Model Persamaan Struktural untuk Mengetahui Loyalitas Konsumen, Studi pada Toko Parfum Cinta Aroma (CA Perfumerry) di Medan

MODEL PERSAMAAN STRUKTURAL UNTUK

MENGETAHUI LOYALITAS KONSUMEN

( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )

SKRIPSI

NUR HAYATI

100803033

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

MODEL PERSAMAAN STRUKTURAL UNTUK

MENGETAHUI LOYALITAS KONSUMEN

( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

NUR HAYATI

100803033

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

PERSETUJUAN

Judul : Model Persamaan Struktural untuk Mengetahui Loyalitas Konsumen, Studi pada Toko Parfum Cinta Aroma (CA Perfumerry) di Medan

Kategori : Skripsi

Nama : Nur Hayati

Nomor Induk Mahasiswa : 100803033

Program Studi : Sarjana (S1) Matematika Departemen : Matematika

Fakultas : Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Disetujui di Medan, Juli 2014

Komisi Pembimbing :

Pembimbing 2, Pembimbing 1,

Drs. Partano Siagian, M.Sc Drs. Henry Rani Sitepu, M.Si NIP. 19511227 198003 1 001 NIP. 19530303 198303 1 002

Disetujui oleh

Departemen Matematika FMIPA USU Ketua,

Prof. Dr. Tulus, M.Si. Ph.D NIP. 196209011988031 002

PERNYATAAN

MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN

( Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan )

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya

Medan, Juli 2014

NUR HAYATI 100803033

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan hidayah-Nya sehingga skripsi ini dapat diselesaikan dalam waktu telah ditetapkan.

Ucapan terima kasih penulis sampaikan kepada Bapak Drs. Henry Rani Sitepu, M.Si dan Bapak Drs. Partano Siagian, M.Sc selaku pembimbing yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini.

Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Tulus, M.Si Ph.D, selaku ketua Departemen Matematika Ibu Dra. Mardiningsih, M.Sc selaku sekretasis Departemen Matematika, Bapak Drs. Gim Tarigan M.Si dan Bapak Pengarapen Bangun, M.Si selaku penguji skripsi, dan staf pengajar Matematika di FMIPA USU, beserta pegawai Administrasi.

Penulis juga mengucapkan terima kasih kepada kedua orang tua yang tercinta Ibunda Farida Hanum dan Ayahanda yang telah memberikan dorongan dan semua bantuan yang diperlukan. Keluarga penulis yang penulis sayangi Kak Janah, Bang Jo, Kak Ipah, Tika terima kasih atas dorongan dan bantuan yang diberikan. Penulis mengucapkan terima kasih kepada Tari dan karyawan CA Perfumerry yang lain. Akhirnya penulis juga mengucapkan terima kasih kepada Imel, Zati, Yundy, Wewen, Ade, Nimut, Mila, Lita, Vela dan Sharah atas semua warna yang kalian berikan, kalian kesebelasan yang luar biasa.

Semoga segala bentuk bantuan yang telah diberikan mendapat balasan yang jauh lebih baik dari Tuhan Yang Maha Esa.

Sebagai seorang mahasiswa, penulis menyadari bahwa masih banyak kekurangan di dalam menyelesaikan skripsi ini. Untuk itu, kritik dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.

MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN

(Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan)

ABSTRAK

Kajian ini bertujuan untuk memperoleh model persamaan struktural yang terbaik yang dapat menggambarkan hubungan antar peubah laten dan hubungan antara peubah laten dan peubah indikatornya dan untuk mengetahui konstruk mana yang paling mempengaruhi loyalitas dari konsumen. Bahan penelitian adalah hasil survei konsumen CA Perfumerry dengan menggunakan kuisioner yang diukur dengan skala likert. Model pengukuran yang diperoleh adalah : persepsi ditunjukkan melalui harga, citra, tahap pelayanan dan momen pelayanan; daya saing ditunjukkan melalui keunikan dan kualitas; nilai produk ditunjukkan melalui nilai emosi, nilai epistem dan nilai kondisi; kepuasan ditunjukkan melalui keandalan, daya tanggap, jaminan, empati dan kasat mata; dan loyalitas ditunjukkan melalui hubungan, retensi, rekomendasi dan perubahan. Model struktural yang diperoleh adalah : persepsi berhubungan dengan daya saing dan nilai produk, dengan koefisien lintas sebesar 0,70 dan 0,34; nilai produk berhubungan dengan kepuasan dan loyalitas, dengan koefisien lintas sebesar 0,62 dan 0,96; daya saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Secara keseluruhan faktor yang paling berhubungan dengan loyalitas adalah nilai produk, dan faktor yang paling berpengaruh dengan kepuasan adalah daya saing.

Kata kunci : Model Persamaan Struktural, Loyalitas, Peubah Laten, Peubah Indikator, Koefisien Lintas.

STRUCTURAL EQUATION MODELLING TO KNOW LOYALTY OF CUSTOMER

(Case Study: Customer of Cinta Aroma (CA) Perfumerry in Medan)

ABSTRACT

This study is to obtain the best structural equation modelling to describe the relationship between the latent variables and the relationship between the latent variables and the indicator variables and to determine which constructs most affect the loyalty of costumers. Materials research is costumer of CA Perfumerry survey questionnaire measured using a Likert scale. Measurement model obtained is: perception demonstrated through by price, image, stage and moment of care services; competitiveness shown by the uniqueness and quality; the value of the product indicated by the value of emotions, values of epistem and value of conditions; satisfaction indicated through by reliability, responsiveness, assurance, empathy and tangible; and loyalty demonstrated through by relationships, retention, recommendation and change. Structural models obtained are: perception related to competitiveness and value of products, with a coefficient cross 0,70 and 0,34; value products related to satisfaction and loyalty, with coefficients cross 0,62 and 0,96; competitiveness associated with satisfaction and loyalty with a coefficient cross 0,79 and 0,71. Overall the factors most related to loyalty is the value of the product, and the most influential factor in satisfaction is competitiveness.

Keywords: Structural Equation Modelling, Loyalty, Latent Variables, Indicator Variables, Coefficient Cross.

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Abstrak vi

Abstract v

Daftar Isi vi

Daftar Tabel viii

Daftar Gambar ix

Daftar Lampiran x

Bab 1 Pendahuluan

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Kontribusi Penelitian

4

Bab 2 Landasan Teori

2.1 Loyalitas Konsumen 5

2.2 Kepuasan Konsumen 5

2.3 Nilai Produk 6

2.4 Persepsi Konsumen 6

2.5 Daya Saing 7

2.6 Kovariansi 7

2.7 Koefisien Korelasi dan Koefisien Determinasi 8

2.7.1 Koefisien Korelasi 8

2.7.2 Koefisien Determinasi 9

2.8 Analisis Multivariat 9

2.9 Regresi Linier Berganda 11

2.10 Structural Equation Modelling 11 2.10.1 Sejarah SEM dan Pengertian 11

2.10.2 Prinsip-prinsip Dasar 13

2.10.3 Konsep dan Istilah 14

2.10.4 Model Analisis Jalur 16

2.10.4.1 Model Regresi Berganda 16

2.10.4.2 Model Mediasi 16

2.10.4.3 Model Kombinasi Pertama dan Kedua 17

2.10.4.4 Model Kompleks 17

2.10.4.5 Model Rekursif dan Non Rekursif 18

2.10.5.2 Persamaan Dua Jalur 20 2.10.5.3 Persamaan Tiga Jalur 20

2.11 Metode Maximum Likelihood 21

2.12 Validitas dan Reliabilitas 22

2.13 Evaluasi Kelayakan Model 23

Bab 3 Metodologi Penelitian

3.1 Merumuskan Masalah

25

3.2 Studi Literatur 25

3.3 Pengamatan dan Pengumpulan Data 25

3.4 Membuat landasan Teori 27

3.4.1 Variabel Penelitian 27

3.5 Analisis dan Pengolahan Data 28

3.6 Membuat Kesimpulan dan Saran 29

Bab 4 Hasil dan Pembahasan

4.1 Pengolahan Data 30

4.1.1 Pengembangan Model Berbasis Teori 30 4.1.2 Mengkontruksi Diagram Jalur untuk Menunjukkan 32

Hubungan Kausalitas

4.1.3 Konversi Diagram Jalur ke dalam Serangkaian 32 Persamaan Struktural dan Spesifikasi Model Pengukuran 4.1.4 Memilih Input Matriks dan Mendapatkan Model Estimasi 34 4.1.5 Menguji Unidimensionalitas Masing-masing Konstruk 34

Dengan Konfirmatori Analisis Faktor

4.1.5.1 Uji Konfirmatori Konstruk Eksogen Persepsi 34 4.1.5.2 Uji Konfirmatori Antar Konstruk Endogen Nilai 36 Produk, Daya Saing, Kepuasan dan Loyalitas

4.1.6 Estimasi Persamaan Full Model 41 4.1.7 Pengujian Evaluasi Asumsi Model Struktural 42

4.1.8 Interpretasi Model 50

Bab 5 Kesimpulan dan Saran

5.1 Kesimpulan 57

5.2 Saran 58

DAFTAR TABEL

Nomor Judul Halaman

Tabel

4.1 Indikator-indikator dari Konstruk 31 4.2 Regression Weights: Konstruk Eksogen 35 4.3 Standardized Regression Weights: Konstruk Eksogen 36 4.4 Ukuran Kebaikan Model Persamaan Struktural pada 40

Konstruk Eksogen

4.5 Regression Weights: Konstruk Endogen 38 4.6 Standardized Regression Weights: Konstruk Endogen 38 4.7 Regression Weights: Modifikasi Konstruk Endogen 40 4.8 Standardized Regression Weights: Modifikasi Konstruk 40

Endogen

4.9 Assessment of normality 42

4.10 Observations farthest from the centroid 43 (Mahalanobis distance)

4.11 Regression Weights: Persamaan Full Model 46 4.12 Standardized Regression Weights: Persamaan Full Model 47

DAFTAR GAMBAR

Nomor Judul Halaman

Gambar

2.1 Model Analisis Jalur SEM 14

2.2 Bentuk Model Regresi Berganda 16

2.3 Bentuk Model Mediasi 17

2.4 Model Kombinasi Pertama dan Kedua 17

2.5 Bentuk Model Kompleks 18

2.6 Bentuk Model Rekursif dan Non Rekursif 18 2.7 Bentuk Model Persamaan Satu Jalur dalam SEM 19 2.8 Bentuk Model Persamaan Dua Jalur dalam SEM 20 2.9 Bentuk Model Persamaan Tiga Jalur dalam SEM 21

4.1 Model Kerangka Teoritis 34

4.2 Model Diagram Jalur Hubungan Kausalitas 36

4.3 Persepsi Konsumen 39

4.4 Uji Konfirmatori Konstruk Endogen 41 4.5 Hasil Modifikasi Uji Konfirmatori Konstruk Endogen 43 4.6 Hasil Analisis Full Model Persamaan Struktural 45

DAFTAR LAMPIRAN

Nomor Judul Halaman

Lamp

1. Cabang-cabang CA Perfumerry di Medan 60

2. Kuisioner 61

MODEL PERSAMAAN STRUKTURAL UNTUK MENGETAHUI LOYALITAS KONSUMEN

(Studi Kasus : Pelanggan Cinta Aroma (CA) Perfumerry di Medan)

ABSTRAK

Kajian ini bertujuan untuk memperoleh model persamaan struktural yang terbaik yang dapat menggambarkan hubungan antar peubah laten dan hubungan antara peubah laten dan peubah indikatornya dan untuk mengetahui konstruk mana yang paling mempengaruhi loyalitas dari konsumen. Bahan penelitian adalah hasil survei konsumen CA Perfumerry dengan menggunakan kuisioner yang diukur dengan skala likert. Model pengukuran yang diperoleh adalah : persepsi ditunjukkan melalui harga, citra, tahap pelayanan dan momen pelayanan; daya saing ditunjukkan melalui keunikan dan kualitas; nilai produk ditunjukkan melalui nilai emosi, nilai epistem dan nilai kondisi; kepuasan ditunjukkan melalui keandalan, daya tanggap, jaminan, empati dan kasat mata; dan loyalitas ditunjukkan melalui hubungan, retensi, rekomendasi dan perubahan. Model struktural yang diperoleh adalah : persepsi berhubungan dengan daya saing dan nilai produk, dengan koefisien lintas sebesar 0,70 dan 0,34; nilai produk berhubungan dengan kepuasan dan loyalitas, dengan koefisien lintas sebesar 0,62 dan 0,96; daya saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Secara keseluruhan faktor yang paling berhubungan dengan loyalitas adalah nilai produk, dan faktor yang paling berpengaruh dengan kepuasan adalah daya saing.

Kata kunci : Model Persamaan Struktural, Loyalitas, Peubah Laten, Peubah Indikator, Koefisien Lintas.

STRUCTURAL EQUATION MODELLING TO KNOW LOYALTY OF CUSTOMER

(Case Study: Customer of Cinta Aroma (CA) Perfumerry in Medan)

ABSTRACT

This study is to obtain the best structural equation modelling to describe the relationship between the latent variables and the relationship between the latent variables and the indicator variables and to determine which constructs most affect the loyalty of costumers. Materials research is costumer of CA Perfumerry survey questionnaire measured using a Likert scale. Measurement model obtained is: perception demonstrated through by price, image, stage and moment of care services; competitiveness shown by the uniqueness and quality; the value of the product indicated by the value of emotions, values of epistem and value of conditions; satisfaction indicated through by reliability, responsiveness, assurance, empathy and tangible; and loyalty demonstrated through by relationships, retention, recommendation and change. Structural models obtained are: perception related to competitiveness and value of products, with a coefficient cross 0,70 and 0,34; value products related to satisfaction and loyalty, with coefficients cross 0,62 and 0,96; competitiveness associated with satisfaction and loyalty with a coefficient cross 0,79 and 0,71. Overall the factors most related to loyalty is the value of the product, and the most influential factor in satisfaction is competitiveness.

Keywords: Structural Equation Modelling, Loyalty, Latent Variables, Indicator Variables, Coefficient Cross.

BAB 1

PENDAHULUAN

1.1Latar Belakang

Salah satu bidang usaha yang mulai bermunculan sekarang ini adalah usaha dibidang pengolahan bibit parfum. Banyak konsumen yang mulai menggemari parfum yang pengolahannya tanpa alkohol dibandingkan pafum-parfum import. Dari segi harga serta daya tahan, pengolahan bibit parfum terkadang lebih memuaskan konsumen.

Dengan adanya kualitas yang baik dari segala aspek dalam suatu perusahaan, akan menciptakan persepsi-persepsi tertentu bagi para konsumennya. Setelah konsumen puas dengan produk atau jasa yang diterimanya, konsumen akan membandingkan dengan pelayanan yang diberikan. Apabila konsumen merasa benar-benar puas, mereka akan memberikan rekomendasi kepada orang lain untuk membeli di tempat yang sama. Oleh karena itu, perusahaan harus mulai memikirkan pentingnya pelayanan pelanggan secara lebih matang melalui kualitas pelayanan, produk, dan persepsi-persepsi pelanggan karena kini disadari bahwa pelayanan dan kepuasan pelanggan merupakan aspek vital dalam bertahan didunia bisnis untuk memenangkan persaingan (Tjiptono, 2005).

Ada 6 alasan mengapa suatu institusi perlu mendapatkan loyalitas pelanggannya (Kotler, Hayes dan Bloom, 2002; dalam Kotler, 2004):

1. Pelanggan yang ada lebih prospektif, artinya pelanggan loyal akan memberi keuntungan besar kepada institusi.

2. Biaya mendapatkan pelanggan baru jauh lebih besar dibanding menjaga dan mempertahankan pelanggan yang ada.

3. Pelanggan yang sudah percaya kepada institusi dalam suatu urusan akan percaya juga dengan urusan lainnya.

4. Biaya operasi institusi akan menjadi efisien jika memiliki banyak pelanggan yang loyal.

5. Institusi dapat mengurangkan biaya psikologis dan sosial dikarenakan pelanggan lama telah mempunyai banyak pengalaman positif dengan institusi. 6. Pelanggan loyal akan selalu membela institusi bahkan berusaha pula untuk

menarik dan memberi saran kepada orang lain untuk menjadi pelanggan.

Toko Parfum CA Perfumerry di Medan mulai ada sejak Juni 2006, merupakan salah satu dari toko-toko parfum yang mulai berkembang di Medan ini dalam pengolahan bibit parfum isi ulang. Menjual lebih dari 200 macam jenis bibit parfum dengan berbagai merk yang banyak digemari masyarakat. Sampai tahun 2013 toko parfum CA Perfumerry ini sudah memiliki 14 cabang diberbagai daerah di Medan ini. Tidak hanya memiliki cabang disini, CA Perfumerry juga memiliki cabang diluar kota seperti Surabaya, Balikpapan, Lombok, Banjarmasin, Manado, Palembang dan Mataram. Memberikan harga yang terjangkau, serta kualitas yang sudah tidak diragukan lagi dalam pengolahan bibit parfum, menjadikan toko parfum ini semakin meningkatkan resistensinya.

Karena beberapa hal tersebut, jelas bahwa analisis kepuasan pelanggan perlu diadakan secara berkala oleh suatu perusahaan, agar perusahaan tersebut mengetahui hal-hal apa saja yang harus diperbaiki atau lebih ditingkatkan lagi untuk mempertahankan atau bahkan menambah jumlah konsumen. Ada banyak cara untuk mengukur kepuasan pelanggan, yaitu dengan pendekatan multiple logistic regression, structural equation modelling, partial least square dan generalized maximum entropy (Alamsyah, 2008: 62).

Structural Equation Modelling (SEM) atau model persamaan struktural merupakan analisis multivariat yang digunakan untuk menganalisis hubungan antar variabel secara kompleks. Analisis data dengan mengunakan SEM berfungsi untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan untuk memeriksa dan membenarkan suatu model (Hair et.al, 2006: 711). Syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur. SEM merupakan sekumpulan teknik – teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan.

Ada beberapa alasan yang mendasari penggunaan SEM diantaranya adalah (Dillala, 2000: 442) : Pertama, model yang dianalisis relatif rumit sehingga akan

sulit untuk diselesaikan dengan metode analisis jalur pada regresi linear. Kedua, SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Ketiga, kesalahan pada masing – masing observasi tidak diabaikan tetapi tetap dianalisis, sehingga SEM cukup akurat untuk menganalisis data kuesioner yang melibatkan persepsi. Keempat, Peneliti dapat dengan mudah memodifikasi model untuk memperbaiki model yang telah disusun agar lebih layak secara statistik. Kelima, SEM mampu menganalisis hubungan timbal balik secara serempak.

Berdasarkan uraian sebelumnya, penulis menjadikan Toko Parfum CA Perfumerry sebagai objek pengamatan dalam pembuatan skripsi ini dengan judul “Model Persamaan Struktural Untuk Mengetahui Loyalitas Konsumen, Studi pada Toko Parfum Cinta Aroma (CA Perfumerry) di Medan.

1.2Perumusan Masalah

Semakin banyaknya bermunculan toko pengolahan bibit parfum yang sejenis dengan CA Perfumerry, melalui penelitian ini menggunakan model persamaan struktural diharapkan mampu menentukan variabel construct yang mempunyai pengaruh paling besar sehingga CA Perfumerry dapat mempertahankan konsumennya, dan bagaimana menentukan model persamaan struktural terbaik dari loyalitas konsumen.

1.3Batasan Masalah

Untuk membuat permasalahan lebih terarah dan mencegah meluasnya permasalahan, maka dilakukan pembatasan – pembatasan antara lain :

1. Objek penelitian adalah pelanggan yang datang ke CA Perfumerry untuk membeli parfum.

2. Konsumen yang diteliti sebagai sampelnya diambil dari lima toko parfum CA Perfumerry di Medan yang dipilih berdasarkan kriteria tertentu.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah menganalisis pengaruh persepsi, nilai produk, daya saing dan kepuasan konsumen untuk menghasilkan loyalitas konsumen dengan menggunakan model persamaan struktural. Menentukan konstruk mana yang paling berpengaruh pada loyalitas sehingga bisa ditingkatkan.

1.5Kontribusi Penelitian

1.

Menambah

referensi bagi pembaca dalam penelitian sejenis di masa yang akan datang.

2.

Memberikan

informasi kepada CA Perfumerry seberapa pentingnya nilai produk, daya saing, persepsi dan kepuasan pelanggan menghasilkan loyalitas pelanggannya

.

BAB 2

LANDASAN TEORI

2.1Loyalitas Konsumen

Loyalitas adalah sikap positif seseorang terhadap suatu merek, sehingga konsumen memiliki keinginan kuat untuk membeli ulang merek yang sama pada saat sekarang maupun masa datang (Sumarwan, 2002). Perusahaan yang memiliki dukungan konsumen yang loyal akan dapat meningkatkan kinerja produk dari produsen sampai pengguna akhir secara optimal dan dapat meningkatkan dukungan pelayanan kepada konsumen. Pada akhirnya perusahaan dapat meningkatkan 4-R kepada konsumennya (Rangkuti, 2002). 4-R tersebut adalah :

1. Costumer Relationship, hubungan kedekatan dengam konsumen.

2. Costumer Retention, mempertahankan konsumen yang sudah ada.

3. Costumer Referrals, kesediaan konsumen untuk memberitahukan

kepuasan yang mereka nikmati kepada orang lain.

4. Costumer Recovery, mengubah kesalahan dengan segera dan cepat.

2.2Kepuasan Konsumen

Menurut Philip Kotler (1997:36) Kepuasan konsumen adalah perasaan senang atau kecewa seseorang yang berasal dari perbandingan antara kesannya terhadap kinerja (hasil) suatu produk dengan harapannya. Konsumen mempunyai kriteria yang pada dasarnya identik dengan beberapa jenis yang memberikan kepuasan kepada para konsumen (Christopher Lovelock, 1994, dalam Rangkuti, 2002). Kriteria tersebut adalah :

1. Reliabiliy (Keandalan), kemampuan untuk memberikan jasa secara akurat

sesuai dengan yang dijanjikan.

2. Responsiveness (Daya tanggap), kemampuan karyawan untuk membantu

konsumen menyediakan jasa dengan cepat sesuai dengan yang diinginkan.

3. Assurance (Jaminan), pengetahuan dan kemampuan karyawan untuk

4. Emphaty (Empati), karyawan harus memberikan perhatian dan mengerti kebutuhan konsumen.

5. Tangible (Kasat mata), penampilan karyawan, fasilitas fisik, peralatan dan

alat-alat komunikasi.

2.3Nilai Produk

Nilai produk adalah pengkajian secara menyeluruh manfaat dari suatu produk (Rangkuti, 2002). Konsumen memilih membeli atau tidak suatu produk berdasarkan lima komponen nilai (Seth Newman Gross, 1991, dalam Rangkuti, 2002). Kelima komponen nilai tersebut adalah:

1. Nilai fungsi, manfaat suatu produk dikaitkan dengan kemampuan produk tersebut untuk memenuhi fungsinya dari sudut pandang pertimbangan ekonomi.

2. Nilai sosial, manfaat suatu produk dikaitkan dengan kemampuan suatu produk tersebut untuk mengidentikkan konsumen dengan suatu kelompok sosial tertentu.

3. Nilai emosi, manfaat suatu produk dikaitkan kemampuan produk tersebut untuk membangkitkan perasaan pemakainya.

4. Nilai epistem, manfaat suatu produk dikaitkan kemampuan produk tersebut untuk memenuhi keingintahuan pemakainya.

5. Nilai kondisi, manfaat suatu produk dikaitkan kemampuan produk tersebut untuk memenuhi keperluan konsumen pada saat dan kondisi tertentu.

2.4Persepsi Konsumen

Persepsi adalah proses dimana individu memilih, mengorganisasikan dan mengartikan stimulus yang diterima melalui alat indranya menjadi suatu makna. Persepsi konsumen atas suatu jasa meliputi persepsi konsumen atas kesesuaian harga dengan fasilitas dan pelayanan yang diberikan, persepsi konsumen terhadap citra perusahaan, persepsi konsumen di setiap tahap pelayanan yang diberikan dan persepsi konsumen terhadap momen atau situasi pelayanan (Rangkuti, 2002).

2.5Daya Saing

Daya saing adalah kemampuan suatu produk, jasa maupun barang agar dapat menarik konsumen. Suatu produk hanya memiliki daya saing bila keunggulan produk tersebut dibutuhkan oleh konsumen. Keunggulan suatu produk jasa terletak pada keunikan serta kualitas pelayanan produk jasa disesuaikan dengan manfaat serta yang dibutuhkan oleh konsumen (Rangkuti, 2002).

2.6 Kovariansi

Kovariansi adalah jantung analisis dalam banyak pemodelan statistika, terutama yang menyangkut hubungan antara dua variabel atau lebih, meskipun seringkali tidak ditunjukkan secara eksplisit. Kovariansi dapat diartikan sebagai ukuran keeratan hubungan antara dua variabel .

Definisi (Bain dan Engelhardt, 1992) Kovariansi antara dua variabel random X

dan Y didefinisikan sebagai :

Kov(X,Y) =

σ

_xy = E[(X-µx

) -

(Y-

µ

y

)]

sedangkan variansi dari suatu variabel random X didefinisikan sebagai : Var(X) =

σ

_xx =

σ

_x2= E[(X-

µx)

2

]

Menurut Bain dan Engelhardt (1992) dan Bollen (1989) sifat- sifat kovariansi antara lain adalah jika X dan Y adalah variabel random sedangkan a dan b konstanta maka :

1. Kov(X,Y) = E(XY) − E(X)E(Y) = µ_XY −µ_X µ_Y , 2. Kov(c, X) = 0 ,

3. Kov(aX,bY) = abKov(XY) ,

4. Kov(X + a,Y + b) = Kov(XY) ,

2.7Koefisien Korelasi dan Koefisien Determinasi 2.7.1. Koefisien Korelasi

J.Supranto (2010) di dalam kehidupan sehari-hari, kejadian ekonomi dan kejadian lainnya saling berhubungan dan mempengaruhi. Kejadian-kejadian tersebut bisa dinyatakan sebagai perubahahan nilai variabel X dan Y. Analisis korelasi bertujuan untuk mengetahui kuatnya hubungan antar variabel X dan Y sebagai variabel bebas dan tak bebas.

Kalau X dan Y berkorelasi sangat kuat, analisis dilanjutkan dengan analisis regresi yang bertujuan untuk :

a. Mengetahui besarnya pengaruh dari perubahan X terhadap Y kalau X naik 1 unit (satu satuan), berapa kali kenaikan Y.

Catatan :

Kita bisa mengatakan besarnya pengaruh X terhadap Y kalau X naik 1 unit, kalau variabel, selain X dikontrol (konstan), tak mempengaruhi Y, misalnya dalam eksperimen, sebab yang mempengaruhi Y banyak faktor bukan hanya X.

b. Memperkirakan/meramalkan nilai Y kalau variabel X yang berkorelasi dengan Y sudah diketahui. (X sudah terjadi, merupakan kebijakan pimpinan atau merupakan ramalan). Kalau X diketahui X0, berapa nilai Y0?

Analisis korelasi dan regresi sangat penting bagi pimpinan, oleh karena pada dasarnya setiap kebijakan (policy) dari pimpinan (baik perusahaan swasta/BUMN/asing, maupun para pejabat pemerintah) pada dasarnya dimaksudkan untuk melakukan perubahan (change) sesuai dengan keinginan atau harapan.

Hubungan X dan Y positif kalau kenaikan/penurunan X diikuti dengan kenaikan/penurunan Y, sedangkan hubungan negatif kalau kenaikan/penurunan X diikuti penurunan/kenaikan Y.

Koefisien korelasi (r) merupakan suatu nilai untuk mengukur kuatnya hubungan antara X dan Y.

di mana

dan perkiraan dan berada diantara . Kalau , X dan Y tidak berkolerasi

Kalau hubungan X dan Y lemah positif atau negatif

hubungan X dan Y cukup kuat positif atau negatif hubungan X dan Y kuat positif atau negatif hubungan X dan Y sangat kuat positif atau negatif hubungan X dan Y sempurna positif atau negatif.

2.7.2 Koefisien Determinasi

Koefisien Determinasi (r2) merupakan sumbangan (share) dari X terhadap variasi (naik turunnya) Y, tingkat variasi ditunjukkan oleh besarnya nilai varian Y. Misalnya X = biaya promosi, Y = hasil penjualan. r = 0,9 dan r2 = (0,9)2 = 0,81 artinya sumbangan X (biaya promosi) terhadap variasi (naik turunnya) Y (hasil penjualan) = 81%, sisanya 19% merupakan sumbangan faktor lain seperti harga, daya beli, mutu barang, dan lain-lain.

2.8Analisis Multivariat

Masalah (problem) ialah sesuatu yang terjadi tidak sesuai dengan keinginan atau harapan. Setiap masalah yang timbul pasti ada faktor penyebab umumnya lebih dari satu. Kalau masalah kita sebut sebagai variabel tak bebas Y dan faktor penyebab sebagai variabel bebas X, maka oleh karena ada lebih dari satu X, katakan ada k buah, maka kita tulis faktor penyebab : X1, X2, ... , Xi, ... , Xk. Artinya Y disebabkan oleh X1, X2, ... , Xi, ... , Xk. Misalnya penjualan menurun disebabkan karena biaya promosi, harga, mutu pelayanan, saingan produk impor. Masing-masing faktor akan mempunyai pengaruh positif (menaikkan) atau negatif (menurunkan) dengan berbagai besaran yang berbeda. Untuk mempelajari

pengaruh dari beberapa variabel bebas (X) terhadap variabel tak bebas (Y) kita menggunakan metode ketergantungan/depedensi (depedency method).

Berbeda dengan yang disebutkan di atas, keingintahuan tentang sesuatu dan memang belum tahu, juga merupakan masalah. Misalnya ingin menentukan segmen pasar dengan membentuk kelompok (cluster) berdasarkan beberapa atribut seperti penghasilan, kekayaan, pendidikan, daerah tempat tinggal, kedudukan sosial, banyaknya mobil yang dimiliki, luas tanah yang dimiliki dijadikan dua segmen pasar yaitu pelanggan kaya dan tidak kaya. Jadi, peran peneliti membantu mencarikan faktor penyebab timbulnya masalah atau membantu untuk mencarikan informasi yang diinginkan seperti profil pelanggan, pengelompokkan pelanggan atau segmen pasar yang ideal untuk dilayani secara tepat.

Berdasarkan dua alasan di atas, analisis multivariat bisa dikelompokkan menjadi dua kelompok besar, yaitu :

1. Analisis depedensi/ketergantungan (depedency methods), bertujuan untuk menjelaskan atau meramalkan nilai variabel tak bebas berdasarkan lebih dari satu variabel bebas yang mempengaruhinya (X1, X2, ... , Xi, ... , Xk dan Y), kalau hanya melibatkan satu variabel bebas, analisis disebut analisis bivariat ( X dan Y).

2. Analisis interdepedensi/saling ketergantungan (interdepedence methods), bertujuan untuk memberikan arti (meaning) kepada suatu set variabel (kelompok variabel) atau mengelompokkan suatu set variabel menjadi kelompok yang lebih sedikit jumlahnya dan masing-masing kelompok membentuk variabel baru yang disebut faktor (mereduksi jumlah variabel). Perlu dijelaskan disini bahwa jenis skala yang dipergunakan untuk mengukur variabel tak bebas (Y) dan variabel bebas (X) dan juga banyaknya variabel tak bebas akan menetukan teknik analisis multivariat yang tepat. Dalam analisis multivariat data non-metrik (kualitatif) untuk nominal dan ordinal sedangkan data metrik (kuantitatif) untuk interval dan ratio (J. Supranto. 2010, hlm 18-20).

2.9Regresi Linier Berganda

Perlu diketahui bahwa faktor penyebab perubahan Y bukan hanya X akan tetapi masih banyak faktor lainnya. Kalau kita ingin memperhitungkan pengaruh lebih dari satu variabel bebas X, kita harus menggunakan analisis korelasi dan regresi linier berganda.

Manfaat Analisis Regresi Linier Berganda secara ringkas sebagai berikut : 1. Dapat digunakan untuk mengetahui besarnya pengaruh dari setiap variabel

bebas (yang tercakup dalam persamaan) terhadap variabel tak bebas, kalau variabel bebas tersebut naik 1 unit, dan variabel lainnya (sisanya) tetap dengan menggunakan nilai koefisien regresi parsial.

2. Dapat digunakan untuk meramalkan nilai variabel tak bebas Y, kalau seluruh variabel bebasnya sudah diketahui nilainya dan semua koefisien regresi parsial sudah dihitung.

Model regresi linier berganda sebagai berikut

Ada (k+1) variabel dalam persamaan Satu variabel tak bebas Y

k variabel bebas X : X1, X2, ... , Xk df = degrees of freedom = n – (k+1)

= banyaknya observasi (elemen sampel) dikurangi banyaknya variabel dalam persamaan.

= kesalahan pengganggu (distrubance’s error) yaitu kesalahan yang terjadi pada perkiraan/ramalan nilai Y disebabkan ada faktor lain yang mempengaruhi Y akan tetapi tidak diperhitungkan (tidak dimasukkan dalam persamaan).

2.10 Structural Equation Modelling (SEM)

2.10.1 Sejarah SEM dan Pengertian

Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisis jalur dan kemudian dipersempit dalam bentuk analisis structural equation modelling. Dari defenisi beberapa ahli menyebutkan diantaranya, ”Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel bergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993). Sementara itu, definisi lain mengatakan ”Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley,1997). David Garson dari North Carolina State University mendefenisikan analisis jalur sebagai ’model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah di mana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik (David Garson, 2003).

Model persamaan struktural (SEM) meliputi seluruh model yang terkenal dengan banyak nama seperti: covariance structure analysis, latent variabel analysis, confirmatory factor analysis dan sering disebut lisrel analysis yang merupakan salah satu nama program komputer.

Perlu disebutkan disini bahwa teknik SEM dibedakan oleh dua karakteristik, yaitu

1. Estimasi atau perkiraan hubungan depensi berganda dan saling terkait (estimation of multiple and interrelated depence relationship)

2. Kemampuan untuk mempresentasikan konsep yang tidak terlihat (unobserved consepts) dalam hubungan–hubungan ini dan memperhitungkan pengukuran kesalahan di dalam proses estimasi

2.10.2 Prinsip-Prinsip Dasar

Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam analisis jalur diantaranya ialah :

a. Adanya linieritas (Linierity). Hubungan antar variabel bersifat linier,: b. Adanya aditivitas (Additivity). Tidak ada efek-efek interaksi

c. Data berskala interval. Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (MSI) terlebih dahulu

d. Semua variabel residual (yang tidak diukur) tidak berkorelasi dengan salah satu variabel dalam model

e. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan semua variabel endogeneus dalam model. Jika dilanggar maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur.

f. Adanya rekursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping)

g. Spesifikasi model sangat diperlukan untuk menginterprestasikan koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefisien jalur akan merefleksikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasikan secara tepat dalam kaitannya dengan akibat langsung dan tidak langsung.

h. Terdapat ukuran sampel yang memadai. Untuk memperoleh hasil yang maksimal, sebaiknya digunakan sampel di atas 100.

2.10.3 Konsep dan Istilah

Dalam analisis jalur dikenal beberapa konsep dan istilah dasar. Pada Gambar 2.1 Model Analisis Jalur (SEM) akan diterangkan konsep-konsep dan istilah dasar :

Gambar 2.1 Model Analisis Jalur SEM

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab akibat antara variabel-variabel eksogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel residue) dengan semua variabel endogeneus masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogeneus.

2. Jalur penyebab untuk suatu variabel yang diberikan, meliputi pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua jalur-jalur-jalur-jalur korelasi dari semua variabel endogeneus yang dikorelasikan dengan vaiabel-variabel yang lain yang mempunyai anak panah anak panah menuju ke vaiabel-variabel yang sudah ada tersebut.

3. Variabel eksogeneus. Variabel-variabel eksogeneus dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada

P2 P3

P3

P4

P4 P4

r21

1

2

3 4

e2 e3

bagian kesalahan pengukuran. Jika antara variabel eksogeneus dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut.

4. Variabel endogeneus. Variabel endogeneus ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogeneus mempunyai anak panah yang menuju arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. 5. Koefisien jalur/pembobotan jalur. Koefisien jalur adalah koefisien regresi

standar atau disebut ”beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab maka koefisien-koefisien jalurnya merupakan koefisien-koefisien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan.

6. Variabel-variabel eksogeneus yang dikorelasikan. Jika semua variabel eksogeneus dikorelasikan maka sebagai penanda hubungannya ialah anak panah dengan dua kepala yang dihubungkan diantara variabel-variabel dengan koefisien korelasinya.

7. Istilah gangguan. Istilah kesalahan residual yang secara teknis disebut sebagai ’gangguan’ atau ’residue’ mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran.

8. Aturan multiplikasi jalur. Nilai dari suatu jalur gabungan adalah hasil semua koefisien jalurnya.

9. Dekomposisi pengaruh. Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model

tertentu. Ini didasarkan pada aturan bahwa dalam suatu sistem linier, pengaruh penyebab total suatu variabel ’i’ terhadap variabel ’j’ adalah jumlah semua nilai jalur dari ’i’ ke ’j’ .

2.10.4 Model Analisis Jalur

Ada beberapa model jalur mulai dari yang paling sederhana sampai dengan yang lebih rumit, di antaranya diterangkan dibawah ini :

2.10.4.1Model Regresi Berganda

Model pertama ini sebenarnya merupakan pengembangan regresi berganda dengan menggunakan dua variabel eksogeneous, yaitu X1 dan X2 dengan satu variabel endogeneus Y. Model digambarkan pada Gambar 2.2. Bentuk model regresi berganda sbb :

Gambar 2.2 Bentuk Model Regresi Berganda

2.10.4.2Model Mediasi

Model kedua adalah model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z. Model digambarkan, pada Gambar 2.3. Bentuk model mediasi :

X1

X2

Gambar 2.3 Bentuk Model Mediasi

2.10.4.3Model Kombinasi Pertama dan Kedua

Model ketiga ini merupakan kombinasi antara model pertama dan kedua, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan pada Gambar 2.4. Model kombinasi pertama dan kedua :

Gambar 2.4 Model Kombinasi Pertama dan Kedua

2.10.4.4 Model Kompleks

Model keempat ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1 model digambarkan pada Gambar 2.5. Bentuk model kompleks:

Y

X2 X1

Y

Gambar 2.5 Bentuk Model Kompleks

2.10.4.5 Model Rekursif dan Non Rekursif

Dari sisi pandang arah sebab akibat, ada dua tipe model jalur, yaitu rekursif dan non rekursif. Model rekursif ialah jika semua anak panah menuju satu arah seperti Gambar 2.6. Bentuk model rekursif dan non rekursif

Gambar 2.6 Bentuk Model Rekursif dan Non Rekursif

Model tersebut dapat diterangkan sebagai berikut:

a. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1

b. Hanya terdapat satu variabel eksogeneous, yaitu 1 dan tiga variabel endogenuous, yaitu 2,3 dan 4. Masing-masing variabel endogeneous diterangkan oleh variabel 1 dan error (e, e dan e ) Model non recursif

Y1

X2

Y2 X1

terjadi jika arah anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat (reciprocal cause).

2.10.5 Persamaan Jalur SEM 2.10.5.1Persamaan Satu Jalur

Bentuk model yang mengandung unsur persamaan satu jalur adalah pada model regresi berganda. Dimana hanya terdapat satu variabel endogeneus yang disebabkan oleh beberapa variabel eksogeneus. Bentuk modelnya dapat dilihat pada Gambar 2.7. Bentuk model persamaan satu jalur dalam SEM

Gambar 2.7 Bentuk Model Persamaan Satu Jalur Dalam SEM

Keterangan:

a. Variabel X1, X2 dan X3 adalah variabel eksogeneus b. Variabel Y adalah variabel endogeneus

2.10.5.2 Persamaan Dua Jalur

Dalam persamaan dua jalur model dikembangkan atas tiga variabel eksogeneus dan 2 variabel endogeneus. Model persamaannya dapat dilihat pada Gambar 2.8. Bentuk Model persamaan dua jalur dalam SEM :

Gambar 2.8 Bentuk Model Persamaan Dua Jalur Dalam SEM

Keterangan:

a. Variabel X1, X2 dan X3 adalah variabel eksogeneus b. Variabel Y1 dan Y2 adalah variabel endogeneus Persamaannya adalah:

a. Y1=RY1 X1 + RY X2+ RY X3 + €1 (Pers. Substruktur 1) b. Y2=RY2 X1 + RY2 X2+ RY2 X3 + €2 (Pers. Substruktur 2)

2.10.5.3 Persamaan Tiga Jalur

Dalam model persamaan tiga jalur, pada umumnya terdapat 2 variabel eksogeneus murni, dan satu variabel eksogeneus perantara, dan terdapat 2 variabel endogeneus. Bentuk model persamaan strukturalnya dapat dilihat secara lengkap pada Gambar 2.9. Bentuk model persamaan tiga jalur dalam SEM

Gambar 2.9 Bentuk Model Persamaan Tiga Jalur Dalam SEM

Keterangan:

a. Variabel X1 dan X3 adalah variabel eksogeneus b. Variabel X2 adalah variabel perantara

c. Variabel Y1 dan Y2 adalah variabel endogeneus Persamaannya adalah:

a. X2=R X2 X1 + R X2 X3 + €1 (Pers. Substruktur 1) b. Y1=RY1 X1 + RY1X2+ €2 (Pers. Substruktur 2) c. Y2=RY2 X3 + RY2 Y1+ €3 (Pers. Substruktur 3)

2.11 Metode Maximum Likelihood

Fungsi likelihood didefinisikan sebagai fungsi densitas peluang bersama dari n variabel acak X1, ... , Xn yang dipandang sebagai fungsi θ.

Jika X1, ... , Xn sampel acak dengan fungsi densitas peluang f (x;θ) maka

fungsi likelihood L(θ) didefinisikan sebagai :

L(θ) = f (x1;θ) ... f (xn;θ)

Untuk mengilustrasikan metode maximum likelihood, kita mengasumsikan bahwa populasi tersebut memiliki suatu fungsi kepadatan yang mengandung suatu

parameter populasi, misalnya θ, yang harus ditentukan dengan menggunakan suatu statistik tertentu, kemudian fungsi kepadatan dapat dilambangkan sebagai f

(x;θ). Dengan mengasumsikan bahwa terdapat n pengamatan yang independen x1,

... , xn. Fungsi Likelihood untuk pengamatan-pengamatan ini adalah: L(θ) = f (x1;θ). f (x2;θ)... f (xn;θ)

Estimator maximum likelihood dapat diperoleh dengan menentukan turunan dari L terhadap θ dan menyatakannya sama dengan nol atau dapat ditulis sebagai L (θ) = 0. Dalam hal ini akan lebih mudah untuk terlebih dahulu menghitung logaritma dan kemudian menentukan turunannya:

ln L (θ) = 0.

(Lipschuts dan Schiller, 2005:166)

2.12 Validitas dan Reliabilitas

Validitas adalah kemampuan indikator dalam mengukur apa yang seharusnya diukur. Validitas dinilai dengan cara menguji hipotesis H0 : = 0 lawan H1 :

, indikator dikatakan valid jika memiliki nilai hitung lebih besar dari t-hitung pada taraf nyata , yaitu jika nilai t-hitung lebih besar dari 1,96.

Reliabilitas adalah ukuran yang berkaitan dengan kekonsistenan indikator-indikator terhadap peubah laten yang diukurnya. Indikator secara bersama-sama mengukur peubah latennya diukur reliabilitasnya dengan menggunakan reliabilitas konstruk. Reliabilitas diukur melalui persamaan berikut :

Di mana :

k = jumlah peubah indikator yang mengukur peubah laten ke-j = koefisien jalur peubah indikator ke-i peubah laten ke-j

= ragam galat pengukuran indikator ke-i

Semakin besar nilai reliabilitas konstruk maka akan semakin baik indikator-indikator dalam mengukur peubah latennya. Nilai reliabilitas yang disarankan adalah lebih besar dari 0.50 (Hair et al. 1998).

2.13 Evaluasi Kelayakan Model

Kelayakan model dapat dilihat dari berbagai ukuran kelayakan model, dalam penelitian ini ukuran kelayak model yang digunakan adalah :

1. Chi-kuadrat

Nilai chi-kuadrat yang diperoleh relatif besar terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model tidak sesuai dengan matriks data. Sebaliknya chi-kuadrat yang relatif kecil terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model sesuai dengan matriks data. Ada beberapa kelemahan dalam uji chi-kuadrat yaitu tergantung pada asumsi kenormalan ganda, untuk memperoleh kecocokan yang lebih baik diperlukan model yang lebih kompleks, sensitif terhadap ukuran contoh (Mueller, 1996, dalam Wijanto, 2008).

2. Root Mean Square Residual (RMR)

Nilai RMR menunjukkan rata-rata sisaan koragam atau sisaan korelasi (Bollen, 1989). Formula bagi RMR adalah :

di mana ∑ adalah koragam populasi dan ∑(θ) adalah koragam model. Nilai RMR yang lebih kecil atau sama dengan 0,05 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal.

3. Root Mean Square Error of Approximation (RMSEA)

Nilai RMSEA merupakan ukuran ketidakcocokan model berdasarkan derajat bebas model. Formula bagi RMSEA adalah :

Model dengan nilai RMSEA lebih besar dari 0,10 mengindikasikan bahwa model tersebut tidak baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal ( McCallum, 1996, dalam Wijanto, 2008).

4. Goodness-of-Fit Index (GFI)

Nilai GFI mempresentasikan persen keragaman data yang dapat diterangkan oleh model. Formula GFI untuk metode maximum likelihood adalah :

Model nilai GFI lebih besar daripada 0,90 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Sharma 1996).

5. Adjusted Goodness-of-Fit Index (AGFI)

Nilai AGFI merupakan modifikasi dari nilai GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan. Formula bagi AGFI adalah :

Model dengan nilai AGFI lebih besar dari 0,80 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Sharma, 1996).

BAB 3

METODOLOGI PENELITIAN

Metodologi penelitian merupakan cara atau prosedur yang berisi tahapan-tahapan yang jelas dan disusun secara sistematis dalam proses penelitian. Tiap tahapan merupakan bagian yang menentukan tahapan selanjutnya sehingga harus dilalui dengan cermat.

3.1 Merumuskan Masalah

Langkah awal pada penelitian ini adalah merumuskan masalah. Masalah yang dirumuskan berdasarkan pendahuluan yaitu apakah construct dalam penelitian ini yang paling berpengaruh untuk membentuk loyalitas konsumen dan bagaimana model persamaan struktural terbaik yang diperoleh untuk menggambarkan loyalitas. Adapun data yang digunakan dalam proses analisis adalah data primer dengan penyebaran kuesioner kepada Pelanggan CA Perfumerry.

3.2 Studi Literatur

Studi literatur dilakukan dengan mengidentifikasi permasalahan, mengkaji dan menganalisis Model Persamaan Struktural. Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang telah ada sebelumnya mengenai hal-hal yang berhubungan dengan metode yang dipakai.

3.3 Pengamatan dan Pengumpulan Data 1. Tempat dan Waktu Penelitian

Penelitian ini dilakukan pada lima toko cabang parfum CA Perfumerry yang memiliki omset terbanyak diantara 14 cabang CA Perfumerry di Medan dengan rincian sebagai berikut :

1. Plaza Medan Fair Lt 2 no. 99 2. Medan Plaza Lt 2

3. Jl. Gaperta

4. Jl. Karya Sei Agul 5. Plaza Medan Fair lt 3

Penelitian dilakukan selama 3 minggu dimulai pada tanggal 21 April 2014 sampai tanggal 12 Mei 2014.

2. Objek Penelitian

Objek dalam penelitian ini adalah Pelanggan parfum di lima toko cabang CA Perfumerry di Medan yang membeli parfum untuk dirinya sendiri, minimal pembelian 2 x. Unit analisis penelitian ini adalah pelanggan yang berjenis kelamin perempuan. Hal ini dilakukan karena diperkirakan kelompok pelanggan ini bersifat netral dikarenakan karyawan-karyawan toko CA Perfumerry adalah perempuan. Sehingga mampu menjawab pertanyaan survey dengan objektif.

3. Metode Pengumpulan Data

Pengumpulan data dilakukan melalui penyebaran kuesioner secara langsung dengan individu responden. Kuisioner yang digunakan diukur dengan skala likert berskala lima yaitu sangat setuju, setuju, netral, tidak setuju, sangat tidak setuju. Pengambilan contoh dilakukan ketika pembeli telah membeli parfum di masing-masing lima toko yang dipilih berdasarkan kriteria awal dan pembeli yang terpilih sebagai responden adalah pembeli yang telah sering membeli parfum di CA Perfumerry. Metode sampling yang digunakan dalam penelitian kali ini adalah non probability sampling/non random sampling, dengan teknik yang digunakan adalah purposive sampling. Jumlah sampel yang diambil dari anggota populasi yaitu 100 orang pelanggan yang membeli parfum di lima toko cabang CA Perfumerry di Medan selama periode pengumpulan data. Hait et al (1998) menyarankan bahwa ukuran contoh minimum yaitu sebanyak 5 observasi untuk setiap peubah indikator dan untuk ukuran contoh yang disarankan jika menggunakan metode maximum likelihood adalah antara 100-200.

Setelah mendapatkan data yang dimaksud, selanjutnya dilakukan pembahasan secara teoritis mengenai metode yang digunakan dalam penelitian berdasarkan hasil studi literatur. Hal ini dilakukan untuk mengetahui bagaimana metode yang digunakan dalam kajian teorinya sebelum digunakan dalam penelitian.

3.4.1 Variabel Penelitian

1. Variabel Bebas (Independent)

Variabel bebas dalam penelitian kali ini adalah persepsi konsumen yang terdiri dari empat indikator yaitu :

1) Harga (X1) 2) Citra (X2)

3) Tahap Pelayanan (X3) 4) Momen Pelayanan (X4).

2. Variabel Tak Bebas (Dependent)

Variabel tak bebas dalam penelitian ini ada empat yaitu : A. Nilai Produk, yang terdiri dari lima indikator yaitu :

1) Nilai Fungsi (X5) 2) Nilai Sosial (X6) 3) Nilai Epistem (X7) 4) Nilai Emosi (X8) 5) Nilai Kondisi (X9)

B. Daya Saing, yang terdiri dari dua indikator yaitu : 1) Keunikan (X10)

2) Kualitas (X11)

C. Kepuasan Konsumen, yang terdiri dari lima indikator yaitu : 1) Keandalan (X12)

2) Daya Tanggap (X13) 3) Jaminan (X14)

4) Empati (X15) 5) Kasat Mata (X16)

D. Loyalitas Konsumen, yang terdiri dari empat indikator yaitu : 1) Hubungan (X17)

2) Retensi (X18) 3) Rekomendasi (X19) 4) Perubahan (X20)

3.5Analisis dan Pengolahan Data

Teknik pengolahan data yang digunakan adalah dengan Structural Equation Modelling (SEM) dengan metode confirmatory analysis (CFA). CFA adalah model pengukuran dimana variabel-variabel teramati (indikator-indikator) merefleksikan satu variabel laten tertentu (latent dimension).

Ada 7 tahapan prosedur pembentukan dan analisis SEM, yaitu:

1. Membentuk model teori sebagai dasar model SEM. Model ini adalah suatu model kausal atau sebab akibat yang menyatakan hubungan antar dimensi atau variabel.

2. Membangun path diagram dari hubungan kausal yang telah dibentuk berdasarkan dasar teori.

3. Membagi path diagram tersebut menjadi suatu set dari model pengukuran (measurement model) dan model structural (structural model).

4. Pemilihan matrik data input dan mengestimasi model yang diajukan.

5. Menguji Unidimensionalitas Masing-masing Konstruk dengan Konfirmatori Analisis Faktor.

6. Mengestimasi Persamaan Full Model. 7. Menguji Evaluasi Asumsi Model Struktural. 8. Menginterpretasikan Model.

Pada tahap akhir dari penelitian ini ditarik kesimpulan yang didasarkan pada hasil pengolahan data dan analisis yang dilakukan pada tahap sebelumnya. Selanjutnya akan diberikan saran-saran yang dianggap penting dan mungkin untuk ditindaklanjuti baik untuk kepentingan praktisi maupun untuk penyempurnaan bagian penelitian selanjutnya.

BAB 4

HASIL DAN PEMBAHASAN

4.1 Pengolahan Data

Untuk menentukan hubungan variabel yang berpengaruh terhadap pembentukan loyalitas konsumen CA Perfumerry, maka dapat ditentukan dengan jalur SEM berdasarkan setiap tahapan-tahapan berikut:

4.1.1 Pengembangan Model Berbasis Teori

Berdasarkan pada kajian teori yang ada dan hasil-hasil penelitian sebelumnya, diajukan model hubungan antar konstruk seperti dibawah ini :

Gambar 4.1 Model Kerangka Teoritis

Persepsi

Nilai Produk

Loyalitas Kepuasan Daya Saing

Adapun indikator-indikator dari konstruk tersebut dapat dilihat pada tabel berikut ini :

Tabel 4.1 Indikator-indikator dari Konstruk

Konstruk Indikator Konstruk Kode

1. Persepsi 1. Harga 2. Citra

3. Tahap Pelayanan 4. Momen Pelayanan

X1 X2 X3 X4 2. Nilai Produk

1. Nilai Fungsi 2. Nilai Sosial 3. Nilai Epistem 4. Nilai Emosi 5. Nilai Kondisi

Y1 Y2 Y3 Y4 Y5 3. Daya Saing 1.Keunikan

2.Kualitas

Y6 Y7 4. Kepuasan 1.Keandalan

2.Daya Tanggap 3.Jaminan 4.Empati 5.Kasat Mata

Y8 Y9 Y10 Y11 Y12 5. Loyalitas 1. Hubungan

2. Retensi 3. Rekomendasi. 4. Perubahan Y13 Y14 Y15 Y16

Sampel dari penelitian ini adalah pelanggan CA Perfumerry yang membeli di lima toko cabang CA Perfumerry di Medan dengan kriteria berjenis kelamin perempuan. Jumlah responden yang mengisi kuisioner ada 100 orang dan tabulasi data dapat dilihat pada Lampiran 3.

4.1.2 Mengkontruksi Diagram Jalur untuk Menunjukkan Hubungan Kausalitas

Berdasarkan dari kajian teori yang ada dibuat gambar diagram jalur hubungan kausalitas antar konstruk beserta indkatornya. Gambar hubungan antar konstruk dapat dilihat pada Gambar 4.2 berikut :

Gambar 4.2 Model Diagram Jalur Hubungan Kausalitas

4.1.3 Konversi Diagram Jalur ke dalam Serangkaian Persamaan Struktural dan Spesifikasi Model Pengukuran

Persamaan struktural dari model diagram jalur dinyatakan sebagai berikut :

(1) (2) (3) (4)

Konstruk Endogen Nilai Produk

Konstruk Endogen Daya Saing

Konstruk Endogen Kepuasan

Konstruk Endogen Loyalitas

Model persamaan struktural mengakomodasi input matriks dalam bentuk covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input matriks ini dapat digunakan. Namun demikian karena tujuannya adalah mengeksplorasi pola saling hubungan (interrelationship), maka input matriks dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan dari data mentah ke bentuk kovarian atau korelasi lebih dahulu sebagai input analisis. Kemudian untuk estimasi dipilih estimasi Maximum Likelihood (ML) untuk mengestimasi data yang sudah diinput. Estimasi Maximum Likelihood (ML) dipilih karena dengan model estimasi Maximum Likelihood (ML) minimum diperlukan 100 buah sampel. Ketika sampel dinaikkan di atas nilai 100, metode Maximum Likelihood (ML) meningkat sensitivitasnya untuk mendetekasi perbedaan antar data. Begitu sampel menjadi besar, maka metode Maximum Likelihood (ML) menjadi angat sensitive dan selalu menghasilkan perbedaan secara signifikan sehingga ukuran Goodness of Fit menjadi jelek. Jadi dapat direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan unutk metode estimasi Maximum Likelihood (ML).

4.1.5 Menguji Unidimensionalitas Masing-masing Konstruk dengan Konfimatori Analisis Faktor

Analisis Konfirmatori dilakukan antar variabel eksogen dan antar variabel endogen. Pada model hanya ada satu variabel eksogen yaitu Persepsi. Sedangkan memiliki 4 variabel endogen yaitu Nilai Produk, Daya Saing, Kepuasan dan Loyalitas.

4.1.5.1Uji Konfirmatori Konstruk Eksogen Persepsi

Gambar 4.3 Perserpsi Konsumen Computation of degrees of freedom (Default model)

Number of distinct sample moments: 14 Number of distinct parameters to be estimated: 12 Degrees of freedom (14 - 12): 2

Result (Default model) Minimum was achieved Chi-square = 1,881 Degrees of freedom = 2 Probability level = ,390

Tabel 4.2 Regression Weights: Konstruk Eksogen

Estimate S.E. C.R. P Label X4 <--- Persepsi 1,000

X3 <--- Persepsi ,786 ,101 7,747 *** par_1 X2 <--- Persepsi ,644 ,104 6,200 *** par_2 X1 <--- Persepsi ,626 ,105 5,950 *** par_3

Tabel 4.3 Standardized Regression Weights: Konstruk Eksogen

Estimate X4 <--- Persepsi ,934 X3 <--- Persepsi ,737 X2 <--- Persepsi ,629 X1 <--- Persepsi ,586

Tabel 4.4 Ukuran Kebaikan Model Persamaan Struktural pada Konstruk Eksogen Kriteria Pengujian Nilai yang disarankan Hasil Uji

χ2

Nilai p ≥ 0,05 1,881

(Nilai p=0,390)

RMSEA ≤ 0,10 0,000

TLI ≥ 0,90 1,003

GFI ≥ 0,90 0,901

AGFI ≥ 0,80 0,810

Berdasarkan ukuran kebaikan model untuk konstruk eksogen yang disajikan pada Tabel 4.4, menunjukkan bahwa model yang diperoleh untuk konstruk ini merupakan model yang sangat baik. Hal ini berdasarkan ukuran kebaikan model RMSEA, TLI, GFI, AGFI yang sesuai dengan nilai yang disarankan. Nilai loading faktor semua sudah signifikan dan semua memiliki nilai loading diatas 0,50 jadi sudah memenuhi convergen validity.

4.1.5.2Uji Konfirmatori antar Konstruk Endogen Nilai Produk, Daya Saing, Kepuasan dan Loyalitas

Keempat variabel endogen ini saling kita kovariankan dan berikut ini disajikan hasil pengolahan uji konfirmatori antar konstruk Nilai Produk, Daya Saing, Kepuasan, dan Loyalitas

Gambar 4.4 Hasil Uji Konfirmatori Konstruk Endogen

Result (Default model)

Minimum was achieved Chi-square = 196,303 Degrees of freedom = 98 Probability level = ,000

Tabel 4.5 Regression Weights: Konstruk Endogen

Estimate S.E. C.R. P Label Y3 <--- Nilai Produk 1,000

Y2 <--- Nilai Produk ,587 ,166 3,542 *** par_1 Y1 <--- Nilai Produk ,432 ,200 2,161 ,031 par_2 Y6 <--- Daya Saing 1,000

Y7 <--- Daya Saing 1,176 ,216 5,443 *** par_3 Y8 <--- Kepuasan 1,000

Y9 <--- Kepuasan 1,026 ,109 9,370 *** par_4 Y10 <--- Kepuasan ,745 ,117 6,374 *** par_5 Y11 <--- Kepuasan 1,002 ,115 8,743 *** par_6 Y12 <--- Kepuasan ,862 ,119 7,213 *** par_7 Y16 <--- Loyalitas 1,000

Y15 <--- Loyalitas ,910 ,174 5,246 *** par_8 Y14 <--- Loyalitas 1,203 ,194 6,186 *** par_9 Y13 <--- Loyalitas ,774 ,156 4,952 *** par_10 Y4 <--- Nilai Produk 1,099 ,217 5,071 *** par_17 Y5 <--- Nilai Produk 1,323 ,232 5,712 *** par_18

Tabel 4.6 Standardized Regression Weights: Konstruk Endogen Estimate

Y3 <--- Nilai Produk ,585 Y2 <--- Nilai Produk ,410 Y1 <--- Nilai Produk ,240 Y6 <--- Daya Saing ,686 Y7 <--- Daya Saing ,763 Y8 <--- Kepuasan ,835 Y9 <--- Kepuasan ,807 Y10 <--- Kepuasan ,619 Y11 <--- Kepuasan ,782 Y12 <--- Kepuasan ,675 Y16 <--- Loyalitas ,656 Y15 <--- Loyalitas ,648 Y14 <--- Loyalitas ,818 Y13 <--- Loyalitas ,579 Y4 <--- Nilai Produk ,629 Y5 <--- Nilai Produk ,897

Hasil uji Chi-squares menunjukkan nilai 196,303 dengan probabilitas p = 0,000 hal ini dapat diartikan bahwa model tidak fit. Kriteria fit lainnya seperti GFI, AGFI, TLI, dan RMSEA juga memberikan nilai yang tidak fit. Untuk itu perlu dilihat nilai convergent validity dari indikator-indikator pembentuk konstruk laten. Dilihat dari nilai standardized loading factor apakah ada yang nilainya dibawah 0,50. Nilai loading factor dibawah 0,50 kita drop dari analisis karena dianggap tidak valid mengukur konstruk latennya. Dalam hal ini yang harus didrop adalah Y2, Y1. Model dire-estimasi kembali dengan hasil seperti dibawah ini ;

Tabel 4.7 Regression Weights: Modifikasi Konstruk Endogen

Estimate S.E. C.R. P Label Y3 <--- Nilai Produk 1,000

Y6 <--- Daya Saing 1,000

Y7 <--- Daya Saing 1,166 ,211 5,524 *** par_1 Y8 <--- Kepuasan 1,000

Y9 <--- Kepuasan 1,026 ,110 9,357 *** par_2 Y10 <--- Kepuasan ,746 ,117 6,369 *** par_3 Y11 <--- Kepuasan 1,005 ,115 8,754 *** par_4 Y12 <--- Kepuasan ,861 ,120 7,194 *** par_5 Y16 <--- Loyalitas 1,000

Y15 <--- Loyalitas ,912 ,174 5,245 *** par_6 Y14 <--- Loyalitas 1,214 ,196 6,202 *** par_7 Y13 <--- Loyalitas ,772 ,157 4,929 *** par_8 Y4 <--- Nilai Produk 1,126 ,223 5,053 *** par_15 Y5 <--- Nilai Produk 1,328 ,237 5,612 *** par_16

Tabel 4.8 Standardized Regression Weights: Modifikasi Konstruk Endogen

Estimate Y3 <--- Nilai Produk ,580 Y6 <--- Daya Saing ,689 Y7 <--- Daya Saing ,760 Y8 <--- Kepuasan ,834 Y9 <--- Kepuasan ,806 Y10 <--- Kepuasan ,619 Y11 <--- Kepuasan ,784 Y12 <--- Kepuasan ,674 Y16 <--- Loyalitas ,654 Y15 <--- Loyalitas ,647 Y14 <--- Loyalitas ,823 Y13 <--- Loyalitas ,576 Y4 <--- Nilai Produk ,638 Y5 <--- Nilai Produk ,892

Hasil nilai Chi-squares 140,851 dengan probabilitas p=0,000 menunjukkan bahwa model telah fit. Begitu juga dengan kriteria fit lainnya GFI, AGFI, TLI nilainya

sesuai dengan yang direkomendasikan. Nilai loading faktor semua sudah signifikan dan semua memiliki nilai loading diatas 0,50.

4.1.6 Estimasi Persamaan Full Model

Setelah dilakukan analisis konfirmatori langkah selanjutnya adalah melakukan estimasi model model full struktural yang hanya memasukkan indikator yang telah diuji dengan konfirmatori. Berikut ini tampilannya :

Gambar 4.6 Hasil Analisis Full Model Persamaan Struktural

Model persamaan struktural ini ternyata telah memenuhi kriteria model fit yang ditunjukkan dengan nilai Chi-squares = 240,396 dengan probabilitas p=0,000. Begitu juga dengan nilai kriteria lainnya seperti GFI, AGFI dan TLI yang

nilainya sesuai dengan ketentuan yang diberikan begitu juga nilai standardized loading faktor yang nilainya tidak ada yang dibawah nilai 0,50

4.1.7 Pengujian Evaluasi Asumsi Model Struktural

1. Normalitas Data

Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skewness value sebesar ± 2,58 pada tingkat signifikan 0,01. Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness value dibawah harga mutlak 2,58. Hasil output normalitas data dapat terlihat dibawah ini ;

Tabel 4.9 Assessment of normality

Variable min max skew c.r. kurtosis c.r. Y5 2,000 5,000 -,035 -,144 -,796 -1,626 Y3 2,000 5,000 -,245 -1,002 -,962 -1,964 Y4 1,000 5,000 -,287 -1,172 -,628 -1,282 Y13 1,000 5,000 -,414 -1,690 ,746 1,522 Y14 2,000 5,000 -,197 -,804 -,902 -1,841 Y15 2,000 5,000 -,344 -1,405 -,758 -1,546 Y16 1,000 5,000 -,096 -,393 -,247 -,504 Y12 2,000 5,000 -,485 -1,979 -,395 -,805 Y11 2,000 5,000 -,322 -1,313 -,599 -1,223 Y10 2,000 5,000 -,094 -,382 -,580 -1,184 Y9 2,000 5,000 -,219 -,894 -,838 -1,711 Y8 2,000 5,000 -,211 -,863 -,553 -1,128 Y7 1,000 5,000 -,641 -2,619 ,309 ,631 Y6 1,000 5,000 -,417 -1,701 ,277 ,566 X1 1,000 5,000 -,547 -2,231 ,436 ,891 X2 1,000 5,000 -,989 -4,038 2,027 4,138 X3 1,000 5,000 -,611 -2,495 ,870 1,775 X4 1,000 5,000 -,624 -2,546 ,901 1,839

Multivariate 74,868 13,951

Dari nilai critical ratio skewness value semua indikator menunjukkan distribusi normal karena nilainya di bawah 2,58.

2. Evaluasi Outlier

Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim, bail untuk sebuah variabel tunggal ataupun variabel-variabel kombinasi (Hair et al, 1998). Deteksi terhadap multivariat outliers dilakukan dengan memperhatikan nilai mahalanobis distance. Kriteria yang digunakan adalah berdasarkan nilai Chi-squares pada derajat kebebasan (degreee of freedom) 20 yaitu jumlah variabel indikator pada tingkat signifikan p<0.001. Nilai 20 yaitu jumlah variabel indikator pada tingkat signifikan p<0.001. Nilai Mahalonabis distance . hal ini berarti semua kasus yang mempunyai mahalonobis distance yang lebih besar dari 45.32 adalah multivariat outliers. Berikut ini hasil output mahalanobis distance dari program AMOS ; Tabel 4.10 Observations farthest from the centroid (Mahalanobis distance)

Observation number Mahalanobis d-squared p1 p2

24 45,911 ,000 ,030

46 42,884 ,001 ,003

32 41,813 ,001 ,000

100 38,243 ,004 ,000

81 35,662 ,008 ,001

29 35,016 ,009 ,000

98 34,044 ,012 ,000

23 33,146 ,016 ,000

28 32,563 ,019 ,000

49 31,930 ,022 ,000

47 31,011 ,029 ,000

80 30,949 ,029 ,000

20 30,833 ,030 ,000

53 29,665 ,041 ,000

50 28,999 ,048 ,000

51 28,448 ,056 ,000

96 27,761 ,066 ,000

31 27,538 ,069 ,000

7 27,270 ,074 ,000

79 27,086 ,077 ,000

48 26,397 ,091 ,000

97 26,392 ,091 ,000

Observation number Mahalanobis d-squared p1 p2

62 25,902 ,102 ,000

21 25,027 ,124 ,000

55 25,006 ,125 ,000

5 24,459 ,141 ,001

14 24,402 ,142 ,000

57 24,094 ,152 ,000

40 23,920 ,158 ,000

43 23,842 ,160 ,000

22 23,502 ,172 ,000

2 23,459 ,174 ,000

37 23,371 ,177 ,000

88 23,028 ,190 ,000

74 22,365 ,216 ,001

87 21,622 ,249 ,005

63 21,411 ,259 ,005

65 21,090 ,275 ,008

56 20,816 ,289 ,011

75 19,759 ,347 ,111

18 19,502 ,362 ,133

19 19,216 ,379 ,169

36 18,386 ,431 ,462

34 18,345 ,433 ,404

59 18,258 ,439 ,370

85 18,128 ,447 ,360

9 17,085 ,517 ,801

99 16,861 ,533 ,830

26 16,656 ,547 ,851

95 16,576 ,552 ,830

8 16,547 ,554 ,786

25 16,338 ,569 ,813

3 16,023 ,591 ,872

86 16,005 ,592 ,832

33 15,429 ,632 ,944

11 15,423 ,633 ,919

16 14,663 ,685 ,990

64 14,560 ,692 ,988

76 14,388 ,703 ,990

70 13,469 ,763 1,000

91 13,394 ,768 1,000

82 13,345 ,771 ,999

77 13,029 ,790 1,000

Observation number Mahalanobis d-squared p1 p2

13 12,370 ,828 1,000

39 12,208 ,836 1,000

35 11,688 ,863 1,000

71 11,258 ,883 1,000

12 11,114 ,889 1,000

73 11,095 ,890 1,000

84 11,083 ,891 1,000

1 10,336 ,920 1,000

90 10,153 ,927 1,000

10 10,134 ,927 1,000

83 10,130 ,928 1,000

38 9,742 ,940 1,000

69 9,548 ,946 1,000

30 9,516 ,947 1,000

61 9,465 ,948 1,000

42 9,349 ,951 1,000

58 8,220 ,975 1,000

41 7,864 ,981 1,000

93 7,660 ,983 1,000

66 7,652 ,983 1,000

94 7,371 ,987 1,000

67 6,758 ,992 1,000

92 6,758 ,992 1,000

15 6,434 ,994 1,000

72 5,412 ,998 1,000

4 3,616 1,000 1,000

60 3,384 1,000 1,000

78 3,384 1,000 1,000

89 3,384 1,000 1,000

44 3,184 1,000 1,000

17 2,574 1,000 1,000

6 2,286 1,000 1,000

27 2,114 1,000 1,000

52 ,901 1,000 1,000

54 ,901 1,000 1,000

Angka-angka pada tabel di atas menunjukkkan seberapa jauh jarak sebuah data dari titik pusat tertentu, jarak tersebut diukur dengan metode Mahalanobis. Semakin jauh jarak sebuah data dengan titik pusat (centroid), semakin ada kemungkinan data masuk dalam kategori outlier, atau data yang sangat berbeda dengan data lainnya. Perhatikan data pada tabel yang menunjukkan urutan besar

Mahalanobis Distance, dari yang terbesar sampai terkecil. Sebuah data termasuk outlier jika mempunyai angka p1 dan p2 yang kurang dari 0,001. Pada data di atas, angka diurutkan mulai dari nomor data yang mempunyai jarak terbesar. Dari 100 data, data nomor 24 dapat dianggap data outlier, karena pada kolom p1 dan p2 mempunyai nilai yang kurang dari 0,001. Jika data mempunyai angka yang sudah di atas 0,001, maka dapat dianggap bukan outlier. Selain itu, data nomor 24 mempunyai nilai diatas 45.32 sehingga dianggap multivariat outliers.

3. Estimasi nilai parameter

Pengujian terhadap hipotesis yang diajukan dapat dilihat dari hasil koefisien standardized regression. Hasil output estimasi dapat dilihat di bawah ini :

Tabel 4.11 Regression Weights: Persamaan Full Model

Estimate S.E. C.R. P Label Nilai Produk <--- Persepsi ,339 ,103 3,279 ,001 par_16 Daya saing <--- Persepsi ,704 ,130 5,413 *** par_13 Daya saing <--- Nilai Produk -,210 ,123 -1,716 ,086 par_17 Kepuasan <--- Persepsi -,079 ,254 -,311 ,756 par_14 Kepuasan <--- Nilai Produk ,619 ,165 3,757 *** par_18 Kepuasan <--- Daya saing ,791 ,332 2,382 ,017 par_20 Loyalitas <--- Persepsi -,155 ,305 -,508 ,611 par_12 Loyalitas <--- Nilai Produk ,963 ,435 2,216 ,027 par_19 Loyalitas <--- Kepuasan -,386 ,492 -,785 ,433 par_21 Loyalitas <--- Daya saing ,714 ,669 1,066 ,286 par_23 X4 <--- Persepsi 1,000

X3 <--- Persepsi ,853 ,098 8,745 *** par_1 X2 <--- Persepsi ,677 ,099 6,847 *** par_2 X1 <--- Persepsi ,680 ,105 6,468 *** par_3 Y6 <--- Daya saing 1,000

Y7 <--- Daya saing 1,290 ,216 5,981 *** par_4 Y8 <--- Kepuasan 1,000

Y9 <--- Kepuasan 1,031 ,112 9,216 *** par_5 Y10 <--- Kepuasan ,762 ,119 6,429 *** par_6 Y11 <--- Kepuasan 1,018 ,117 8,726 *** par_7 Y12 <--- Kepuasan ,883 ,122 7,259 *** par_8 Y16 <--- Loyalitas 1,000

Y15 <--- Loyalitas ,915 ,174 5,268 *** par_9 Y14 <--- Loyalitas 1,216 ,196 6,212 *** par_10

Estimate S.E. C.R. P Label Y13 <--- Loyalitas ,766 ,156 4,896 *** par_11 Y4 <--- Nilai Produk 1,000

Y3 <--- Nilai Produk ,883 ,175 5,052 *** par_15 Y5 <--- Nilai Produk 1,174 ,193 6,071 *** par_22

Tabel 4.12 Standardized Regression Weights: Persamaan Full Model

Estimate Nilai Produk <--- Persepsi ,422 Daya saing <--- Persepsi ,893 Daya saing <--- Nilai Produk -,214 Kepuasan <--- Persepsi -,090 Kepuasan <--- Nilai Produk ,569 Kepuasan <--- Daya saing ,714 Loyalitas <--- Persepsi -,207 Loyalitas <--- Nilai Produk 1,035 Loyalitas <--- Kepuasan -,451 Loyalitas <--- Daya saing ,752 X4 <--- Persepsi ,894 X3 <--- Persepsi ,767 X2 <--- Persepsi ,633 X1 <--- Persepsi ,610 Y6 <--- Daya saing ,655 Y7 <--- Daya saing ,799 Y8 <--- Kepuasan ,826 Y9 <--- Kepuasan ,802 Y10 <--- Kepuasan ,626 Y11 <--- Kepuasan ,786 Y12 <--- Kepuasan ,684 Y16 <--- Loyalitas ,654 Y15 <--- Loyalitas ,649 Y14 <--- Loyalitas ,824 Y13 <--- Loyalitas ,571 Y4 <--- Nilai Produk ,640 Y3 <--- Nilai Produk ,578 Y5 <--- Nilai Produk ,891

4. Uji Reabilitas

Reabilitas adalah ukuran konsistensi internal dari indikator-indikator sebuah variabel bentukan yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah variabel bentukan yang umum. Terdapat dua cara yang dapat digunakan, yaitu composite (construct) reliability dan variance extracted. Cut-off value dari construct reliability adalah minimal 0,70 sedangkan cut-off value untuk variance extraced minimal 0,50.

Composite reliability didapat dengan rumus :

1. Standardized loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator

2. adalah measurement erroe = 1 – (standardized loading)2

Sum standardized loading untuk :

Perhitungan Reliabilitas

Reliabilitas untuk masing-masing konstruk terlihat Daya Saing dan Nilai produk memiliki nilai dibawah cut-off value 0,70.

5. Variance Extraced

Variance Extraced memperlihatkan jumlah varians dari indikator-indikator yang diekstraksi oleh variabel bentukan yang dikembangkan. Nilai variance extraced yang tinggi menunjukkan bahwa indikator-indikator itu telah mewakili secara baik variabel bentukan yang dikembangkan. Besarnya nilai variance extraced dihitung dengan rumus sebagai berikut :

Perhitungan Variance Extraced

Hasil perhitungan variance extraced menunjukkan bahwa semua konstruk memnuhi syarat cut-off value minimal 0,50, kecuali untuk konstruk loyalitas dan nilai produk dengan nilai variance dibawah 0,50.

4.1.8 Interpretasi Model

Hubungan antar variabel model dapat dilihat pada tabel berikut : Tabel 4.13 Hubungan Antar Variabel

Hubungan Antar Variabel Nilai Hubungan

Keterangan

Persepsi dan X1 0,610 Pengaruh persepsi terhadap X1 kuat

Persepsi dan X2 0,633 Pengaruh persepsi terhadap X2 kuat

Persepsi dan X3 0,767 Pengaruh persepsi terhadap X3 sangat kuat

Persepsi dan X4 0,894 Pengaruh persepsi terhadap X4 sangatkuat

Nilai Produk dan Y3 0,578 Pengaruh Nilai Produk terhadap Y3 cukup

kuat

Nilai Produk dan Y4 0,640 Pengaruh Nilai Produk terhadap Y4 kuat

Nilai Produk dan Y5 0,891 Pengaruh Nilai Produk terhadap Y5 sangat

Daya Saing dan Y6 0,655 Pengaruh Daya Saing terhadap Y6 kuat

Daya Saing dan Y7 0,799 Pengaruh Daya Saing terhadap Y7 sangat

kuat

Kepuasan dan Y8 0,826 Pengaruh Kepuasan terhadap Y8 sangat kuat

Kepuasan dan Y9 0,802 Pengaruh Kepuasan terhadap Y9 sangat kuat

Kepuasan dan Y10 0,626 Pengaruh Kepuasan terhadap Y10 kuat

Kepuasan dan Y11 0,786 Pengaruh Kepuasan terhadap Y11 sangat

kuat

Kepuasan dan Y12 0,684 Pengaruh Kepuasan terhadap Y12 kuat

Loyalitas dan Y13 0,571 Pengaruh Loyalitas terhadap Y13 cukup kuat

Loyalitas dan Y14 0,824 Pengaruh Loyalitas terhadap Y14 sangat kuat

Loyalitas dan Y15 0,649 Pengaruh Loyalitas terhadap Y15 kuat

Loyalitas dan Y16 0,654 Pengaruh Loyalitas terhadap Y16 kuat

Persepsi dan Nilai Produk 0,422 Persepsi dan Nilai Produk saling mempengaruhi cukup kuat

Persepsi dan Daya Saing 0,893 Persepsi dan Daya Saing saling mempengaruhi sangat kuat

Persepsi dan Kepuasan -0,90 Persepsi dan Kepuasan saling mempengaruhi sangat kuat dan berkebalikan arah

Persepsi dan Loyalitas -0,207 Persepsi dan Loyalitas saling mempengaruhi rendah dan berkebalikan arah

Nilai Produk dan Daya Saing

-0,214 Nilai Produk dan Daya Saing saling mempengaruhi rendah dan berkebalikan arah

Nilai Produk dan Kepuasan 0,569 Nilai Produk dan Kepuasan saling mempengaruhi cukup kuat

Nilai Produk dan Loyalitas 1,035 Nilai Produk dan Loyalitas saling mempengaruhi sangat kuat

Daya Saing dan Kepuasan 0,714 Daya Saing dan Kepuasan saling mempengaruhi sangat kuat

Daya Saing dan Loyalitas 0,752 Daya Saing dan Kepuasan saling mempengaruhi sangat kuat

Kepuasan dan Loyalitas -0,451 Kepuasan dan Loyalitas saling mempengaruhi cukup kuat dan berkebalikan

pada indikator keandalan, maka akan diikuti kenaikan variabel Kepuasan Konsumen.

11. Indikator Daya Tanggap dapat menjelaskan variabel Kepuasan Konsumen dalam pembentukan Loyalitas Konsumen sebesar 64%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator daya tanggap mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,802. Artinya jika terjadi kenaikan pada indikator daya tanggap, maka akan diikuti kenaikan variabel Kepuasan Konsumen.

12. Indikator Jaminan dapat menjelaskan variabel Kepuasan Konsumen dalam pembentukan Loyalitas Konsumen sebesar 39%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator jaminan mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0,626. Artinya jika terjadi kenaikan pada indikator jaminan, maka akan diikuti kenaikan variabel Kepuasan Konsumen. 13. Indikator Empati dapat menjelaskan variabel Kepuasan Konsumen dalam

pembentukan Loyalitas Konsumen sebesar 62%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator empati mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,786. Artinya jika terjadi kenaikan pada indikator empati, maka akan diikuti kenaikan variabel Kepuasan Konsumen. 14. Indikator Kasat Mata dapat menjelaskan variabel Kepuasan Konsumen dalam

pembentukan Loyalitas Konsumen sebesar 47%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator kasat mata mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0,684. Artinya jika terjadi kenaikan pada indikator kasat mata, maka akan diikuti kenaikan variabel Kepuasan Konsumen.

15. Indikator Hubungan dapat menjelaskan variabel Loyalitas Konsumen sebesar 33%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator keandalan mempengaruhi cukup kuat dan searah dengan nilai korelasi sebesar 0,571. Artinya jika terjadi kenaikan pada indikator hubungan, maka akan diikuti kenaikan variabel Loyalitas Konsumen.

16. Indikator Retensi dapat menjelaskan variabel Loyalitas Konsumen sebesar 68%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator retensi mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,824.

Artinya jika terjadi kenaikan pada indikator retensi, maka akan diikuti kenaikan variabel Loyalitas Konsumen.

17. Indikator Rekomendasi dapat menjelaskan variabel Loyalitas Konsumen sebesar 42%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator rekomendasi mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0,649. Artinya jika terjadi kenaikan pada indikator rekomendasi, maka akan diikuti kenaikan variabel Loyalitas Konsumen.

18. Indikator Perubahan dapat menjelaskan variabel Loyalitas Konsumen sebesar 43%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator perubahan mempengaruhi kuat dan searah dengan nilai korelasi sebesar 0,654. Artinya jika terjadi kenaikan pada indikator perubahan, maka akan diikuti kenaikan variabel Loyalitas Konsumen.

Dari hasil analisa data yang dilakukan, maka dapat diambil beberapa solusi terhadap fenomena yang berkaitan dengan hal di atas, terutama untuk Loyalitas Konsumen. Berdasarkan hasil pendugaan model hasil modifikasi yang disajikan pada Gambar 4.6, terlihat bahwa peubah laten persepsi ditunjukan melalui peubah indikator harga, citra, tahap pelayanan dan momen pelayanan dengan kontribusi masing-masing sebesar 0,68, 0,68, 0,85 dan 1,00. Peubah laten Nilai Produk ditunjukkan melalui peubah indikator Nilai emosi, nilai epistem, dan nilai kondisi dengan kontribusi masing-masing sebesar 0,88, 1,00 dan 1,17. Peubah laten daya saing ditunjukkan melalui peubah indikator keunikan dan kualitas dengan kontribusi masing-masing sebesar 1,00 dan 1,29. Peubah laten Kepuasan ditunjukkan melalu peubah indikator keandalan, daya tanggap, Jaminan, Empati dan Kasat mata dengan kontribusi masing-masing sebesar 1,00, 1,03, 0,76, 1,02 dan 0,88. Peubah laten Loyalitas diyunjukkan melalui peubah indikator hubungan, retensi, rekomendasi, dan perubahan dengan masing-masing kontribusi sebesar 0,77, 1,22, 0,91 dan 1,00.

Berdasarkan model struktural yang disajikan pada Gambar 4.6 menunjukkan bahwa persepsi berhubungan dengan nilai produk dan daya saing dengan koefisien lintas sebesar 0,34 dan 0,70 karena koefisin lintas yang diperoleh bernilai positif maka hubungan tersebut berbanding lurus yaitu dengan semakin

besar penilaian terhadap persepsi maka penilaian terhadap nilai produk dan daya saing akan semakin besar. Nilai produk berhubungan secara langsung dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,62 dan 0,96. Semakin besar penilaian terhadap nilai produk maka penilaian terhadap kepuasan dan loyalitas akan semakin besar. Daya Saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Semakin besar penilaian terhadap daya saing maka penilaian terhadap kepuasan dan loyalitas akan semakin besar. Secara keseluruhan faktor yang paling berpengaruh terhadap loyalitas adalah nilai produk dan faktor yang paling berpengaruh terhadap kepuasan adalah daya saing.

BAB 5

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Dari hasil pengolahan data dan perhitungan-perhitungan pada bab sebelumnya dapat disimpulkan sebagai berikut:

1. Hasil dari modifikasi dengan menggunakan Model Persamaan Struktural diperoleh full model untuk membentuk loyalitas sbb :

2. Model pengukuran yang diperoleh adalah : persepsi ditunjukkan melalui harga, citra, tahap pelayanan dan momen pelayanan; daya saing ditunjukkan melalui keunikan dan kualitas; nilai produk ditunjukkan melalui nilai emosi, nilai epistem dan nilai kondisi; kepuasan ditunjukkan melalui keandalan, daya tanggap, jaminan, empati dan kasat mata; dan loyalitas ditunjukkan melalui hubungan, retensi, rekomendasi dan perubahan. Model struktural yang diperoleh adalah : persepsi berhubungan dengan daya saing dan nilai produk, dengan koefisien lintas sebesar 0,70 dan 0,34; nilai produk berhubungan dengan kepuasan dan loyalitas, dengan koefisien lintas sebesar 0,62 dan 0,96; daya saing berhubungan dengan kepuasan dan loyalitas dengan koefisien lintas sebesar 0,79 dan 0,71. Secara keseluruhan faktor yang paling berhubungan dengan loyalitas adalah nilai produk, dan faktor yang paling berpengaruh dengan kepuasan adalah daya saing.

5.2 SARAN

1. Dari hasil penelitian yang diperoleh pihak CA Perfumerry perlu meningkatkan Keunikan dan Kualitas disegala aspek baik dari produk maupun pelayanan untuk meningkatkan Kepuasan Konsumen.

2. Diperlukannya peubah-peubah laten tambahan yang lain untuk lebih spesifikasi mendapat model terbaik pada loyalitas konsumen.

3. Berdasarkan variance extraced yang didapat diperlukan indikator-indikator tambahan yang lain untuk menjelaskan peubah laten loyalitas dan nilai produk.

DAFTAR PUSTAKA

Alamsyah, Purnama. 2008. Membangun Indeks Kepuasan Pelanggan. Jurnal Bisnis dan Manajemen UNPAD (Vol.IX, No.1). Hlm. 62-81.

Dilala, Lisabeth. 2000. Handbook of Multivariate Statistic and Mathematical Modelling. Illinois: Elsevier Science.

Ghozali, I. 2004. Model Persamaan Struktural Konsep dan Aplikasi dengan Program AMOS 21.0. Badan Penerbit Universitas Diponegoro, Semarang. Rangkuti, F. 2002. Measuring Customer Statisfaction : Teknik Mengukur dan

Strategi Meningkatkan Kepuasan Pelanggan Plus Kasus PLN-JP. Jakarta : PT. Gramedia Pustaka Utama.

Silomun. 2002. Structural Equation Modelling, Lisrel dan Amos. Fakultas MIPA, Universitas Brawijaya, Malang.

Supranto, J. 2010. Analsis Multivariat Arti dan Interpretasi. Jakarta : Rineka Cipta.

Tjiptono, F. Dan Chandra, G. 2005. Service, Quality, and Satisfaction. Edisi 2. Yogyakarta : Penerbit ANDI