Teknik Analisa Dan Uji Hipotesis

41 Mandiri di Surabaya secara langsung yang dirancang untuk mendapatkan data yang spesifik.

3.4. Teknik Analisa Dan Uji Hipotesis

Model analisa yang digunakan untuk menganallisa data dalam penelitian ini adalah Struktural Equation Modelling SEM. Model pengukuran Faktor Kualitas layanan terhadap kepuasan nasabah menggunakan Confirmatory Factor Anayisis CFA. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langka-langka dalam analisis SEM model pengukuran dengan contoh Faktor Kualitas Layanan dilakuakan sebagai berikut : Persamaan Dimensi Faktor Kualitas Layanan X : X1 = λ1 Faktor Kualitas Layanan + er_1 X2 = λ2 Faktor Kualitas Layanan + er_2 X3 = λ3 Faktor Kualitas Layanan + er_3 X4 = λ4 Faktor Kualitas Layanan + er_4 X5 = λ5 Faktor Kualitas Layanan + er_5 Bila persamaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionnalitasnya melalui Confirmatory Factor Anayisis CFA, maka model pengukuran dengan contoh Faktor Kualitas Layanan sebagai berikut : 42 Gambar 3.1 : Contoh Model Pengukuran Faktor Kualitas Layanan Keterangan : X1 = Pertanyaan tentang pendapat responden mengenai Bentuk Fisik dari Bank Mandiri di Surabaya. X2 = Pertanyaan tentang pendapat responden mengenai Kehandalan dari Bank Mandiri di Surabaya. X3 = Pertanyaan tentang pendapat responden mengenai Daya Tanggap dari Bank Mandiri di Surabaya. X4 = Pertanyaan tentang pendapat responden mengenai Kepastian dari Bank Mandiri di Surabaya. X5 = Pertanyaan tentang pendapat responden mengenai Kesediaan dari Bank Mandiri di Surabaya. Langka-langka dalam analisa SEM model pengukuran dengan contoh factor kepuasan nasabah kartu kredit Bank Mandiri di Surabaya sebagai berikut : X 1 X 2 X 3 X 4 X 5 Kualitas Layanan er_1 er_1 er_1 er_1 er_1 43 Y1 = λ1 Faktor Kepuasan Nasabah + er_1 Y2 = λ2 Faktor Kepuasan Nasabah + er_2 Y3 = λ3 Faktor Kepuasan Nasabah + er_3 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasanya melalui Confirmatory Factor Anayisis CFA, maka model pengukuran dengan contoh Faktor Kepuasan Nasabah nampak sebagi berikur : Gambar 3.2 : Contoh Model Pengukuran Faktor Kepuasan Nasabah Keterangan : X1 = Pertanyaan tentang pendapat responden mengenai Produk dari Bank Mandiri di Surabaya. X2 = Pertanyaan tentang pendapat responden mengenai Service dari Bank Mandiri di Surabaya. X 1 X 2 X 3 Kepuasan Nasabah er_1 er_1 er_3 44 X3 = Pertanyaan tentang pendapat responden mengenai Purchase dari Bank Mandiri di Surabaya.

3.4.1. Asumsi Model Struktural Equation Modelling

a. Uji Normalitas Sebaran dan Linieritas 1. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistika 2. Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standart erornya dan skewnwss vaue yang biasanya disajikan dalam statistic deskriptif dimana nilai statistic untuk menguji normalitas itu disebut Z-value. Pada tingkat signifikan 1, jika nilai Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3. Normal Probability plot SPSS 10.1. 4. Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas b. Evaluasi atas Outlier 1. Mengamati nilai Z-score : ketentuan diantara ±3,0 non outlier. 2. Multivariate outlier diuji dengan criteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai adalah multivariate outlier. 45 Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair, 1998. c. Deteksi Multicollinierity dan Singularity Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrikx mendekati angka 0 kecil. maka terjadi multikolinieritas dan singularitas Tabachnick dan Fidell,1998 d. Uji Validitas dan Reliabilitas\ Validasi menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai suatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimanamasing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading factor dari hubungan antar setiap observerd variable dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan Variance-extracted. construct reliability dan Variance-extracted dihitung dengan rumus berikut : 46 Sementara j dapat dihitung dengan formula j = 1- Stardardize loading Secara umum, nilai Construct reliability yang dapat diterima adalah ≥ 0,7 dan variance extracted ≥ 0,5 Hair et.al, 1998. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap butir dengan indikatornya.

3.4.2. Pengujian Hipotesis dengan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical Ratio dan p Probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti signifikan.

3.4.3 Pengujian model dengan Two-Step Approach

Two-Step Approach to structural equation modeling SEM digunakan untuk menguji model yang diajukan pada gambar 3.4. Two-Step Approach digunakan untuk mengatasi masalah sample data yang kecil jika dibandingkan dengan jumlah butir instrumental yang digunakan Hartline dan Farrell, 1996 dan keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-step approach ini. Two-Step Approach bertujuan untuk menghindari interaksi antara model pengukuran dan model structural pada One-Step Approach Hair et.al,1998. yang dilakukan dalam two step approach to SEM adalah :estimasi terhadap measurement model dan Estimasi terhadap structural model Anderson 47 dan Gerbing, 1998. Cara yang dilakukan dalam menganalisis SEM dengan Two step approach adalah sebagai berikut : a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator summed-scale bagi seiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi Z-score dengan mean = 0,Deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut Hair et.al, 1998 b. Menetapakan error ε dan lambda λ terms, error terms dapat dihitung dengan rumus 0,1 kali σ 2 c. Diagram jalur dengan two-step approach dapat dilihat sebagai berikut : dan lambda terms dengan rumus 0,95 kali σ Anderson dan Gerbing, 1988. Perhitungan construct reliability α telah dijelaskan pada bagian sebelumnya da deviasi standar σ dapat dihitung denganbantuan program aplikasi statistic SPSS. Setelah error ε dan lambda λ terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisa model pengukuran structural equation modeling SEM. Gambar 3.3 : Structural Equation Modeling Two Step Approach 1 1 CX CY Kualitas Layanan Kepuasan Nasabah er_2 er_1 d k er_1 48 Keterangan symbol-simbol diatas adalah sebagi berikut : : factor Construct Latent Variable Unobserved Variable yaitu sebuah variabel bentukan, yang dibentuk melalui indikator-indikator yang diamati dalam dunia nyata. : Variabel terukur Obseverd Variable indikators variabeles yaitu variabel yang datanya harus dicari melalui observasi, misalnya melalui instumen-istrumen survey. Garis anak panah satu arah [ →] = garis yang menunjukkan hubungan yang dihipotesiskan antara dua variabel dependen. Garis dengan anak panah dua arah [ ↔] = garis yang menunjukkan hubungan yang dihipotesiskan antara dua variabel dimana kedua variabel berkorelasi. Keterangan Gambar 3.3 CX = Indikator Kualitas Layanan yang sudah dikomposit CY = Indikator Kepuasan nasabah kartu kredit yang sudah dikomposit er_i = error term masing-masing indikator yang sudah dikomposit d_i = disturbance error masing-masing Variable latent [konstrain] 49

3.4.4. Evaluasi Model

Hair et.al 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan menguji fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat.Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model yang dikembangkan dengan berbagi criteria Goodness of Fit, yakni Chi-square, Probality, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Goodness of Fit Index Sumber : Hair et.al, 1998 GOODNES OF FIT INDEX KETERANGAN CUT-OFF VALUE X 2 - Chi Square Menguji apakah Covariance populasi yang diestimasi sama dengan cova-rianc e sampel apakah model sesua dengan data Diharapkan kecil s.d 5. atau paling baik diantara 1 dan 2. Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi Minimum 0,1 atau 0,2, atau ≥ 0,05 RMSEA Mengkompensasi kelemahan chi-Square pada sampel besar ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam metriks sampel yang dijelaskan oleh matriks covarians populasi yang diestimasi analog dengan R2 dalam regresi berganda. ≥ 0,90 AGFI GFI yang disesuaikan terhadap DF ≥ 0,90 CMIND Kesesuaan antara data dan model ≤ 2,00 TLI Perbandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitif terhadap besarnya sampel dan kerumitan model ≤ 0,94 50 1. X 2 Alat uji paling fundamental untuk mengukur overall fit adalah l ikelihood Ratio Chi-Square Statistic. Chi-Square ini bersifat sangat terhadap besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik Chi-Square ini harus didampingi oleh alat uji lain Hair et al, 1995:105, Tabachnick fidell, 1996;84. Model yang uji akan dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X - Chi Square Statistic 2 semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang kecil dan tidak signifikan. X 2 2. RMSEA-The Root Mean Square Error Of Approximation bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan Chi-Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila ukuran sampel ada diluar rentang itu, uji signifikan akan menjadi kurang reliable. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lain. RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi Chi- Square Statistic dalam sampel yang besar Baumgartner Homburg, 19996;65. Nilai RMSEA menunjukkan Goodnes-Of-Fit yang dapat bila model diestimasi dalam populasi nilai RMSE yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang 51 menunjukkan sebuah close fit dari model itu berdasarkan Degrgess Of Freedom Browne Cudeck, 1993;72. 3. GFI- Goodness Of Fit Index GFI adalah analog dari R 2 4. AGFI- Adjusted Goodness Of Fit Index dalam regresi berganda. Index kesesuaian ini akan menghitung proporsi tertimbang dari varian dalam metrix kovarians sampel yang dijelaskan oleh metrix konvarians populasi yang terestimasi. GFI adlah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1.0 perfect fit. Nilai yang tinggi dalam index ini menunjukkan sebuah better fit Benter, 1983, Tanaka Huba, 1989;54. AGFI = GFI DF tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. GFI maupun AGFI adalah kreteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah metrics kovarians sampel. Nilai sebesar 0,95 dapat diinterprestasikan sebagai tingkatan yang baik Good Overal Model Fit sedangkan besaran nilai antara 0,90-0,95 meenunjukkan tingkatan cukup Adequate Fit. 5. TLI- Tucker Lewis Index. TLI adalah sebuah alternative inceremental fit indeks yang membandingkan sebuah model diuji terhadpa sebuah baseline model.Nilai yang direkomendasikan sebagai acuan u ntuk diterimanya sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat mendekati 1 menunjukkan A Verry Good Fit. 52 6. CMINDF sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINCF tidak lain adalah statistic Chi-Square X 2 dibagi DF-nya sehingga disebut X 2 relatif. Nilai X 2 kurang dari 2.0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X 2 7. CFI- Comparative Fit Index relatif yang tinggi menandakan adanya perbedaan yang signifikan antara metrics kovarias yang diobservasi dan yang diestimasi. Besar index ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi Verry Good Fit . Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari index ini besarnya tidak dipengarui oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noocenttrality Indeks RNI. BAB IV HASIL DAN PEMBAHASAN 4.1 Defenisi Operasional Dan Pengukuran Variabel 4.1.1. DISKRIPSI HASIL PENELITIAN