Teknik Pengumpulan Data Orientasi Kancah di Cafe J-Co

Sampel penelitian akan diambil dari pengunjung rumah makan atau lebih dikenal sebagai cafe yang dalam area tersebut disediakan sarana internet, yaitu di cafe J.Co di Surabaya Plaza. Teknik penarikan sampel dilakukan menggunakan purposive sampling, yaitu pengambilan sampel yang dilakukan dengan cara menentukan syarat-syarat terlebih dahulu sesuai dengan kebutuhan penelitian Sutrisno Hadi, 2000:47. Pedoman pengukuran sample menurut Adrianto, S Ferdinand 2002 : 48 : a. 100-200 sampel untuk teknik maximum Likelihood Estimation, atau tergantung pada jumlah parameter yang diestimasi. Pedomannya adalah 5- 10 kali jumlah parameter yang diestimasi. b. Tergantung pada jumlah indikator yang digunakan dalam seluruh variabel laten. Jumlah sampel adalah jumlah indikator dikali 5-10. Bila terdapat 20 indikator, besarnya sampel adalah 100-200. Sedangkan jenis pengambilan sample didasari oleh analisis SEM bahwa besarnya sample yaitu 5-10 kali parameter yang diestimasi Pedoman yang digunakan dalam penelitian ini adalah 5 – 10 kali jumlah parameter yang diestimasi 22 × 5 parameter, yaitu 110 responden.

3.3. Teknik Pengumpulan Data

Jenis-jenis data yang diperlukan dalam penyusunan analisis data penelitian ini menggunakan data primer, yaitu data-data yang diambil secara langsung oleh peneliti dalam proses penelitian melalui instrumen penelitian atau alat pengumpulan data Newman, 2002:45. Adapun teknik pengumpulan data yang dipergunakan dalam penelitian ini adalah data primer yang diambil melalui Questionery angket, yaitu dengan menyusun pernyataan yang diisi secara langsung oleh responden. Angket tertutup closed questionery, yaitu adalah angkat yang alternatif jawabannya telah disediakan, yang digunakan untuk mengukur variabel tergantung. Pernyataan dalam skala tersebut disusun dengan menggunakan skala Likert yaitu berupa butir pernyataan dengan 5 alternatif pilihan jawaban. Tabel.3.1. Skor pernyataan tertutup Pernyataan Kode Nilai Favorable Unfavorable Sangat Setuju SS 5 1 Setuju S 4 2 Kurang Setuju KS 3 3 Tidak Setuju TS 2 4 Sangat Tidak Setuju STS 1 5 Angket terbuka, digunakan untuk mengetahui identitas responden dan mengetahui frekuensi kunjungan ke rumah makan, dan memanfaatkan sarana- sarana yang diberikan rumah makan.

3.3. Teknik Analisis Data dan Uji Hipotesis

3.4.1 Teknik Analisis Data

Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling SEM. Model pengukuran faktor reliability, responsiveness, assurance, empathy, dan tangibles dan kepuasan pelanggan menggunakan Confirmatory Factor Analysis. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor Reliability dilakukan sebagai berikut : Persamaan Dimensi Faktor Motivasi individu: X 1.1 = λ1 Reliability + er_1 X 1.2 Gambar 3.1 : Contoh Model Pengukuran Faktor Reliability Keterangan : X11 = pertanyaan tentang ........... X12 = pertanyaan tentang ........... er_j = error term X1j = λ2 Reliability + er_2 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh Faktor Kepercayaan akan nampak sebagai berikut: Demikian juga faktor lain seperti faktor atau variabel lainnya, seperti responsiveness, assurance, empathy, dan tangibles, serta indicator dalam variabel kepuasan kerja. Reliability X1.1 X1.1 er_1 er_2 1. Asumsi Model Structural Equation Modelling a. Uji Normalitas Sebaran dan Linieritas 1 Normalitas dapat diuji dengan melihat gambar histogram data atau dengan menggunakan metode statistic. 2 Menggunakan critical ratio yang diperoleh dengan membagi koefisien sampel dengan standart error-nya dan Skweness value yang biasa disajikan dalam statistik deskriptif dimana nilai statistik yang digunakan untuk menguji normalitas sebaran data itu disebut Z-value. Dengan kriteria penilaian pada tingkat signifikansi 1 , jika nilai Z score lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. b. Evaluasi atas Outlier 1 Mengamati nilai Z-score : ketentuanya diantara ≥ 3,0 non outlier. 2 Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square χ pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai χ adalah multivariate outlier. Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair,et.al., 1998. c. Deteksi Multicollinierity dan Singularity Deteksi Multicolinearity dan Singularity dilakukan dengan mengamati Determinant Matrix Covariance . Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi multikolinearitas dan singularitas. 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 indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct aka diuji dengan melihat loading faktor dari hubungan antara setiap obseverd variable dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan Variance- extracted. Construct reliability dan Variance-extracted dihitung dengan rumus berikut : [ Σ Standardize Loading] Construct Reliability =  2 [[ Σ Standardize Loading] 2 + Σεj] Σ [Standardize Loading 2 ] Variance Extracted =   [ Σ [Standardize Loading 2 ] + Σ ε j ] Sementara ε j dapat dihitung dengan formula ε j = 1 - Standardize Loading  Secara umum, nilai construct reliability yang dapat diterima adalah ≥ 0,7 dan variance extracted ≥ 0,5 Hair et.al., 1998. Standardize Loading dapat diperoleh dari output AMOS 6.00, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap butir sebagai indikatornya.

2. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau p probability ang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti signifikan. 3. Pengujian model dengan Two-Step Approach Dalam model SEM, model pengukuran dan model structural parameter-parameternya dieliminasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi bersama One Step Approach to SEM yang digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan reliabilitas yang sangat baik, dan pengujian ini diperoleh dari output LISRELL.8.80. 4. Evaluasi Model Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teotitis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model “good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation modelling. Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of Fit, yakni Chi-square, Probality, RMSEA, GFI, TLI, CFI, AGFI, CMIN DF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM . Goodness of Fit Indices GOODNE SS OF FIT INDEX KK KETERANGAN CUT-OFF VALUE X 2 Menguji apakah covariance populasi yang destimasi sama dengan cova-riance sample [apakah model sesuai dengan data]. - Chi- square Diharapkan Kecil, s.d 5. atau paling baik diantara 1 dan 2. Probability Uji signifikansi terhadap perbedaan matriks covariace data dan matriks covariance yang diestimasi. Minimum 0,1 atau 0,2, atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar. ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam matrtiks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog dengan R 2 ≥ 0,90 dalam regresi berganda]. AGFI GFI yang disesuaikan terhadap DF. ≥ 0,90 CMINDD F Kesesuaian antara data dan model ≤ 2,00 TLI Pembandingan antara model yang diuji terhadap baseline model. ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model. ≥ 0,94 Sumber : Hair et.al., 1998

3.3.2. Pengujian Hipotesis

3.4.2.1. Evaluasi Kriteria Goodnes of Fit

1. X 2 Alat uji paling fundamental untuk mengukur overall fit adalah Likelihood Ratio Chi-Square Statistic . Chi-Square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik Chi-Square ini harus didampingi oleh alat uji lain. Model yang uji akan dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X -Chi Square Statistic 2 semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang kecil dan tidak signifikan. X 2 2. RMSEA-The Root Mean Square Error Of Approximation bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan Chi-Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila ukuran sampel ada di luar rentang itu, uji signifikan akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lain. RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi Chi-Square Statistic dalam sampel yang besar. Nilai RMSEA menunjukkan Goodness-Of-Fit yang dapat diharapkan bila model diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan Degrgess Of Freedom. 3. GFI-Goodness of Fit Index GFI adalah analog dari R 2 4. AGFI-Adjusted Goodness of Fit Index dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varian dalam matrix kovarians sampel yang dijelaskan oleh matrix kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non- statistikal yang mempunyai rentang nilai antara 0 Poor Fit samapi dengan 1.0 Perfect Fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah ‘better fit’. AGFI = GFIDF tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik Good Overal Model Fit sedangkan besaran nilai antara 0,90- 0,95 menunjukkan tingkatan cukup Adequate fit. 5. TLI-Tucker Lewis Index TLI adalah sebuah alternatif incremental fit indeks yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat mendekati 1 menunjukkan A Very Good Fit. 6. CMINDF sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINDF tidak lain adalah statistik Chi-Square, X 2 dibagi DF-nya sehingga disebut X 2 relatif. Nilai X 2 relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X 2 7. CFI-Comparative Fit Index relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi. Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi A Very Good Fit. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeksi ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality Indeks RNI.

3.4.2.2 Evaluasi Normalitas

Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji statistic. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic. Nilai statistic untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini : Nilai – z = N Skewness 6 Dimana nilai N adalah ukuran sampel. Bila nilai-z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi yang dikehendaki. Misalnya, bila nilai yang dihitung lebih besar dari ± 2.58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0.01 1.

3.4.2.3 Evaluasi Outliers

Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi – observasi yang lain dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel – variabel kombinasi hair, et. al : 1995. Adapun outliers dapat dievaluasi dengan dua cara, yaitu analisis terhadap univariate outliers dan analisis multivariate outliers Hair, et. al., 1995. a. Univariate Outliers Deteksi terhadap adanya univariate outliers dapat dilakukan dengan menetukan nilai ambang yang akan dikategorikan sebagai outliers dengan cara mengkonservasikan nilai data penelitian ke dalam standar score atau yang biasa disebut z-score, yang mempunyai nilai rata – rata nol dengan deviasi sebesar 1,00 Hair, et. al., 1995. Pengujian univariate outliers dilakukan per konstruk variabel dengan program SPSS 12.00, pada menu Descriptive Statistic Summarise. Observasi data yang memiliki nilai Z-score ≥ 3.0 akan dikategorikan sebagai outliers. b. Multivariate Outliers Evaluasi terhadap Multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling kombinasikan. Jarak Mahalanobis The Mahalanobis Distence untuk tiap observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate dilakukan dengan menggunakan kriteria jarak mahalanobis pada tingkat ρ 0,001. Jarak mahalanobis itu dapat dievaluasi dengan menggunakan nilai χ2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian dan apabila nilai jarak Mahalanobisnya lebih dari nilai χ2 table adalah Outlers Multivariate .

3.4.2.4. Evaluasi Mullticollinearity dan Singularity

Utuk melihat apakah pada data penelitian terhadap multikolineratitas Multicollinearity atau singularitas Singularity dalam kombinasi – kombinasi variabel, maka yang perlu diamati adalah dterminan dari matriks kovarians sampelnya. Determinan yang kecil atau mendekati nol akan mengindikasikan adanya multikolinearitas atau singularitas sehingga data itu tidak dapat digunakan untuk penelitian Ferdinand, 2002 :108.

3.4.2.5 Uji Reliabilitas

Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator – indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing indikator mengindikasikan sebuah konstruk faktor laten yang umum. Dengan kata lain bagaimana hal – hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena uang umum. Composite Reliability diperoleh melalui rumus berikut Ferdinand, 2002 : 62 [ Σ Standardize Loading] Construct Reliability =  2 [[ Σ Standardize Loading] 2 1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan komputer. + Σεj] Keterangan : 2. Σεj adalah measurement error dari tiap indikator. Measurement error dapat diperoleh dari 1 – reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah 0.7, walaupun angka itu bukanlah sebuah ukuran yang ”mati”. Artinya bila penelitian yang dilakukan bersifat eksplorasi maka nilai dibawah 0.7-pun masih dapat diterima sepanjang disertai dengan alasan – alasan empiris yang terlihat dalam proses eksoprasi.

3.4.2.6 Uji Validitas

Uji validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Karena indikator multidimensi, maka uji – uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara obseverd variable dan latent variable. Cara menguji : Korelasikan masing – masing skor item pertanyaan dengan skor totalnya, gunakan tingkat signifikan validitas ≤ 0,05. Tingkat signifikan itu menunjukkan derajat kosistensi jawaban semua responden yang menjadi obyek penelitian.

3.4.2.7 Uji variance Extracted

Variance Extracted adalah ukuran yang menunjukkan varians dari indikator – indikator yang diekstraksi oleh konstuk latent yang dikembamgkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikator – indikator itu telah mewakili secara baik konstruk latent yang dikembangkan. Nilai variance extracted ini direkomendasikan pada tingkat paling sedikit 0,50. Variance diperoleh melalui rumus ini Ferdinand, 2002 : 64 : Σ [Standardize Loading 2 ] Variance Extracted =   [ Σ [Standardize Loading 2 ] + Σ ε j 1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan computer. ] Keterangan : 2. ∑εj adalah measurement error dari tiap indikator. 50

BAB IV ANALISA DAN PEMBAHASAN

4.1. Orientasi Kancah di Cafe J-Co

PT. J.CO Donuts and Coffee didirikan oleh Johnny Andrean yang sebelumnya terkenal sebagai pengusaha salon yang sukses. Tak kurang dari 168 jaringan salon dan 41 sekolah salon dimilikinya, namun insting sang penata rambut kemudian membawanya terjun ke bisnis makanan. Sejak tahun 2003 ia aktif mengembangkan J.CO. J.CO adalah produk dalam negeri dengan menggunakan konsep dari luar negeri dan disempurnakan dengan modernisasi dan kualitas terbaik. J.CO ditujukan untuk menyerbu pasar asing. Persiapan J.CO membutuhkan waktu yang lama. Selama 3 tahun Johnny Andrean dan timnya mempelajari bisnis donat, mengeksplorasi resepnya, serta melakukan riset pasar dan sampling. Johnny meluncurkan J.CO dengan konsep apa yang disukainya dan hal ini bisa diterima masyarakat. Pada 26 Juni 2005, J.CO mulai beroperasi pertama kali di Supermal Karawaci, Tangerang dan kemudian langsung membuka outlet sebanyak-banyaknya. Dalam waktu setahun, J.CO telah punya 16 buah gerai dengan 450-an orang karyawan untuk gerai saja. Tujuh gerai terdapat di Jakarta dan sisanya di Bandung, Surabaya, Makassar, dan Pekanbaru. Dalam waktu dekat mereka akan buka di Palembang, Batam, Manado, Bogor, Medan, dan Bali, dan ada keinginan juga untuk go international pada tahun 2007 dengan pilihan lokasi di Australia, Hongkong, atau Singapura. Meraih banyak penghargaan, seperti Marketing Award sebagai brand yang memiliki produk paling berinovasi di tahun pertama, Best Donnut 2006 dari Free Magazine dan The Integrated Marketing STrategy Champion 2008 dari majalah bisnis SWA dan MarkPlysCo, merupakan bukti bahwa franchise J.CO Donuts Coffee merupakan waralaba yang patut diperhitungkan. Produk Perusahaan, sesuai dengan namanya, J.CO mempunyai produk makanan berupa donat dan produk minuman berupa kopi atau the yang panas maupun dingin. Produk yang diunggulkan oleh J.CO adalah produk makanannya, yaitu donat. Dengan menerapkan konsep open kitchen

4.2. Deskripsi Subjek Penelitian