BAB 3 METODE PENELITIAN - thesis.binus.ac.idthesis.binus.ac.id/doc/Bab3/2008-2-00432-MN Bab...
Transcript of BAB 3 METODE PENELITIAN - thesis.binus.ac.idthesis.binus.ac.id/doc/Bab3/2008-2-00432-MN Bab...
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.