Hubungan interpersonal X
20
Keterikatan dengan operator X
21
Kebutuhan akan variasi ξ
4
Keinginan mencoba operator lain X
21
Tantangan untuk mencoba operator lain X
22
Senang menggunakan operator lain X
23
Ketidak-khawatiran jika mencoba operator lain X
24
Keinginan mendapat variasi X
25
Persepsi karakteristik produk ξ
5
Tingkat kepentingan dibanding operator lain X
26
Persepsi perbedaan dengan operator lain X
27
Persepsi kesamaan dengan operator lain X
28
Persepsi kebanggaan terhadap operator X
29
Persepsi kesenangan terhadap operator X
30
Loyalitas Pelanggan Kesediaan menggunakan operator Y
1
Ketidaktertarikan dengan operator lain Y
2
. Kesediaan menggunakan produk lain dari operator
yang digunakan Y
3
. Kesediaan memberikan rekomendasi kepada orang
lain Y
4
Kesediaan mengatakan hal positif tentang operator Y
5
Perilaku mencari variasi η
2
Suka mencoba operator lain Y
6
Suka berganti operator lain Y
7
Perpindahan merek η
3
Keinginan berganti operator Z
1
Pemutusan hubungan dengan operator Z
2
3.6.2.1 Tahapan dalam SEM
SEM terdiri atas tujuh tahapan sebagai berikut Firdaus, 2008 : 1. Pengembangan model berdasarkan teori.
Pada prinsipnya tahap ini merupakan pengujian kausalitas secara empiris yang sudah ada dan digunakan untuk mengkonfirmasi model
teoritis tersebut. Tujuannya adalah untuk mengembangkan sebuah model yang mempunyai justifikasi pembenaran secara teoritis yang kuat guna
mendukung upaya analisis terhadap suatu maslah yang sedang dikajiditeliti.
2. Pengembangan diagram alur path diagram Model teoritis yang telah dibangun pada tahap pertama akan
digambarkan dalam sebuah diagram alur path diagram yang akan mempermudah untuk melihat hubungan kausalitas yang akan diuji.
3. Mengkonversi diagram alur kedalam persamaan structural Langkah ini membentuk persamaan-persamaan pada model
struktural dan model pengukuran untuk menyatakan hubungan kausalitas. 4. Pemilihan matriks input dan teknik estimasi.
Tujuan tahap ini adalah menetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model. Data input SEM merupakan
matriks kovarian untuk melakukan pengujian model dari teori yang ada setara dengan regresi untuk digunakan dalam penjelasan atau prediksi
fenomena yang dikaji. 5. Evaluasi masalah identifikasi model.
Tahap ini dilakukan untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan
program komputer. Masalah identifikasi pada prinsipnya merupakan masalah mengenai ketidakmampuan model yang dikembangkan
menghasilkan estimasi yang unik. Apabila setiap kali estimasi dilakukan muncul masalah identifikasi, maka sebaiknya model dipertimbangkan
ulang dengan mengembangkan lebih banyak konstruk. 6. Evaluasi Asumsi dan Kesesuaian model.
Suatu model SEM dapat diterima keabsahannya apabila memenuhi persyaratan ukuran kesesuaian goodness of fit. Hal ini karena dalam
SEM terdapat lebih dari satu alat uji statistik untuk mengukur atau
menguji hipotesis mengenai model sehingga digunakan beberapa fit indeks untuk mengukur kebenaran-kebenaran model. Beberapa indeks kesesuaian
dan cut off value antara lain : a. Degree of freedom DF; merupakan selisih antara banyaknya koragam
atau korelasi data dengan banyaknya koefisien yang akan diduga. Nilai DF harus positif yang menandakan model tidak underidentified.
b. X
2
- Chi-Square; merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji khi-kuadrat
X
2
. Semakin kecil nilai X
2
, semakin baik model tersebut dan diterima berdasarkan probabilitas dengan cut off value sebesar p0,05 atau
p0,1 c. Root means square erros of approximation RMSEA. RMSEA
merupakan akar dari rata-rata sisaan kuadrat pada tingkat populasi. RMSEA menunjukkan goodness of fit yang diharapkan bila model
diestimasi dalam populasi. Syarat nilai RSMEA agar model dapat diterima atau menunjukkan close fit adalah kurang dari atau sama
dengan 0,08. d. Goodness of Fit Index GFI dan Adjusted Goodness of Fit Index
AGFI; merupakan ukuran non statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit yang
memperhitungkan proporsi tertimbang dari varian dalam sebuah matriks kovarian sampel. Nilai GFI dan AGFI ≥ 0,9 menunjukkan
good fit baik, jika berkisar 0,8 ≤ GFI dan AGFI ≥ 0,9 menunjukkan
marginal fit sedang. e. Root Mean Residual RMR Alat uji ini pada dasarnya menghitung
selisih kovarian sampel dengan kovarian estimasi. Nilai RMR berkisar antara 0 sampai 1, ketentuan yang digunakan dalam intepretasi nilai
RMR adalah apabila nilainya semakin kecil, maka tingkat kecocokan model semakin baik.
f. Comparative fit index CFI; merupakan indeks yang besarannya tidak dipengaruhi oleh ukuran contoh, sehingga sangat baik untuk mengukur
tingkat penerimaan sebuah model. Nilai CFI yang diharapkan adalah ≥ 0,95
7. Interpretasi dan modifikasi model Tahap terakhir adalah melakukan interpretasi hasil dan modifikasi bagi
model-model yang tidak memenuhi syarat pengujian. Pedoman untuk mempertimbangkan perlu tidaknya dilakukan modifikasi model adalah nilai
residual yang dihasilkan model tersebut. Batas keamanan jumlah residual adalah 2. Apabila nilai residual lebih besar dari 2, maka sebuah modifikasi perlu
dilakukan. Bentuk model SEM dalam penelitian ini dapat dilihat pada Gambar 4 berikut.
Tabel 3. Indeks Pengujian Kelayakan Model
Goodness of fit index Persyaratan
Keterangan
X
2
Chi Square Nilai yang kecil
Good fit Tingkat kepercayaan P
p ≥ 0,05 Good fit
Degree of freedom DF ≥ 0,95
Good fit NCP
Interval Nilai yang kecil
Interval yang sempit Good fit
RMSEA p close fit
RMSEA ≤ 0,05 0,08 ≤ RMSEA ≤ 0,1
RMSEA ≥ 0,1 p ≥ 0,05
Good fit Marginal fit
Poor fit
ECVI nilai yang kecil, mendekati
ECVI saturated Good fit
AIC nilai yang kecil, mendekati
AIC saturated Good fit
CAIC nilai yang kecil, mendekati
CAIC saturated Good fit
NFI ≥ 0,95
Good fit GFI
≥ 0,90 Good fit
AGFI ≥ 2
Good fit CFI
≥ 0,95 Good fit
Sumber : Byrne 2010
Z
1
Z
2
Y
1
Y
2
Y
3
Y
4
Y
5
X
5
X
4
X
3
X
2
X
1
X
6
X
7
X
8
X
16
X
15
X
14
X
13
X
12
X
17
X
18
X
19
X
20
X
21
X
9
X
10
X
11
H
1
H
2
H
3
X
31
X
30
X
29
X
28
X
27
X
26
X
25
X
24
X
23
X
22
Y
6
Y
7
H
4
H
5
H
6
H
7
Gambar 6 Model SEM
Perpindahan merek η
3
Loyalitas Pelanggan η
1
Nilai Pelanggan ξ
1
Hambatan Pindah ξ
3
Kepuasan Pelanggan ξ
2
Persepsi karakteristik produk ξ
5
Kebutuhan akan variasi ξ
4
Perlaku mencari variasi η
2
Keterangan :
H
1
: Nilai pelanggan mempunyai pengaruh positif terhadap loyalitas pelanggan H
2
: Kepuasan pelanggan mempunyai pengaruh positif terhadap loyalitas pelanggan
H
3
: Hambatan pindah mempunyai pengaruh positif terhadap loyalitas pelanggan
H
4
: Kebutuhan akan variasi berpengaruh positif terhadap perilaku mencari variasi
H
5
: Persepsi karakteristik suatu produk berpengaruh positif terhadap perilaku mencari variasi
H
6
: Loyalitas pelanggan mempunyai pengaruh negatif terhadap perpindahan merek
H
7
: Perilaku mencari variasi mempunyai pengaruh positif terhadap perpindahan merek
3.6.3 Definisi Operasional
