Teknik Analisis Data

4.8. Teknik Analisis Data

4.8.1. Analisa Statistik Deskriptif

Statistik deskriptif digunakan untuk menggambarkan karakteristik responden, sampel, indikator dan variabel penelitian. Penggambaran secara Statistik deskriptif digunakan untuk menggambarkan karakteristik responden, sampel, indikator dan variabel penelitian. Penggambaran secara

4.8.2. Importance-Performance-Analisis

Analisis Importance performance, dikembangkan sebagai alat bagi para peneliti pasar (Martilla & James, 1977), didasarkan konsep kepuasan yang merupakan hasil dari preferensi untuk suatu layanan dan penilaian kinerjanya Skala kepentingan-kinerja didasarkan pada asumsi bahwa kepuasan dipengaruhi oleh pentingnya atribut dan kinerja yang dirasakan. Dirancang untuk kemudahan mentransfer hasil ke dalam tindakan, hasil akhir skala ini adalah kuadran yang menunjukkan tingkat tindakan yang tepat. Penempatan garis grid mendefinisikan bahwa kuadran fleksibel, memungkinkan untuk variasi program. Setiap nilai relatif terhadap nilai-nilai lain. Gary W. Mullins (1987)

Hasil analisis kombinasi nilai outer loading dan rata-rata masing-masing kemungkinan, memiliki interpretasi yang berbeda. Interpretasi hubungan nilai rata-rata dengan loading factor dilakukan dengan menggunakan analisa hubungan antara kepentingan dengan kinerja (Importance Performarnce Analisys). Importance Performance Analysis adalah suatu metode statistik bercorak deskriptif untuk melihat seberapa pentingkah layanan (menunjukkan harapan) dan seberapa baikkah kinerja (melukiskan persepsi). Metode ini pertama kali diperkenalkan oleh John A. Martilla dan John C. James tahun (1977) lewat karya mereka yang dimuat dalam Journal of Marketing berjudul Importance- Performance Analysis.

Dalam mempresantasikan Importance Performance analisys yang harus dilakukan adalah menempatkan garis perpotongan kuadran pada nilai rata-rata hasil persepsi dan kepentingan/harapan dengan tujuan untuk mengetahui secara spesifik masing-masing faktor terletak pada kuadran berapa. Adapun langkah- langkah yang dilakukan adalah (1). Menghitung mean harapan setiap responden, (2). Menghitung mean persepsi setiap responden. (3). Melakukan plotting mean harapan dan mean persepsi ke dalam kuadran Importance Performance analisys Martilla and James. (1977), Selanjutnya melakukan interpretasi dan analisis seputar indikator-indikator apa yang masuk ke dalam kategori, concentrate here, keep up with the good work, low priority dan possibly overkill

Gambar 4.1. Kuadr adran Kepentingan dan persepsi

Dalam menginterpreta pretasi kuadran, dirinci sebagai berikut:

(Q-2) Concentrate H e Here (konsentrasi di sini).

Faktor-faktor yang t terletak dalam kuadran ini dianggap sebagai gai faktor yang penting dan atau diha diharapkan oleh konsumen tetapi kondisi perse rsepsi dan atau kinerja aktual yang ng ada pada saat ini belum memuaskan sehi sehingga pihak manajemen berkewaj wajiban mengalokasikan sumber daya yang me memadai untuk meningkatkan kinerja rja berbagai faktor tersebut. Faktor-faktor yang ng terletak pada kuadran ini merupaka kan prioritas untuk ditingkatkan.

(Q-1) Keep up with th h the good work (pertahankan prestasi).

Faktor-faktor yang te terletak pada kuadran ini dianggap penting da dan diharapkan sebagai faktor penunj nunjang bagi kepuasan konsumen sehingga pihak hak manajemen berkewajiban memas astikan bahwa kinerja institusi yang dikelolany nya dapat terus mempertahankan pres n prestasi yang telah dicapai.

(Q-3) Low Priority (p ty (prioritas rendah)

Faktor-faktor yang te terletak pada kuadran ini mempunyai tingkat kat persepsi atau kinerja aktual yang re g rendah sekaligus dianggap tidak terlalu penting da ng dan atau terlalu

Diharapkan oleh konsumen sehingga manajemen tidak perlu memprioritaskan atau terlalu memberikan perhatian pada faktor-faktor tersebut.

(Q-4) Possibly Overkill (terlalu berlebih).

Faktor-faktor yang terletak pada kuadran ini dianggap tidak terlalu penting dan atau tidak terlalu diharapkan sehingga pihak manajemen perlu mengalokasikan sumber daya yang terkait dengan faktor-faktor tersebut kepada faktor-faktor lain yang mempunyai prioritas penanganan lebih tinggi yang masih membutuhkan peningkatan, semisal di Q-1

4.8.3. Analisis Partial Least Square (PLS).

Partial least square (PLS) merupakan pendekatan yang lebih tepat untuk tujuan prediksi. PLS pertama kali dikembangkan oleh Herman Wold, beliau adalah pegawai dari Karl Joreskog (yang mengembangkan AMOS). Model ini dikembangkan sebagai alternatif untuk situasi dimana teorinya lemah atau indikator yang tersedia tidak memenuhi model pengukuran refleksif. Wold. H (1985) menyebutkan PLS sebagai ”soft modelling”. PLS merupakan metode analisis yang powerfull karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk merekomendasikan hubungan yang ada atau belum dan juga mengusulkan proposisi pengujian selanjutnya.

Metode Structural Equation Modeling (SEM) yang berbasis variance dikenal sebagai metode Partial Least Square (PLS). Alasan-alasan yang melatar belakangi pemilihan model analisis PLS sebagai berikut:

1. PLS merupakan metode analisis yang power full yang tidak didasarkan banyak asumsi dan memungkinkan dilakukan analisis dari berbagai indikator variabel laten baik indikator bersifat refleksif dan formatif.

2. Metode PLS lebih mudah dioperasikan, karena PLS tidak memerlukan asumsi distribusi tertentu, tidak memerlukan adanya modifikasi indeks dan goodness of fit dapat dilihat pada Q-Square Predictive

3. PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan skala pengukuran selain interval seperti data nominal, ordinal dan data rasio dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini kita kenal Jonathan Sarwono (2012)

Asumsi PLS khususnya hanya berkaitan dengan pemodelan struktural, dan tidak terkait dengan pengujian hipotesis yaitu: (1) hubungan antara variabel laten dalam inner model adalah linear dan adatif, dan (2) model structural bersifat rekursif. Selain itu berhubungan dengan sampel size, maka sampel dalam PLS dapat diperkirakan dengan: (a) sepuluh kali jumlah jalur struktural (struktural path) pada inner model, dan (b) Sampel size kecil 30-50 atau sampel besar lebih dari 200.

Pengujian model empiris penelitian ini berbasis variance Partial Least Square (PLS) dengan software SmartPLS. Pengujian goodness of fit dilakukan baik pada tahapan pengukuran variabel (outer model) dengan melihat nilai estimasi loading karena penelitian ini seluruh variabel laten diukur dengan indikator bersifat reflektif, maka evaluasi terhadap model pengukuran dapat dilakukan melalui convergent validity, jika nilai estimasi loading ≥ 0,50 dan nilai titik kritis (critical ratio /CR) signifikan pada tingkat kepercayaan 95% atau α = 0,05. Discriminant validity dengan melihat nilai AVE (Average Variance Extracted), yang direkomendasikan nilai AVE lebih besar dari 0,50 dan nilai composite reliability lebih besar atau sama dengan 0,70 (Hair et al., 2010 dan Ghozali, 2015).

Goodness of Fit untuk inner model dievaluasi dengan melihat persentase varian yang dijelaskan yaitu dengan melihat R 2 (R-square variabel eksogen) untuk

konstruk laten, mengukur seberapa nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Nilai Q-square > 0 menunjukkan model memiliki predictive relevance, sebaliknya jika nilai Q-square < 0 menunjukkan model kurang memiliki predictive relevance. Perhitungan Q-square dilakukan dengan

2 2 2 2 2 2 rumus: Q 2 =1 – (1 – R

1 ) (1 –R 2 ) … (1 – R p ). Di mana R 1 ,R 2 …R p adalah R- square variabel eksogen dalam model persamaan. Besaran Q 2 setara dengan

koefisien determinan total R 2 pada analisis jalur. Asumsi data terdistribusi bebas (distribution free), model struktural pendekatan prediktif PLS dievaluasi dengan

R-square untuk konstruk dependen, Q-square test untuk relevansi prediktif, t- statistik dengan tingkat signifikansi setiap koefisien jalur.

4.8.4. Efek Moderasi Demografi nasabah terhadap Kepuasan, kepercayaan dan komitmen Terhadap loyalitas

Variabel demografi disini merupakan faktor yang memperkuat atau memperlemah pengaruh kepuasan, kepercayaan dan komitmen terhadap loyalitas.. Variabel moderasi dapat dikatahui dari pengaruh interaksi dua arah antara variabel independen dengan variabel moderasi dalam memprediksi variabel dependen. Contoh model persamaan hubungan dalam analisis regresi moderasi adalah sebagai berikut :

Ýi = b 0 +b 1 X 1 +b 2 M 1 +b 3 X 1 *M i ......................Solimun, (2011) Variabel moderasi dapat diklasifikasikan menjadi 4 (empat) jenis yaitu moderasi murni (pure moderasi), moderasi semu (quasi moderasi), moderasi potensial (homoligiser moderasi), dan moderasi sebagai prediktor (predictor moderation). Adapun identifikasi permodelan hubungan kepuasan terhadap loyalitas yang dimoderasi demografi ditunjukkan pada gambar 4.2

Gambar 4.2. : Contoh klasifikasi tipe peran moderasi

, Sumber : Solimun, (2011) Berdasarkan gambar 4.2. mengambarkan klasifikasi efek moderasi dalam

penelitian ini. Selanjutnya pengklasifikasian peran demografi pada pengaruh variabel kepercayaan, dan komitmen dengan loyalitas ditentukan sesuai langkah

1 – 4 diatas, dan dalam pengolahannya diolah secara simultan.

1. Jika nilai koefisien pengaruh (b 2 ) tidak signifikan, dan variabel interaksi (b 3 )

signifikan, maka tipe moderasi diklasifikasikan sebagai moderasi murni (pure moderasi.)

2. Jika nilai koefisien pengaruh antara (b 2 ) signifikan, dan variabel interaksi (b 3 )

signifikan, maka tipe moderasi diklasifikasikan sebagai moderasi semu (quasi moderasi.)

3. Jika nilai koefisien pengaruh antara (b 2 ) tidak signifikan, dan variabel interaksi (b 3 ) tidak signifikan, maka tipe moderasi diklasifikasikan sebagai moderasi potensial (homologiser moderasi.)

4. Jika nilai koefisien pengaruh antara (b 2 ) signifikan, dan variabel interaksi (b 3 )

tidak signifikan, maka tipe moderasi diklasifikasikan sebagai prediktor moderasi (predictor moderasi.)