Teknik Pengumpulan Data Teknik Analisis Data

38

3.3. Teknik Pengumpulan Data

Suatu penelitian pada umumnya merupakan suatu usaha untuk membuat fakta-fakta mengembangkan dan menguji kebenarannya dengan cara mengumpulkan dan mencatat, serta menganalisis data yang diperoleh dari perusahaan.

3.3.1. Jenis Data

Jenis data yang akan digunakan dalam penelitian ini adalah : a. Data Primer Data primer yang akan diolah dalam penelitian ini diperoleh dengan menyebarkan kuesioner di lokasi yang telah ditentukan sebelumnya. b. Data Skunder Data sekunder adalah data tentang Cipaganti Travel.

3.3.2 Sumber Data

Sumber data yang dipakai dalam penelitian ini berasal dari konsumen sebagai responden dalam penelitian.

3.3.3 Metode Pengumpulan Data

a. Metode Wawancara Merupakan teknik yang dipakai dalam pengumpulan data dengan mewawancarai langsung kepada responden untuk keterangan yang lebih mendalam mengenai hal-hal yang diperlukan dalam penelitian. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 39 b. Metode Observasi Pengumpulan data yang dilakukan dengan melakukan pengamatan secara langsung pada obyek penelitian. c. Metode Kuesioner Merupakan daftar pertanyaan untuk memperoleh data berupa jawaban dari responden..

3.4. Teknik Analisis Data

Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modeling SEM. Model pengukuran faktor persepsi, pengambilan keputusan dan kepuasan kerja menggunakan Confirmatory Faktor Analysis. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor kualitas inti dilakukan sebagai berikut: Persamaan dimensi faktor kualitas inti: X1.1 = λ 1 kualitas inti +er_1 X1.2 = λ 2 kualitas inti +er_2 X1.3 = λ 3 kualitas inti +er_3 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh faktor orientasi harga akan tampak sebagai berikut: Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 40 Gambar 3.1. Contoh Model Pengukuran Faktor Kualitas Inti Keterangan: X1.1. = Pertanyaan tentang ................. X1.2. = Pertanyaan tentang ................. X1.3. = Pertanyaan tentang ................. Demikian juga faktor yang lain seperti Kualitas Inti X 1 , Kualitas Hubungan X 2 , Resiko Yang Dipersepsikan X 3 , Kepuasan Pelanggan Y, Loyalitas Pelanggan Z 1 dan Komplain Pelanggan Z 2 .

1. Asumsi Model Structural Equation Modeling

a. Uji normalitas sebaran dan linieritas 1 Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. 2 Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sample dengan standar errornya dan Skewness Value yang biasanya disajikan dalam statistic deskriptif dimana nilai statistik untuk menguji normalitas itu disebut sebagai Z-value pada tingkat signifikan 1 jika Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3 Normal Probability Plot SPSS 10.1 Kualitas Inti X1.1 X1.2 X1.3 er_1 er_2 er_3 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 41 4 Linieritas dengan mengamati Scatterplots dari data yaitu dengan memilih pasangan data yang dilihat pola penyebarannya untuk menduga ada tidaknya linieritas. b. Evaluasi atas Outlier 1 Mengamati nilai Z-Score: ketentuannya diantara + 3.0 non outlier. 2 Multivariate outlier diuji dengan criteria jarak Mahalanobis pada tingkat p0.001. Jarak diuji dengan Chi-Square X 2 pada df sebesar jumlah vairabel bebasnya. Ketentuan: bila Mahalanobis dari nilai X 2 adalah multivariate outlier. 3 Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekskrim untuk sebuah variabel tunggal atau variabel kombinasi Hair, 1998. c. Deteksi Multicollinieray dan Singularity Deteksi mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matriks mendekati angka 0 kecil, maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1998. d. Uji Validitas dan Reliabilitas Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indik ato r-indi kato r sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 42 Karena indikator multidimensi, maka uji validitas dari setiap latent variable construck akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable dan latent variable construct reliability dan variance exitracted dihitung dengan rumus berikut : ] ε Loading] e Standardiz [ Loading] e Standardiz [ iability L Construct 1 2 2 ∑ + ∑ ∑ = ] ε Loading] e Standardiz [ ] Loading e Standardiz [ iability L Variance 1 2 2 ∑ + ∑ ∑ = Sementara εj dapat dihitung dengan formula εj =1-Standardize Loading 2 secara umum nilai construct reliability yang dapat diterima adalah ≤ 0.7 dan variance extacted ≥ 0.5. hair et.al.m 1998. Standardize Loading dapat diperoleh dari output AMOS 4.01 dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya.

2. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandart, dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar dari t tabel berarti signifikan.

3. Evaluasi Model

Hair et. Al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesisi-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 43 sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu ”poor fit” jadi, ”good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai kriteria goodness of fit, yaitu chi-square, probability, RMSEA, GFI, TLI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data, maka model dikembangkan dengan pendekatan two step approach to SEM Tabel 3.1. Goodness Of Fit Indices GOODNESS OF FIT INDEX KETERANGAN CUT OF VALUE X 2 – Chi Square Menguji apakah covariance populasi yang diestimasi sama dengan covariance sampel apakah model sesuai dengan data Diharapkan kecil, l s.d. 5 atau paling baik antara 1 dan 2 Probability Uji signifikansi terhadap perbedaan matrik covariance data dan matrik covariance yang diestimasi Minimum 0.1 atau 0.2 atau 0.05 RMSEA Mengkompensasikan kelemahan chi- square pada sampel besar 0.08 GFI Menghitung proporsi tertimbang varians dalam matrik sampel yang dijelaskan oleh matrik covariance populasi yang diestimasi analog dengan R 2 dengan regresi berganda 0 sampai dengan 1 AGFI GFI yang disesuaikan terhadap DF 0.90 CMINDF Kesesuaian antara data dan model 2.00 TLI Perbandingan antara mdoel yang diuji terhadao baseline model 0.95 CFI Uji kelayakan model yang tidak sensitif terhadap besarnya sampel dan kerumitan model. 0.95 Sumber : Hair et.al., 1998. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 44

BAB IV HASIL DAN PEMBAHASAN