45 signifikan atau tidak diukur dari nilai signifikansi dari setiap hubungan
variabel. Nilai signifikansi harus lebih kecil nilainya dibanding nilai tingkat toleransi yang digunakan. Dalam penelitian ini nilai toleransi yang digunakan
adalah 0,05 b Koefisien Determinasi Goodness of Fit
Koefisien determinasi yang dinotasikan dengan R
2
, merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau
tidaknya suatu model yang terestimasi. Dengan kata lain, angka tersebut dapat mengukur seberapa dekatkah garis regresi yang terestimasi dengan data
sesungguhnya Pardede dan Manurung, 2014:38-39. Rumus koefisien determinasi adalah:
KD= Adjusted R Square x 100 Nilai adjusted R square diperoleh dari output SPSS, kita mengambil
contoh jika substruktur I mempunyai adjusted R square 0,70 berarti koefisien determinasi 70 yang berarti variabilitas endogen yang dapat diterangkan
dengan menggunakan variabel eksogen sebesar 70, sementara pengaruh sebesar 30 disebabkan oleh variabel diluar model substruktur ini. Dalam
ouput SPSS, koefisien determinasi terletak pada tabel model summary dan tertulis R square yang sudah disesuaikan atau tertulis adjust R square, karena
disesuaikan dengan jumlah variabel independen Ghozali, 2013:97. c Uji Signifikansi Simultan Uji F
Uji-F diperuntukkan guna melakukan uji hipotesis koefisien regresi secara bersamaan, melihat pengaruh variabel eksogen pada variabel endogen
46 secara simultan. Ada beberapa langkah dalam menghitung uji F Pardede dan
Manurung, 2014:63: 1 Menentukan hipotesis
2 Menghitung F-hitung yang diperoleh dari output SPSS dari tabel ANOVA
3 Menghitung F-tabel dengan ketentuan tarif signifikansi 0,05 dan derajat kebebasan dengan ketentuan numerator : jumlah variabel4-
1 dan denumerator jumlah sampel100-4 4 Menentukan kriteria uji hipotesis sebagai berikut:
Jika – F-tabel F-hitung atau F-hitung F-tabel, maka Ho ditolak
dan Ha diterima. Jika
– F-tabel F-hitung atau F-hitung F-tabel, maka Ho diterima dan Ha ditolak.
5 Mengambil Keputusan. d Uji t
Setelah melakukan uji koefisien secara simultan, maka langkah selanjutnya adalah menghitung koefisien secara individu dengan
menggunakan suatu uji dikenal dengan sebutan uji-t. Langkah-langkah dalam menghitung uji-t ialah Pardede dan Manurung, 2014:65:
1 Menentukan hipotesis 2 Mengetahui besarnya angka t-hitung diperoleh dari output SPSS
3 Mengetahui besanya angka t-tabel dengan ketentuan tarif signifikansi
47 0,05 dan derajat kebebasan jumlah sampel100-2
4 Menentukan kriteria uji hipotesis sebagai berikut: Jika
– t-hitung - t-tabel atau t-hitung t-tabel maka Ho ditolak dan Ha diterima
Jika ¬ t-tabel t-hitung t-tabel, maka Ho diterima dan Ha ditolak.
4. Model Trimming
Model Trimming adalah model yang digunakan untuk memperbaiki suatu model struktur analisis jalur dengan cara mengeluarkan dari model
variabel eksogen yang koefieisen jalurnya tidak signifikan Heise dalam Riduwan, 2007:127. Jadi, model trimming terjadi ketika koefisien jalur diuji
secara keseluruhan ternyata ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel yang tidak signifikan, peneliti perlu
memperbaiki model struktur analisis jalur yang telah dihipotesiskan.
5. Perhitungan Pengaruh
Analisis pengaruh ditunjukan untuk melihat seberapa kuat pengaruh suatu variabel dengan variabel lainnya baik secara langsung, maupun secara
tidak langsung. Hasil yang dipakai adalah model setelah trimming. Formula yang dipakai dalam peneltian ini ialah :
Struktur I: a. Pengaruh X
1
langsung : ρx
1
y
1.
ρx
1
y
1
b. Pengaruh X
1
tidak langsung : ρx
1
y
1.
r x
1
x
2.
ρx
2
y
1
c. Pengaruh X
2
langsung : ρx
2
y
1.
ρx
2
y
1
d. Pengaruh X
2
Tidak Langsung : ρx
2
y
1.
r x
1
x
1.
ρx
1
y
1
48
e. Total Pengaruh Struktur I
Struktur II a. Pengaruh X
1
langsung : ρx
1
y
2 .
ρx
1
y
2
b. Pengaruh X
2
langsung : ρx
2
y
2 .
ρx
2
y
2
c. Pengaruh X
1
tidak langsung melewati Y
1
: ρx
1
y
2.
rx
1
y
1.
ρy
1
y
2
d. Pengaruh X
2
tidak langsung melewati Y
1
: ρx
2
y
2.
rx
1
y
1.
ρy
1
y
2
e. Pengaruh Y
1
langsung : ρy
1
y
2.
ρy
1
y
2
f. Total Pengaruh Struktur II
6. Uji Sobel
Pengujian hipotesis mediasi dapat dilakukan dengan prosedur yang dikembangkan oleh Sobel 1982 dan dikenal dengan uji Sobel Sobel test.
Uji sobel dilakukan dengan cara menguji kekuatan pengaruh tidak langsung X ke Y melalui M. Pengaruh tidak langsung X ke Y melalui M dihitung
dengan cara mengalikan jalur X M a dengan jalur M Y b atau ab. Jadi koefisien ab = c
– c’, dimana c adalah pengaruh X terhadap Y tanpa mengontrol M, sedangkan c’ adalah koefisien pengaruh X terhadap Y setelah
mengontrol M. Standard error koefisien a dan b ditulis dengan sa dan sb dan besarnya standard error pengaruh tidak langsung indirect effect sab
dihitung dengan rumus dibawah ini: Sab = √b
2
sa
2
+ a
2
sb
2
+ sa
2
sb
2
Untuk menguji signifikansi pengaruh tidak langsung, maka perlu menghitung nilai t dari koefisien ab dengan rumus sebagai berikut:
t =
s
49 Nilai t hitung ini dibandingkan dengan nilai t tabel. Jika nilai t hitung
lebih besar dari nilai t tabel maka dapat disimpulkan terjadi pengaruh mediasi. Asumsi uji sobel memerlukan jumlah sampel yang besar, jika jumlah sampel
kecil, maka uji sobel menjadi kurang konservatif Ghozali, 2013:248-249. Pada penelitian ini akan digunakan hasil model sebelum trimming
untuk membuktikan keselarasan hasil.
E. Operasionalisasi Variabel
Variabel penelitian adalah sesuatu hal yang berbentuk apa saja ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal
tersebut, kemudian ditarik kesimpulannya Sugiyono, 2013:95. Variabel-variabel dalam penelitian ini adalah:
a Variabel Eksogen : 1. X
1
adalah service quality 2. X
2
adalah perceived usefulness b Variabel Endogen :
1. Y
1
adalah brand image 2. Y
2
adalah brand trust
Tabel 3.3 Operasional Variabel Penelitan
No Variabel
Sub Variabel No
Kuesioner Indikator
Skala hitung
1 Service Quality
European Comitee for
Ketersediaan Availibility
1.1
Jarak tempuh dan jangkauan
likert
1.2
Jam operasi
50 No
Variabel Sub Variabel
No Kuesioner
Indikator Skala
hitung
Standarization, 2002:8
Aksesibilitas Accessibility
1.3
Akses ke transportasi umum
lainnya likert
1.4
Penentuan lokasi penjemputan dan
tujuan
Informasi Information
1.5
Pemberitahuan informasi biaya jasa
likert
1.6
Pemberitahuan jarak yang ditempuh
dalam perjalanan
1.7
Pemberitahuan driver
yang akan bertugas
1.8
Pemberitahuan penyediaan helm,
masker dan hair cover
1.9
Pemberitahuan perkiraan waktu
pelayanan jasa
Ketepatan waktu Time
1.10
Kesesuaian waktu penjemputan real
dengan yang diperkirakan
likert
1.11
Kesesuaian waktu perjalanan real
dengan yang diperkirakan
Pelayanan pelanggan
Customer Care
1.12
Ketanggapan respon pelayanan
likert
1.13
Ketersediaan driver
sekitar lokasi penjemputan
Kenyamanan Comfort
1.14
kenyamanan kursi atau jok kendaraan
likert
1.15
penampilan motor yang layak dan
prima
1.16
keterampilan driver dalam berkendara
Keamanan Security
1.17 Ketersediaan helm
selama perjalanan likert
51 No
Variabel Sub Variabel
No Kuesioner
Indikator Skala
hitung
1.18 Ketersediaan
asuransi jiwa 1.19
keamanan driver dalam berkendara
Dampak lingkungan
sekitar Environmental
impact 1.20
Kebisingan suara kendaraan
likert 1.21
Kerapihan dan kelayakan
kendaraan secara fisik
2 Perceived
Usefulness
Davis, 1989:331
Beraktivitas lebih
cepatwork more quickly
2.1 Penggunaan aplikasi
mempercepat aktivitas
likert
Performa pekerjaan atau
aktivitas Job performance
2.2
Penggunaan aplikasi meningkatkan
performa aktivitas likert
Meningkatkan produktivitas
Increasing productivity
2.3
Pengunaan aplikasi meningkatkan
produktivitas aktivitas
likert
Efektivitas Effectiveness
2.4
Penggunaan aplikasi lebih efektif
dibandingkan dengan cara
konvensional likert
Membuat aktivitas lebih
mudah Makes job easier
2.5
Penggunaan aplikasi memudahkan
aktivitas konsumen likert
Keyakinan manfaat
Useful 2.6
Penggunaan aplikasi benar-benar
bermanfaat bagi kehidupan dan
aktivitas sehari-hari likert
3 Brand
Image Keller,
2012:78
Kekuatan Strengthness
3.1
Merek dianggap sebagai yang paling
terkenal diantara merek lain yang
sejenis likert