabel-variabel teramati yang terkait. Berikut contoh model hybrid yang

sederhana.

X1 X2 X3 X4 Y3 Y4

IC

CPP

ESR

CNP

Y5

Y6

Y7

Y1 Y2

E2

E3E1

64

Gambar 3.4. Contoh Sederhana Diagram Model Hybrid Sumber: Tumpal JR Sitinjak, Sugiarto, Lisrel, 2006, hal. 61.

4. Model-model perubahan laten (latent change models). Yang dimaksud dengan model-

model perubahan laten adalah memungkinkan untuk melakukan studi pola perubahan

karena waktu. Model-model ini terutama berfokus untuk memantau pola perubahan,

seperti pola pertumbuhan (growth), penurunan (decline). Model seperti ini termasuk

longitudinal. Contoh diagram jalur untuk model ini dapat dilihat pada Gambar 1.4.

(Gambar 2.5.).

HRA1

HRA2

HRA3

HRA4

HRA5

hr pkp

PKPA1

PKPA2

PKPA3

PKPA4

PKPA5

65

Gambar 3.5. Contoh Diagram Jalur Model Perubahan Laten

Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, 2003, hal. 8.

3.8.4 Keterkaitan Antar Variabel

Konsep dasar yang melandasi keterkaitan antar variabel, yaitu konsep tentang

”obyek penelitian”, ”variabel” dan ”hubungan”.

3.8.4.1 Obyek Penelitian

Obyek penelitian atau sering juga disebut sebagai unit pengamatan, adalah sesuatu

yang akan menghasilkan karateristik-karateristik atau sifat-sifat yang akan menjadi perhatian

peneliti (Achmad Bachrudin, Harapan L. Tobing, LISREL, p12, 2003). Dalam penelitian

ini, yang menjadi obyek penelitian adalah pelanggan bengkel AUTO 2000 cabang Radio

Dalam.

3.8.4.2 Variabel Karateristik adalah ciri yang dipunyai oleh unit pengamatan yang akan menjadi

perhatian seseorang. Bila suatu karakteristik tidak berbeda diantara unit-unit pengamatan,

F1 F2

T1 T2

1

1 0

1

E1 E2

66

maka karakteristik tersebut dinamakan konstanta. Dengan demikian unit-unit yang berbeda

akan menghasilkan nilai atau skor yang sama. Bila dilain sisi unit-unit tersebut akan

memberikan nilai yang berlainan untuk suatu karakteristik tertentu, maka karakteristik

tersebut dinamakan variable (Achmad Bachrudin, Harapan L. Tobing, Analisis Data

Untuk Penelitian Survai dengan menggunakan LISREL 8, p13-14, 2003).

Tipe-tipe variabel :

a) Variabel Kuantiatif : Data berupa angka.

- Variabel Rasio : Berat benda (kg), tinggi (cm), kepadatan penduduk

- Variabel Interval : Variable suhu.

b) Variabel Kualitatif : Data berupa kategori.

- Variabel Ordinal : Variabel sikap (sangat setuju, setuju, kurang setuju, dst.)

- Variabel Nominal : Variabel kepangkatan (gol IVa, IIId, IIIc, dst.)

Dalam penelitian ini variabel yang digunakan adalah variabel kualitatif yang merupakan

variabel data berupa kategori, dengan tipe pertama yaitu variabel ordinal.

3.8.4.3. Hubungan

Dari suatu pengamatan sering muncul suatu keadaan atau fenomena yang

cenderung maju atau bergerak beriringan dengan kejadian atau fenomena lainnya. Suatu

teori dikatakan haruslah merupakan (sekumpulan) pernyataan yang mengaitkan atau

menghubungkan variabel. Oleh karena itu, hubungan antar variabel perlu kita formulasian.

Terdapat beberapa bentuk hubungan antar variabel (Achmad Bachrudin, Harapan L.

Tobing, Analisis Data Untuk Penelitian Survai dengan menggunakan LISREL 8, p15-18,

2003).

(a) Korelasi dan Kausasi. Dua bentuk hubungan ini sering disalahartikan, bahkan

dicampuradukkan. Suatu bentuk hubungan yang sebenarnya korelasi disebut sebagai kausasi

67

(kausalitas) dan sebaliknya. Pada dasarnya, suatu fenomena bentuk hubungan disebut

bentuk hubungan korelasi bila perubahan dari nilai-nilai atau skor suatu variabel beriringan

searah atau bertolak belakang dengan perubahan nilai-nilai atau skor variabel lainnya.

Intinya tidak semua hubungan korelasi adalah hubungan kasualitas atau sebab-akibat.

Hubungan korelasi tidak mengangkat variabel sebab-akibat, dependent-independent, akan

tetapi hanya melihat ada atau tidaknya hubungan searah atau tidak searah.

(b) Spurious. Dalam hubungan kausalitas ataupun korelasi, terlibat dua variabel, berbeda

halnya dengan hubungan spurious. Dalam hubungan spurious dilibatkan paling sedikit tiga

variabel. Dalam hubungan spirious, terjadi hubungan korelasi atau kasualitas antar variabel

disebabkan oleh kehadiran variabel lainnya.

(c) Hubungan langsung dan tidak langsung. Diatas diuraikan tentang hubungan

kausalitas asimetris, yang menyatakan pengaruh dari suatu variabel terhadap variabel

lainnya. Hubungan seperti ini adalah hubungan langsung, artinya sebuah variabel secara

langsung menjadi sebab terjadinya variabel lain. Ada suatu keadaan dimana sebuah variabel

sebab akan mempengaruhi variabel lain melalui mediasi variabel ketiga, yang disebut

variabel intervening (perantara/ penyela). Hubungan kasualitas seperti ini dinamakan

hubungan kasualitas tak langsung.

(d) Hubungan Bersyarat. Diatas sudah diuraikan tentang variabel sebab dan akibat.

Selain kedua jenis variabel tersebut, terdapat pula jenis variabel lain yang disebut variabel

bersyarat (conditional variable). Variabel bersyarat adalah variabel yang menentukan derajat

hubungan sebab akibat. Suatu akibat dari sebuah variabel bisa hilang ketika variabel

bersyarat dipertimbangkan.

Hubungan antar variabel yang diangkat dalam penelitian ini adalah hubungan variabel

KAUSASI atau hubungan KAUSALITAS.

68

Konsep Dasar Teori Kausalitas

Pada buku LISREL, p.22, dinyatakan pernyataan bersifat kausalitas mempunyai 2

komponen, yaitu sebab (cause) dan Akibat (effect). Secara umum, suatu pernyataan

dikatakan bersifat kausalitas (Kenny, 1979; & Greene, 1993) jika memenuhi ketiga

persyaratan berikut ini:

1. Time Precedence.

2. Relationship.

3. Nonspuriousness.

Maksud dari persyaratan yang pertama adalah jika variable x mempengaruhi y, maka waktu

“kejadian” variabel x harus lebih dulu dari variabel y atau dapat dinyatakan x, mempengaruhi

yt+k, t adalah waktu dan k > 0. Dengan demikian suatu hubungan bersifat kausalitas adalah

asimetris, ukuran-ukuran statistic seperti korelasi merupakan hubungan simetris sehingga

tidak layak untuk menjelaskan hubungan kausalitas, sedangkan analisis regresi merupakan

hubungan asimetris.

Persyaratan yang kedua menyatakan bahwa hubungan bersifat kausalitas ditandai

dengan adanya hubungan fungsionalitas antara sebab dan akibat. Misalnya, hubungan antar

kuat arus listrik dengan luas penampang penghantar merupakan hubungan kausalitas.

Sedangkan, persyaratan ketiga menyatakan bahwa hubungan bersifat kausalitas

bukan merupakan hubungan spurious. Maksudnya adalah jika variabel ketiga mempengaruhi

variabel eksogen dan endogen, maka hubungan kedua variabel tersebut sebenarnya tidak

ada.

3.8.5 Sampel Model Persamaan Struktural

Salah satu kelemahan penggunaan model persamaan struktural umumnya akan

sesuai untuk ukuran sampel sangat besar. Kebutuhan teoritis metode penaksiran

69

kemungkinan maksimum dan uji kesesuaian (fit) model didasarkan kepada asumsi sampel

besar. Secara umum, ukuran sampel untuk model persamaan struktural paling sedikit 200

pengamatan (Kelloway, 1998; Marsh et.al.). Bentler dan Chou (1987, dalam Kelloway, 1998)

menyarankan bahwa rasio antara ukuran sampel dan parameter yang ditaksir adalah 5:1 dan

10:1. Joreskog dan Sorbom (1988, hal.32) menyatakan bahwa hubungan antara banyaknya

variabel dan ukuran sampel minimal dalam model persamaan struktural adalah:

Tabel 3.9: Ukuran Sampel Minimal dengan Banyaknya Variabel

Banyaknya

Variabel

Ukuran

Sampel

Minimal

3

5

10

15

20

25

30

200

200

200

360

630

975

1395

Sumber : Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai

dengan menggunakan LISREL 8, 2003, hal. 68

3.8.6 Alat Analisis

Metode penelitian data yang digunakan untuk melakukan penelitian ini adalah

Deskriptif Survey, dengan teknik pengolahan model Hybrid (Full SEM Model). Data yang

diperoleh akan diolah dengan menggunakan Software LISREL (Linier Structural Relationship)

versi 8.54 sebagai tool dari pengolahannya..

70

Tabel 4.0 Metode Analisis

Metode Analisis Tujuan

Penelitian Metode Penelitian Alat Analisis

T-1 Deskriptif Survey Hybrid (Full Structural Equation Models)

T-2 Deskriptif Survey Hybrid (Full Structural Equation Models)

T-3 Deskriptif Survey Hybrid (Full Structural Equation Models)

T-4 Deskriptif Survey Hybrid (Full Structural Equation Models)

T-5 Deskriptif Survey Hybrid (Full Structural Equation Models)

Keterangan :

T-1 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pengambilan

keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam.

T-2 : Untuk dapat mengetahui pengaruh lingkungan sosio-budaya terhadap pengambilan

keputusan pelanggan bengkel Auto 2000 Cabang Radio Dalam.

T-3 : Untuk dapat mengetahui pengaruh bauran pemasaran jasa terhadap pasca

pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

T-4 : Untuk dapat mengetahui pengaruh lingkungan Sosio-Budaya pelanggan terhadap pasca

pengambilan keputusan pelanggan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

T-5 : Untuk dapat mengetahui pengaruh pengambilan keputusan pelanggan dan dampaknya

pasca pengambilan keputusan atas jasa bengkel Auto 2000 Cabang Radio Dalam.

3.9 Rancangan Uji Hipotesis

Dengan kerangka pemikiran ini selanjutnya dapat digunakan untuk menyusun

hipotesis. Hipotesis merupakan jawaban sementara terhadap rumusan masalah. Karena

71

hipotesis jawaban sementara terhadap rumusan masalah penelitian yang diajukan, maka titik

tolak untuk merumuskan hipotesis adalah rumusan masalah.

Rumusan masalah 1 : Sejauh mana bauran pemasaran mempengaruhi pengambilan

keputusan pelanggan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam.

Rumusan masalah 2 : Sejauh mana lingkungan sosial pelanggan mempengaruhi

pengambilan keputusan pelanggan dalam menggunakan jasa bengkel Auto 2000 Cabang

Radio Dalam.

Rumusan masalah 3 : Sejauh mana bauran pemasaran mempengaruhi pelanggan pasca

pengambilan keputusan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio Dalam.

Rumusan masalah 4 : Sejauh mana lingkungan sosio-budaya mempengaruhi pelanggan

pasca pengambilan keputusan dalam menggunakan jasa bengkel Auto 2000 Cabang Radio

Dalam.

Rumusan masalah 5 : Seberapa besar pengambilan keputusan mempengaruhi pelanggan

pasca keputusan terhadap jasa bengkel Auto 2000 Cabang Radio Dalam.

Rumusan masalah diatas merupakan pengaplikasian dari metode SEM dengan tools

statistiknya LISREL dan dapat diambil asumsi hipotesis untuk rumusan masalah tersebut

yaitu:

H0 : Tidak terdapat pengaruh yang signifikans dari PK terhadap PA

H1 : Terdapat pengaruh yang signifikans dari PK terhadap PA

Dengan keterangan :

H0 : Hipotesis kerja

H1 : Hipotesis alternatif

Dengan taraf kepercayaan 95% dan taraf kesalahan 5% berdasarkan metode SEM yang akan

diterapkan dalam tools statistik LISREL.

72

3.10 Rancangan Implikasi Hasil Penelitian

Diharapkan implikasi yang dapat diberikan penelitian untuk perusahaan adalah

bagaimana metode Structural Equation Modeling (Metode Persamaan Struktural) dengan

tool-nya LISREL dapat menganalisa kepuasan pelanggan yang diasumsikan memiliki

hubungan kasualitas atau pengaruh secara positif terhadap loyalitas pelanggan di Auto 2000

Cabang Radio Dalam. Asumsi implikasi lainnya adalah bauran pemasaran jasa dan

lingkungan Sosio-Budaya berpengaruh terhadap perusahaan dimana akan terlihat mana

bagian yang paling berpengaruh dan harus menjadi pertimbangan dalam pencapaian tujuan

perusahaan. Adapun asumsi atas hasil implikasi dimana akan terlihat ciri terkuat dari sikap

loyalnya seorang pelanggan. Hasil implikasi dari bauran pemasaran jasa tadi dapat

memberikan hasil yang memuaskan bagi kedua belah pihak, dimana pihak perusahaan dapat

memenuhi kepuasan dari pelanggan dengan mengacu pada metode yang kuat dan secara

otomatis akan menumbuhkan loyalitas pelanggan sehingga sebagai sebuah perusahaan jasa

apabila kepuasan konsumen tinggi maka secara langsung tingkat penjualan akan memiliki

kemungkinan untuk mengalami peningkatan.