Analisis Structural Equation Modeling SEM

Konsumen yang berada pada ketegori sangat setuju merupakan konsumen yang merasakan kinerja yang diberikan oleh restoran setelah mengkonsumsi makanan di Restoran Pujasega Garut lebih dari yang diharapkan. Konsumen tersebut kemungkinan besar akan sulit untuk berpindah ke restoran lain yang pada akhirnya konsumen tersebut sangat puas dan loyal. Sedangkan konsumen yang berada pada kategori setuju, merasakan bahwa kinerja dari restoran Pujasega Garut yang didapatkan sudah sesuai dengan harapannya. Konsumen yang berada pada kategori tidak setuju adalah konsumen yang merasakan bahwa kinerja dari restoran Pujasega Garut tidak sesuai dengan yang diharapkannya. Sedangkan konsumen yang berada pada kategori sangat tidak setuju adalah konsumen yang merasakan bahwa kinerja yang diberikan oleh restoran sangat tidak sesuai dengan yang diharapkannya. Konsumen yang berada pada kategori ini merupakan konsumen yang kemungkinan sangat kecil untuk melakukan kunjungan kembali di restoran Pujasega Garut pada masa yang akan datang. 4.4 Metode Pengolahan Sampel 4.4.1 Analisis Deskriptif Analisis deskriptif dilakukan dengan membuat tabulasi frekuensi sederhana berdasarkan jawaban responden. Data dan informasi mengenai karakteristik, kepuasan dan loyalitas responden dari jawaban responden dikelompokkan, ditabulasi dan dipersentasekan. Persentase terbesar merupakan faktor-faktor yang dominan dari masing-masing peubah yang diteliti.

4.4.2 Analisis Structural Equation Modeling SEM

Model persamaan struktural terdiri atas persamaan pengukuran dan persamaan struktural. Hubungan antar variabel indikator dengan variebl latennya merupakan persamaan pengukuran, sedangkan hubungan antara variabel laten dikenal sebagai persamaan struktural. Model yang menggambarkan hubungan antara peubah-peubah laten dinamakan sebagai model persamaan struktural. Menurut Joreskog dan Sorbom 1996 dalam Wijanto 2008. Model persamaan struktural adalah teknik variabel ganda yang dapat digunakan untuk mendiskripsikan keterkaitan hubungan linier secara simultan variabel-variabel pengamatan, yang sekaligus melibatkan variabel laten yang tidak dapat diukur secara langsung. 36

4.4.2.1 Tahapan Prosedur SEM

Data kuantitatif pada penelitian ini diolah dengan menggunakan program SPSS for windows versi 13.0 untuk memudahkan pengolahan data. Analisis data yang dilakukan pada penelitian ini adalah analisis SEM dengan menggunakan paket program LISREL 8.80. Prosedur pemodelan SEM secara umum mengandung tahap-tahap sebagai berikut Firdaus, 2008 : 1. Pengembangan model teoritis pada prinsipnya merupakan kausalitas secara empiris dari teori yang sudah ada dan digunakan untuk konfirmasi model teoritis tersebut. Hubungan kausalitas dapat dibuat dalam berbagai bentuk dan arti namun pola hubungan akan menjadi rasional bila dilandaskan pada suatu teori tertentu. 2. Pengembangan path diagram diagram jalur. Diagram jalur adalah sebuah gambar yang menampilkan hubungan yang lengkap dari sekelompok peubah. Garis lurus dengan panah menunjukkan bahwa peubah sumber panah adalah peubah laten dan peubah yang dikenai panah adalah peubah manifes. Cara membangun konsep ini berlandaskan pada teori dan berperan dalam membatasi definisi pola hubungan. 3. Mengkonversi diagram path ke dalam persamaan dalam bentuk persamaan struktural untuk menyatakan hubungan kausalitas. 4. Menentukan matrik input dan estimasi model. Data input SEM merupakan matrik kovarian untuk melakukan pengujian model dari teori yang ada dan setara dengan regresi untuk digunakan dalam penjelasan atau prediksi fenomena yang dikaji. 5. Pendugaan koefisien model dilakukan karena kadangkala proses pendugaan memberikan hasil yang irasional sehingga dapat diatasi dengan menetapkan beberapa nilai koefisien pada nilai tertentu dan peubah laten yang hanya memiliki satu peubah indikator ditetapkan nilainya. 6. Evaluasi kriteria Goodness Of Fit. SEM tidak mempunyai alat uji statistik tunggal untuk menguji antara model dengan data yang disajikan. Beberapa indeks kesesuaian dan cut of value yang umumnya digunakan dapat dilihat pada Tabel 7. 7. Interpretasi dan modifikasi model. Setelah model diterima interpretasi dilakukan mengikuti teori yang mendasarinya. 37 Tabel 7. Ukuran Kriteria Kecocokan atau Goodness of Fit GOF dalam analisis SEM Ukuran GOF Tingkat Kecocokan yang bisa diterima cut of value Statistic Chi-Square X 2 Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. 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 Root Mean Square Residuan RMR Residual rata-rata antara matrik korelasi atau kovarian teramati dan hasil estimasi. Standardized RMR 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. RMSEA 0.08 adalah good-fit, sedang RMSEA 0.05 adalah close-fit. Normed Fit Index NFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. NFI 0.90 adalah good-fit, sedang 0.80 NFI marginal fit Non-Normed Fit Index NNFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. NNFI 0.90 adalah good-fit, sedang 0.80 NNFI marginal fit Comparative Fit Index CFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI 0.90 adalah good-fit, sedang 0.80 CFI marginal 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 marginal fit Relative Fit Index RFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. RFI 0.90 adalah good-fit, sedang 0.80 RFI marginal fit Critical “N” CN CN 200 menunjukkan ukuran sampel mencukupi untuk digunakan mengestimasi model. Kecocokan yang memuaskan atau baik. Adjusted Goodness of Fit Index AGFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI 0.90 adalah good-fit, sedang 0.80 AGFI marginal fit Parsimonious Goodness of Fit PGFI Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimonii yang lebih besar. Ukuran ini digunakan untuk perbandingan antar model-model. Sumber: Wijanto 2008

4.4.2.2 Formulasi Model SEM

Secara umum model SEM dapat juga dinyatakan dalam bentuk persamaan tiga buah matrik berikut ini Firdaus, 2008 : mx1 = B mxm mx1 + mxn nx1 + mx1 px1 = ypxm mx1 + px1 x qx1 = xqxn nx1 + qx1 38 Model SEM dinyatakan juga dalam bentuk diagram lintas. Keuntungan digunakannya path diagram antara lain mempermudah dalam memahami hubungan antar peubah baik dalam model pengukuran maupun model struktural. Berikut ini adalah keterangan yang berkaitan dengan diagram lintas dalam model SEM : a. Peubah laten digambarkan dalam bentuk oval. Peubah laten dalam SEM dapat berupa peubah endogen yang dilambangkan dengan huruf yunani ”eta” yaitu apabila dipengaruhi oleh peubah laten lain. Peubah laten eksogen yang dilambangkan dengan ”ksi” yaitu apabila hanya mempengaruhi peubah laten lain. b. Model struktural, pada diagram lintas model SEM, panah satu arah menunjukkan hubungan pengaruh sedangkan panah dua arah menunjukkan hubungan korelasi. Besarnya pengaruh dari peubah endogen ke pengaruh endogen lain di lambangkan dengan ”beta” , sedangkan besarnya pengaruh dari peubah eksogen ke peubah endogen dilambangkan dengan ”gamma” . Besarnya korogam antar peubah laten dilambangkan dengan ”phi” . c. Galat struktural. Model hubungan antar peubah laten melibatkan komponen acak yang disebut dengan galat struktural yang dilambangkan dengan ”zeta” . d. Peubah manifes, digambarkan dalam bentuk kotak. Peubah manifes berkaitan dengan peubah laten endogen, dilambangkan dengan ”Y” sedangkan yang berkaitan dengan peubah laten eksogen dilambangkan dengan ”X”. e. Model pengukuran merupakan model antara peubah laten dengan peubah- peubah manifesnya. Penyusunan peubah laten dari peubah-peubah manifesnya menggunakan alat analisis faktor, dimana peubah laten merupakan common factor yang mendasari peubah-peubah manifesnya. Besarnya loading antara peubah laten dengan peubah manifes dilambangkan dengan ”lamda” dengan x untuk peubah eksogen dan y untuk peubah endogen. f. Kesalahan pengukuran antara peubah laten dengan peubah manifesnya seringkali terjadi. Kaitannya dengan analisis faktor pada model adalah unique factor yang bersesuaian dengan masing-masing peubah manifes. Kesalahan pengukuran yang berkaitan dengan peubah eksogen dilambangkan dengan ”delta sedangkan yang berkaitan dengan peubah endogen dilambangkan dengan ”epsilon” . 39

4.4.2.3 Implementasi Model SEM

Implementasi model SEM pada penelitian ini terdiri dari 6 peubah laten dan 15 peubah manifes. Hubungan pengaruh antar peubah laten dan peubah manifes digambarkan dalam bentuk diagram lintas path diagram. Sebuah variabel laten adalah sebuah konsep yang dihipotesiskan atau yang tidak teramati dan hanya dapat didekati melalui variabel-variabel teramatimanifes. Sementara itu, variabel teramati adalah variabel yang nilainya dapat diperoleh dari responden melalui berbagai metode pengumpulan data survei, tes, observasi, dan lain-lain. Pendekatan variabel-variabel teramati terhadap suatu konsep jarang dapat dilakukan dengan sempurna dan hampir selalu ada kesalahan-kesalahannya. Kesalahan-kesalahan pendekatan ini sering dikenal sebagai kesalahan-kesalahan pengukuran measurement errors dan dapat diestimasi menggunakan fasillitas-fasilitas yang ada pada SEM. Adapun hipotesis yang disusun dalam penelitian ini adalah sebagai berikut : 1. Peubah laten endogen dipengaruhi oleh lima indikator dimensi pelayanan diantaranya tangibles, reliability, responsiveness, assurance, dan emphaty. Peubah laten eksogen dipengaruhi oleh peubah-peubah manifes yang terdiri dari fasilitas restoran, penampilan fisik restoran, penampilan fisik karyawan, keramahan karyawan, sistem pembayaran, komitmen pelayanan, kecepatan dan, ketepatan penyajian menu, kecepatan menanggapi masalah, kesediaan memberikan informasi, pengetahuan karyawan, keamanan mengkonsumsi makanan kesungguhan manajemen dan karyawan, tidak ada diskriminasi pelanggan. 2. Peubah laten endogen kepuasan dan loyalitas dipengaruhi juga oleh sikap konsumen jika terjadi kenaikan harga akan tetap melakukan kunjungan ulang dan ketersediaan konsumen untuk merekomendasikan. Kepuasan selain dipengaruhi oleh dimensi pelayanan tangibles, reliability, responsiveness, assurance, dan emphaty juga dapat mempengaruhi loyalitas. Hubungan kausalitas model SEM mengenai kepuasan dan loyalitas konsumen Restoran Pujasega Garut lebih jelas dapat dilihat melalui diagram lintas path diagram pada Gambar 3 dan keterangan variabel-variabel yang dianalisis dapat dilihat pada Tabel 8. 40 41 Tabel 8. Keterangan Gambar Variabel-variabel yang dianalisis Variabel Laten Variabel Indikator Simbol 1. Fasilitas restoran X11 2. Penampilan fisik restoran X12 Tangibles 1 Variabel laten bebas 3. Penampilan fisik karyawan X13 4. Keramahan karyawan X21 5. Sistem pembayaran X22 6. Komitmen pelayanan X23 Reliability 2 Variabel laten bebas 7. Kecepatan dan ketepatan penyajian menu X24 8. Kecepatan menanggapi masalah X31 Responsiveness 3 Variabel laten bebas 9. Kesediaan memberikan informasi X32 10. Pengetahuan karyawan X41 Assurance 4 Variabel laten bebas 11. Keamanan menkonsumsi makanan X42 12. Kesungguhan manajemen dan karyawan X51 Emphaty 5 Variabel laten bebas 13. Tidak ada diskriminasi pelanggan X52 14. Sikap konsumen jika terjadi kenaikan harga Y11 Loyalitas 1 Variabel laten terikat 15. Rekomendasi Y12 Variabel-variabel indikator diperoleh dengan menjabarkan dimensi kualitas pelayanan yang berlandaskan pada teori dan melalui diskusi kelompok terarah dengan pihak manajemen Restoran Pujasega Garut yang disesuaikan dengan pengamatan dilapangan. Kemudian disusun menjadi sebuah kuesioner sebagai acuan untuk menentukan tingkat kepuasan konsumen terhadap kualitas pelayanan Restoran Pujasega Garut. Variabel-variabel indikator yang digunakan untuk mengukur sebuah variabel laten bersifat reflektif. Dikatakan demikian karena struktur model yang dihipotesiskan pada penelitian ini Gambar 3, menggambarkan indikator- indikator atau variabel-variabel terukur sebagai efek atau refleksi dari variabel latennya, seperti analisis faktor pada psikometri dan sosiometri. Adapun konsep dasar model pada penelitian ini adalah Confirmatory Factor Analysis CFA. 42

4.4.2.4 Penggunaan Lisrel untuk Aalisis SEM

Analisis SEM seringkali disebut dengan analisis Lisrel, karena analisis ini sering menggunakan program Lisrel. Lisrel merupakan program yang dikembangkan khusus untuk menangani analisis dalam pemodelan persamaan struktural. Software ini dikembangkan oleh dua ahli psikologis yaitu Karl Joreskog dan Sorbom. Saat ini versi Lisrel terbaru adalah versi 8.80 yang diperkenalkan pada bulan Juli 2006 yang dilengkapi dengan SIMPLIS language dan merupakan Interactive LISREL yang mudah digunakan user friendly. LISREL 8.80 mengandung fitur tambahan dan aplikasi-aplikasi statistik sebagai berikut Wijanto, 2008 : a. LISREL for structural equation modeling. b. PRELIS for data menipulations and basic statistical analyses. c. MULTILEV for hierarchical linear and non-linear modeling d. SURVEYGLIM for generalized linear modeling. e. CATFIRM for formative inference-based recursive modeling for categorical response variables. f. CONFIRM for formative inference-based recursive modeling for continuous response variables. g. MAPGLIM for generalized linear modeling for multilevel data. Analisis SEM dengan menggunakan program Lisrel dapat dilakukan dengan menu-menu yang telah disediakan ataupun menulis perintah melalui bahasa PRELIS untuk tahapan penyiapan matrik korogram dan dilanjutkan dengan bahasa LISREL atau SIMPLIS untuk tahapan analisisnya. Penulisan perintah melalui bahasa LISREL lebih rumit dibandingkan dengan SIMPLIS, namun memiliki fasilitas-fasilitas yang tidak ada di SIMPLIS. 43

V. KEADAAN UMUM LOKASI PENELITIAN