Instrumen penelitian dikatakan reliabel jika nilai hasil pengukuran lebih besar dari 0,60. Karena nilai hasil pengukuran instrumen 9 pernyataan dengan teknik Alfa
Cronbach lebih besar dari 0,60, maka pernyataan disebut reliabel.
2.5 Metode Servqual
Metode pengukuran kualitas layanan yang banyak digunakan secara luas adalah metode Servqual. Servqual berasal dari kata Service Quality yang artinya kualitas
layanan. Metode Servqual didasarkan pada “gap model” yang dikembangkan oleh Parasuraman. Kualitas layanan merupakan fungsi gap antara harapan konsumen
terhadap layanan dan persepsi mereka terhadap layanan aktual yang dihasilkan perusahaan. Harapan konsumen terhadap kualitas layanan merupakan keinginan
atau permintaan ideal konsumen terhadap layanan yang akan diberikan oleh penyedia layanan. Oleh karena itu harapan konsumen seringkali diterjemahkan
sebagai permintaan yang diidealkan oleh konsumen. Harapan konsumen secara umum dipengaruhi oleh tiga faktor, yaitu
komunikasi dari mulut ke mulut word of mouth, kebutuhan individu konsumen personal needs, dan pengalaman yang dirasakan konsumen pada masa lalu past
experience. Harapan konsumen harus menjadi acuan bagi penyedia layanan untuk mendisain, menghasilkan dan menyampaikan layanan kepada konsumen.
Sedangkan persepsi konsumen merupakan penilaian konsumen terhadap layanan yang telah dirasakan atau diperoleh. Kualitas layanan merupakan perbandingan
atau selisih antara layanan yang dirasakan atau dipersepsikan konsumen persepsi dengan layanan ideal yang diinginkan atau diminta konsumen harapan. Selisih
antara persepsi dengan harapan disebut dengan “gap” atau kesenjangan kualitas layanan, yang dirumuskan sebagai berikut Purnama, 2006:
Persepsi – Harapan = Gap 1. Jika gap positif Persepsi Harapan maka layanan dikatakan “surprise” dan
memuaskan 2. Jika gap nol Persepsi = Harapan maka layanan dikatakan berkualitas dan
memuaskan
Universitas Sumatera Utara
3. Jika gap negatif Persepsi Harapan maka layanan dikatakan tidak berkualitas dan tidak memuaskan
2.6 Logika Fuzzy
Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang
ilmuwan Amerika Serikat berkebangsaan Iran dari Universitas California di Barkeley. Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu
nilai dapat bernilai benar atau salah secara bersamaan. Logika fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau
kesamaran fuzzyness antara benar atau salah. Dalam teori logika fuzzy suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar keberadaan
dan kesalahan bergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan
bahasa linguistic, misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Logika fuzzy menunjukkan
sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung
unsur ketidakpastian uncertainty, ketidaktepatan imprecise, dsb. Logika fuzzy menjembatani bahasa mesin yang presisi dengan bahasa manusia yang
menekankan pada makna atau arti significance. Logika fuzzy dikembangkan berdasarkan bahasa manusia bahasa alami.
2.6.1 Himpunan Fuzzy
Dalam teori himpunan klasik, yang dikembangkan oleh Georg Cantor 1845 – 1918 himpunan didefinisikan sebagai suatu koleksi obyek-obyek yang terdefinisi
Universitas Sumatera Utara
secara tegas. Dalam arti dapat ditentukan secara tegas apakah suatu obyek adalah anggota himpunan itu atau tidak. Pada himpunan tegas crisp, nilai keanggotaan
suatu item � dalam suatu himpunan �, yang sering ditulis dengan �
�
[ �],
memiliki 2 kemungkinan yaitu: 1.
�
�
[ �] = 1 ; � menjadi anggota dalam himpunan �
2. �
�
[ �] = 0 ; � tidak menjadi anggota dalam himpunan �
Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan yaitu 0 atau 1, pada himpunan Fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1
Kusumadewi dan Purnomo, 2004. Dengan memperluas konsep himpunan crisp, Zadeh mendefinisikan himpunan Fuzzy dengan menggunakan apa yang
disebutnya fungsi keanggotaan membership function, yang nilainya berada dalam selang tertutup [0,1]. Jadi keanggotaan dalam himpunan Fuzzy tidak lagi
merupakan sesuatu yang tegas yaitu anggota atau bukan anggota, melainkan sesuatu yang berderajat atau bergradasi secara kontinu Susilo, 2006.
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu: MUDA
umur 35 tahun PAROBAYA
35 tahun ≤ umur ≤ 55 tahun
TUA umur 55 tahun
Dapat dijelaskan bahwa nilai keanggotaan himpunan MUDA, PAROBAYA dan TUA adalah sebagai berikut:
1. apabila seseorang berumur 34 tahun, maka dikatakan MUDA μ
MUDA
[34] = 1; 2. apabila seseorang berumur 35 tahun, maka dikatakan TIDAK MUDA
μ
MUDA
[35] = 0 ; 3. apabila seseorang berumur 35 tahun kurang 1 hari, maka dikatakan TIDAK
MUDA μ
MUDA
[35 tahun kurang 1 hari] = 0 4. apabila seseorang berumur 35 tahun, maka dikatakan PAROBAYA
μ
PAROBAYA
[35] = 1 ;
Universitas Sumatera Utara
5. apabila seseorang berumur 55 tahun, maka dikatakan PAROBAYA μ
PAROBAYA
[55] = 1 ; 6. apabila seseorang berumur 35 tahun kurang 1 hari, maka dikatakan TIDAK
PAROBAYA μ
PAROBAYA
[35 tahun kurang 1 hari] = 0 ; Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan
umur sangat tidak adil, adanya perubahan kecil pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA
dan TUA, dsb. Seberapa besar keberadaannya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya.
Gambar 2.1. Himpunan Fuzzy untuk variabel umur Pada gambar 2.1 dapat dilihat bahwa:
1. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan μ
MUDA
[40] = 0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan
μ
PAROBAYA
[40] = 0,5. 2. Seseorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan
μ
TUA
[50] = 0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan
μ
PAROBAYA
[50] = 0,5. Kalau pada himpunan crisp nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0
atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila
� memiliki nilai keanggotaan fuzzy �
�
[ �] = 0 berarti � tidak menjadi
Universitas Sumatera Utara
anggota himpunan �, demikian pula apabila � memiliki nilai keanggotaan fuzzy
�
�
[ �] = 1 berarti � menjadi anggota penuh pada himpunan �.
Himpunan fuzzy memiliki 2 atribut, yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai angka yang menunjukkan ukuran dari suatu variabel, seperti: 40, 25, 50, dsb.
2.6.2 Fungsi Keanggotaan
Fungsi keanggotaan membership function adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya sering juga disebut
dengan derajat keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan
melalui pendekatan fungsi. Nilai keanggotaan didapatkan dari beberapa fungsi keanggotaan , dalam buku yang ditulis oleh Sri Kusumadewi dan Hari Purnomo
2004 dijelaskan bahwa ada beberapa fungsi yang dapat digunakan untuk memperoleh nilai keanggotaan, yaitu:
a. Representasi Linier Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan
sebagai suatu garis lurus.
Fungsi Keanggotaan Representasi Linear Naik: � [�] = �
0 ; � ≤ �
� − � � − �
; � ≤ � ≤ �
1 ; � ≥ �
Fungsi Keanggotaan Representasi Linear Turun:
Universitas Sumatera Utara
� [�] = � � − �
� − � ;
� ≤ � ≤ � 0 ;
� ≥ � b. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear. Suatu fungsi keanggotaan himpunan kabur disebut keanggotaan segitiga jika
mempunyai tiga buah parameter, yaitu �, �, � ∈ ℝ.
c. Representasi Kurva Trapesium Suatu fungsi keanggotaan himpunan kabur disebut fungsi keanggotaan trapesium
jika mempunyai empat buah parameter yaitu �, �, �, � ∈ ℝ dengan � � �
�, dan dinyatakan dengan Trapesium � , �, �, �, � dengan aturan: ��������� �, �, �, �, � = ����min �
� − � � − �
, 1, � − �
� − �� , 0
� d. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun misalkan
DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan.
Sebagai contoh, apabila telah mencapai kondisi PANAS kenaikan temperatur akan tetap berada pada kondisi PANAS. Himpunan fuzzy bahu bukan segitiga,
digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar.
e. Representasi Kurva-S Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau Sigmoid
yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Fungsi keanggotaan pada kurva PERTUMBUHAN adalah:
S x; α; β; γ =
⎩ ⎪
⎨ ⎪
⎧ 0 ; x
≤ α 2
� x
− α γ − α�
2
; α ≤ x ≤ β
1 − 2 �
γ − x γ − α�
2
; β ≤ x ≤ γ
1 ; x ≥ γ
f. Representasi Kurva Bentuk Lonceng Bell Curve i
Kurva π
Universitas Sumatera Utara
Kurva π berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain
γ, dan lebar kurva β. Fungsi Keanggotaan:
π x, β, γ = � S
�x; γ − β; γ − β
2 ;
γ� ; x ≤ γ 1
− S �x; γ; γ + β
2 ;
γ + β� ; x � ii Kurva BETA
Kurva BETA didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva
γ, dan setengah lebar kurva β. Fungsi keanggotaan:
B x; γ; β =
1 1 +
� x
− γ β �
2
iii Kurva GAUSS Kurva GAUSS juga menggunakan
γ untuk menunjukkan nilai domain pada pusat kurva, dan k menunjukkan lebar kurva.
Fungsi keanggotaan: Gx; k;
γ = e
− k γ−x
2
g. Koordinat Keanggotaan Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan
kebenaran nilai keanggotaannya dalam bentuk: Skalar i Derajat i
“Skalar” adalah suatu nilai yang digambar dari domain himpunan fuzzy, sedangkan “Derajat” merupakan derajat keanggotaan himpunan fuzzy.
2.6.3 Triangular Fuzzy Number
Fuzzy number adalah spesial fuzzy � = {�,� ∈ �}. Di mana � membawa
nilainya ke dalam garis riil �: − ∞ � +∞ dan �
�
� merupakan penggambaran kontinu dari
� pada interval terdekat dari [0,1].
Universitas Sumatera Utara
Gambar 2.2 Fungsi Keanggotaan Triangular Fuzzy Number
Suatu fungsi keanggotaan himpunan kabur disebut fungsi keanggotaan segitiga triangular fuzzy number jika mempunyai tiga buah parameter yaitu
�, �, � ∈ ℝ dengan
� � �, dan dinyatakan dengan segitiga �, �, �, � Susilo, 2006. Fungsi Keanggotaan Kusumadewi dan Purnomo, 2004:
� [�] = ⎩
⎪ ⎨
⎪ ⎧
0; � ≤ � ���� � ≥ �
� − � � − �
; � ≤ � ≤ �
� − � � − �
; � ≤ � ≤ �
Fuzzy number sering dinyatakan sebagai triple a, b, c di mana
�, �, � adalah batas bawah, batas tengah, dan batas atas Tstinov, Mikhailov. Nilai TFN
dihitung dengan metode centroid untuk menghasilkan nilai crisp yang diperoleh dengan cara mengambil titik pusat
�
∗
daerah fuzzy. Secara umum dirumuskan Kusumadewi, 2010:
�
∗
= ∫ � � ���
�
∫ � ���
�
; untuk variabel kontinu
�
∗
= ∑
�
�
� �
� �
� =1
∑ � �
� �
� =1
; untuk variabel diskrit
Universitas Sumatera Utara
2.6.4 Fuzzifikasi dan Defuzzifikasi
Fuzzifikasi adalah proses yang dilakukan untuk mengubah variabel nyata menjadi variabel fuzzy, ini ditujukan agar masukan kontroler fuzzy bisa dipetakan menuju
jenis yang sesuai dengan fuzzy. Pemetaan dilakukan dengan bantuan model dari fungsi keanggotaan agar dapat diketahui besar masukan tersebut derajat
keanggotaan. Setelah variabel tersebut ditentukan fuzzy-nya kemudian menentukan
domain batas dari masing-masing fuzzy tersebut. Domain batas ditentukan berdasarkan data-data yang telah ada. Data-data tersebut dianalisa sehingga
dihasilkan nilai batas dari setiap fuzzy pada setiap variabel tersebut. Adapun estimasi domain batas tersebut yaitu dengan menentukan batas bawah, rata-rata,
dan batas atas. Dari batas-batas tersebut maka tiap-tiap himpunan memiliki nilai, misal pada luas lahan memiliki fuzzy bernama sempit, sedang, dan luas.
1. Sempit, yang direpresentasikan dengan kurva bentuk bahu meliputi: a. Nilai bawah c = Batas bawah
b. Nilai bawah a = Rata-rata 2. Sedang, yang direpresentasikan dengan kurva segitiga meliputi:
a. Nilai tengah c = 0,05 Rata-rata b. Nilai tengah a = Rata-rata
c. Nilai tengah b = 0,05 Rata-rata 3. Luas, yang direpresentasikan dengan kurva bentuk bahu meliputi:
a. Nilai atas c = Rata-rata b. Nilai atas b = Batas atas
Adapun estimasi nilai tengah c dan nilai tengah b pada fuzzy sedang ditentukan sendiri oleh faktor pengalinya. Untuk sistem ini digunakan faktor pengali sebesar
0,05 atau 5 agar mempunyai jangkauan yang tidak begitu terlalu besar. Defuzzifikasi d adalah proses pemetaan fuzzy ke crisp. Proses ini merupakan
kebalikan dari proses fuzzifikasi. Input proses defuzzifikasi adalah suatu fuzzy yang dihasilkan merupakan suatu bilangan pada domain fuzzy tersebut. Jika
diberikan suatu fuzzy dalam range tertentu, maka harus diambil suatu nilai crisp tertentu.
Universitas Sumatera Utara
Perhitungan fuzzifikasi data persepsi responden dilakukan dengan menggunakan langkah awalnya adalah mencari nilai
�
1
, �
1
, �
1
untuk tiap kriteria dengan cara sebagai berikut:
Nilai batas bawah �
�
: �
�
= �
�1
∗ �
1
+ �
�1
∗ �
2
+ �
�2
∗ �
3
+ … + �
��−1
∗ �
�
�
1
+ �
2
+ … + �
�
Nilai tengah �
�
: �
�
= �
�1
∗ �
1
+ �
�2
∗ �
2
+ �
�3
∗ �
3
+ … + �
��
∗ �
�
�
1
+ �
2
+ … + �
�
Nilai batas atas �
�
: �
�
= �
�2
∗ �
1
+ �
�3
∗ �
2
+ … + �
��
∗ �
��−1
+ �
��
∗ �
�
�
1
+ �
2
+ … + �
�
Keterangan: � = atribut 1,2,3,...,m
� = linguistik variabel 1,2,3,...,k Nilai batas tengah
�
�
diperoleh dari jumlah data dibagi dengan banyaknya data pada setiap pilihan jawaban sangat penting, penting, cukup penting, kurang
penting, tidak penting. Untuk nilai batas bawah �
�
merupakan nilai minimal dari data jawaban responden, sedangkan nilai batas atas
�
�
merupakan nilai maksimal dari data jawaban responden. Rata-rata nilai
�
�
, �
�
, dan �
�
tersebut merupakan nilai defuzzifikasi yang diformulasikan sebagai berikut:
�
�
= �
�
+ �
�
+ �
�
3
2.7 Importance Performance Analysis
Universitas Sumatera Utara
Analisis Importance-Performance atau Importance-Performance Analysis IPA pertama kali
diperkenalkan oleh Martilla
dan James 1977. IPA
sebagai rangkaian kerja
yang sederhana untuk
menganalisis atribut-atribut produk. Suatu rangkaian atribut layanan yang berkaitan dengan layanan khusus dievaluasi berdasar tingkat kepentingan masing-
masing atribut menurut konsumen dan bagaimana layanan dipersepsikan kinerjanya relatif terhadap masing-masing atribut. Analisis ini digunakan untuk
membandingkan antara penilaian konsumen terhadap tingkat kepentingan terhadap kualitas layanan Importance dengan tingkat kinerja kualitas layanan
Performance. Dimensi kualitas layanan yang digunakan adalah 5 dimensi yang dikembangkan oleh Parasuraman dan kawan-kawan Purnama, 2005.
Rata-rata hasil penilaian keseluruhan konsumen kemudian digambarkan ke dalam Importance Performance Matrix atau sering disebut Diagram Cartesius. Dalam
diagram cartesius, sumber absis X adalah tingkat kinerja dan sumbu ordinat Y adalah tingkat kepentingan. Rata-rata tingkat kinerja dipakai sebagai cut-off atau
pembatas kinerja tinggi dengan tingkat kinerja rendah, sedangkan rata-rata tingkat kepentingan dipakai sebagai cut-off tingkat kepentingan tinggi dengan tingkat
kepentingan rendah. Matriks Importance-Performance atau Diagram Cartesius disajikan pada gambar 2.3:
Kuadran B Concentrate Here
Kuadran C Keep Up The Good Work
Universitas Sumatera Utara
High
Performance
Low Performance
High Gambar 2.3. Importance Performance Analysis
Sumber: Martilla dan James 1977 Matriks ini digunakan untuk menggambarkan prioritas atribut yang harus
diperbaiki dan biasa menjadi petunjuk untuk formulasi strategi. Peta posisi kuadran masing-masing atribut atau dimensi layanan mengindikasikan derajat
urgensi relatif untuk perbaikan. 1. Posisi Low Priority Kuadran A
Jika atribut atau dimensi layanan berada pada kuadran ini menunjukkan bahwa tingkat kepentingan konsumen terhadap atribut atau dimensi layanan rendah.
Tingkat kinerja yang ditunjukkan oleh atribut atau dimensi layanan juga rendah, sehingga atribut atau dimensi layanan yang berada pada kuadran ini mendapat
prioritas rendah untuk diperbaiki. 2. Posisi Concentrate Here Kuadran B
Jika atribut atau dimensi layanan berada pada kuadran ini menunjukkan bahwa tingkat kepentingan konsumen terhadap atribut atau dimensi layanan tinggi,
namun tingkat kinerja yang ditunjukkan oleh atribut atau dimensi layanan rendah. Kuadran A
Low Priority Kuadran D
Possible Skill
Universitas Sumatera Utara
Kondisi ini dinilai berbahaya karena antara tingkat kepentingan dengan tingkat kinerja berlawanan arah, sehingga perbaikan harus diprioritaskan atau
dikonsentrasikan untuk atribut atau dimensi layanan yang berada pada kuadran ini.
3. Posisi Keep Up The Good Work Kuadran C Jika atribut atau dimensi layanan berada pada kuadran ini menunjukkan bahwa
tingkat kepentingan konsumen terhadap atribut atau dimensi layanan tinggi. Tingkat kinerja yang ditunjukkan oleh atribut layanan juga tinggi, sehingga atribut
atau dimensi layanan yang berada pada kuadran ini dinilai aman dan harus dipertahankan kinerjanya.
4. Posisi Possible Overkill Kuadran D Jika atribut atau dimensi layanan berada pada kuadran ini menunjukkan bahwa
tingkat kepentingan konsumen terhadap atribut atau dimensi layanan rendah, namun tingkat kinerja yang ditunjukkan oleh atribut atau dimensi layanan tinggi.
Kemungkinan hal ini terjadi karena perusahaan memberikan layanan yang berlebihan over act atau overkill, sehingga perusahaan harus mengurangi
aktivitas atau menghemat sumberdaya untuk atribut atau dimensi layanan yang berada pada kuadran ini.
2.8 Quality Function Deployment QFD
Quality Function Deployment QFD diperkenalkan pertama kali oleh Shigeru Mizuno dan Yogi Akao dari The Tokyo Institute of Technology tahun 1960-an.
Teknik QFD digunakan pertama kali pada Mitsubishi Heavy Industries Ltd di Kobe Shipyard Jepang tahun 1972 Purnama, 2005.
2.8.1 Definisi Quality Function Deployment QFD
Secara umum QFD sebagai alat perencanaan yang digunakan untuk memenuhi keinginan konsumen yang berupa harapan dan kebutuhan konsumen, dimana QFD
ini akan digunakan untuk menganalisis keinginan konsumen berupa kebutuhan-
Universitas Sumatera Utara
kebutuhan spesifik menjadi arah dan tindakan engineering yang disebarkan melalui perencanaan produk, pembentukan part, perencanaan proses, perencanaan
produksi, dan pelayanan Rahman dan Supomo, 2012. Fokus utama QFD adalah melibatkan konsumen pada proses
pengembangan produk. Filosofi yang mendasarinya adalah bahwa pelanggan tidak akan puas dengan suatu produk meskipun suatu produk yang dihasilkan
sempurna, bila mereka memang tidak membutuhkannya. QFD merupakan praktik untuk merancang suatu proses sebagai tanggapan terhadap kebutuhan konsumen.
QFD menerjemahkan apa yang dibutuhkan konsumen menjadi produk yang dihasilkan organisasi. QFD memungkinkan organisasi untuk memprioritaskan
kebutuhan konsumen, menemukan tanggapan inovatif terhadap kebutuhan konsumen, dan memperbaiki proses hingga tercapai efektivitas maksimum.
2.8.2 Analisa Usulan Perbaikan dengan Metode Quality Function Deployment
QFD
Metode Quality Function Deployment QFD terdiri dari 3 teknik yaitu teknik matriks dasar, teknik house of quality, dan teknik cascading matrixes. Analisa
usulan perbaikan dengan metode QFD teknik matriks dasar dilakukan dengan mencari nilai raw weight atribut layanan, semakin besar nilai raw weight maka
semakin besar pula prioritas perbaikan atribut terrsebut. Pada analisis usulan QFD teknik matriks dasar, adapun beberapa informasi
yang diperlukan adalah sebagai berikut: 1. Importance to Customer IC atau Tingkat Kepentingan TK, merupakan data
yang menunjukkan seberapa penting suatu atribut layanan bagi pelanggan. Data diperoleh dari kuesioner dengan menggunakan nilai rata-rata tingkat
kepentingan. 2. Customer Satisfaction Performance merupakan penilaian persepsi pelanggan
seberapa baik produk atau jasa yang ada sekarang dapat memenuhi kebutuhan pelanggan. Data diperoleh dengan menggunakan nilai rata-rata tingkat
kepuasan pelanggan.
Universitas Sumatera Utara
3. Goal merupakan target yang ditetapkan berdasarkan nilai harapan. Pencapaian goal secara normal dinyatakan di dalam nilai skala kuantitatif yang sama
sebagai suatu tingkat pencapaian. 4. Improvement Ratio Rasio Perbaikan, untuk mengubah tingkat kepuasan yang
didapat terhadap atribut-atribut kebutuhan pelanggan untuk mencapai tujuan. ����������� ����� =
���� �������� ������������ �����������
5. Sales Point merupakan pendapat produsen mengenai jasa atau produk yang
dihasilkan. Nilai atau bobot pada Sales Point menunjukkan tingkat penjualan produk atau jasa, yaitu 1,5 titik penjualan tinggi; 1,2 titik tengah penjualan
atau penjualan sedang; dan 1,0 tidak terjadi penjualan. 6.
Raw Weight Pembobotan merupakan suatu nilai yang menggambarkan tingkat kepentingan secara keseluruhan dari atribut. Semakin besar nilai raw
weight suatu atribut, semakin tinggi prioritas perbaikan atau
pengembangannya. Untuk menghitungnya digunakan rumus: ��� ����ℎ� = IC × IR × SP
Keterangan: IC
: Importance to Customer IR
: Improvement Ratio SP
: Sales Point
Universitas Sumatera Utara
BAB 3 HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data Kualitatif
Pada tahap ini merupakan hasil analisis terhadap penelitian terdahulu mengenai kualitas layanan pendidikan. Hasil analisis yang diperoleh adalah tentang hal-hal
yang dianggap penting atau menjadi pertimbangan dalam pelayanan di sekolah sesuai dengan dimensi kualitas jasa, yang selanjutnya akan digunakan sebagai
atribut pada kuesioner. Adapun atribut yang diperoleh terdapat pada tabel 3.1 berikut:
Tabel 3.1. Daftar Atribut Kualitas Jasa Pendahuluan Dimensi Kualitas Jasa
Atribut Tangibles Berwujud
1. Ketersediaan ruang belajar teori 2. Lingkungan sekolah yang bersih, sehat, dan
aman 3. Sekolah memiliki ruang belajar yang bersih,
nyaman, dan tertata baik 4. Fasilitas perpustakaan yang nyaman dan bersih
5. Kelengkapan koleksi buku pendukung materi pelajaran di perpustakaan
6. Staf pengajar dan karyawan berpakaian rapi, bersih dan sopan
7. Ketersedian fasilitas internet sebagai penunjang pembelajaran
8. Sekolah memiliki laboratorium sebagai fasilitas siswa untuk ruang belajar praktik
9. Sekolah memiliki lapangan olah raga dan ruang serba guna
10. Ketersediaan toilet yang bersih 11. Ketersediaan kantin sekolah yang bersih
Reliability Kehandalan 12. Prosedur penerimaan siswa secara cepat dan
tepat 13. Proses belajar mengajar berlangsung secara
efektif dan tepat waktu sesuai jadwal
Universitas Sumatera Utara
Lanjutan Tabel 3.1. 14. Sekolah menerapkan sistem pendidikan
sesuai dengan standar pendidikan yang sedang berlaku
15. Sekolah menggunakan metode pengajaran yang bervariasi untuk mengakomodir setiap
gaya belajar siswa 16. Sekolah mengarahkan siswa menjadi disiplin,
bertanggung jawab, sopan, dan berbudi pekerti
17. Sekolah menyelenggarakan kegiatan ekstrakurikuler pengembangan minat dan
bakat siswa 18. Kemudahan siswa berkonsultasi dengan staf
pengajar berkaitan dengan materi pelajaran Responsiveness Daya Tanggap
19. Sekolah memberikan informasi secara cepat dan tepat
20. Ketersediaan layanan bimbingan dan konseling
21. Sekolah tanggap terhadap masalah siswa baik secara perorangan maupun keseluruhan
22. Pelayanan petugas administrasi sekolah tata usaha
23. Sikap staf pengajar dan karyawan yang ramah dan siap membantu
24. Sekolah bersedia menerima saran dari siswa dan orangtuawali siswa
Assurance Keyakinan 25. Staf pengajar menguasai materi pelajaran
untuk membantu siswa memaksimalkan pencapaian hasil belajar
26. Staf pengajar mampu mengendalikan suasana pembelajaran agar tetap kondusif
27. Adanya staf pengajar pengganti 28. Sekolah memberikan laporan kemajuan
akademik siswa secara periodik 29. Komunikasi pihak sekolah dengan
orangtuawali siswa berkaitan dengan kegiatan di sekolah
30. Sekolah mampu memotivasi siswa untuk belajar dan berprestasi
31. Sikap dan perilaku staf pengajar dan karyawan meyakinkan berdedikasi dan
berbudi pekerti 32. Staf pengajar dan karyawan selalu hadir tepat
waktu di sekolah
Universitas Sumatera Utara
Lanjutan Tabel 3.1. 33. Adanya pengawasan terhadap pelaksanaan
tata tertib sekolah Empathy Empati
34. Sekolah memberikan buku penunjang pelajaran bagi siswa
35. Kemudahan administrasi bagi siswa 36. Sekolah memberikan perhatian atas keluhan
siswa 37. Sekolah memberikan perhatian atas keluhan
orangtuawali siswa 38. Pelayanan yang diberikan oleh sekolah pada
siswa merata tanpa memandang status sosial dan sebagainya
3.2 Pengumpulan Data Kuantitatif
