46
SEM = 102 pelanggan, jadi jumlah sampel yang diteliti sebanyak 102 data responden.
3.4. Teknik Pengumpulan Data 3.4.1. Jenis data
a. Data primer
Merupakan data penelitian yang diperoleh dari responden secara langsung berdasarkan kuisioner yang diberikan kepada pelanggan yang
menggunakan jasa layanan di Warnet Access. Net di Gresik.
b. Data sekunder
Data sekunder adalah data tentang Warnet Access. Net yang meliputi data sejarah perusahaan, lokasi perusahaan, struktur perusahaan
dan lain sebagainya.
3.4.2. Sumber Data
Sumber data dalam penelitian ini diperoleh dari : a. Jawaban responden mhelalui kuisioner, yang merupakan jawaban atas
permasalahan yang diteliti. b. Kantor Warnet Access. Net di Gresik
3.4.3. Pengumpulan Data A.
Metode Direct Observation
Metode dilakukan dengan menggunakan pengamatan langsung terhadap pelanggan yang berhubungan dengan permasalahan penelitian dan
mencatat kegiatan yang ada.
47
B. Dokumentasi
Metode didasarkan pada hasil dokumentasi yang berhubungan dengan peneliti ini, yakni dokumentasi dari pihak Warnet Access. Net.
C. Metode Kuisioner
Metode ini dilakukan dengan menyebarkan daftar pelayanan secara tertulis kepada responden.
D. Metode interview
Metode ini dilakukan dengan jalan peneliti melakukan wawancara secara langsung kepada responden.
3.5. Teknik Analisis dan Uji Hipotesis
Ketetapan pengujian suatu hipotesis tentang hubungan antara variabel dalam penelitian sangat tergantung pada kualitas data yang diperoleh dan
dipergunakan dalam penelitian tersebut Ancok, 1991: 63. Kualitas data yang diperoleh sangat ditentukan oleh kesungguhan responden dalam menjawab semua
pertanyaan penelitian, alat pengukuran berupa kuisioner yang dipergunakan mengumpulkan data tersebut, apakah memiliki validitas dan reabilitas yang
tinggi. Berdasarkan skala pengukuran yang dipakai dan kuisioner yang
dipergunakan dalam penelitian ini, maka untuk mengetahui sejauh mana suatu uji dapat mengukur apa sebenarnya ingin diukur dengan AMOS 4.0 teknik analisis
yang digunakan adalah teknik analisis faktor konfirmatori.
48
Realibility
X
2
er_1
er_2
3.5.1 Teknik Analisis Data
Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling [SEM]. Model pengukuran faktor
realibility, tangibles, responsiveness, assurance, empaty, service quality menggunakan Confirmatory Factor Analysis. Penaksiran pengaruh masing-
masing variabel terikatnya menggunakan koefisien jalur. Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor realibility dilakukan
sebagai berikut : X 2.1 =
λ1 Realibility + er_1 X 2.2 =
λ1 Realibility + er_2 Bila persamaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji
unidimensionalitasnya melalui Confirmatory Factor Analysis, maka model pengukuran dengan contoh faktor realibility akan nampak sebagai berikut :
Gambar 3.1 : Contoh model pengukuran Faktor Value Realibility Keterangan :
X2.1 = Kemampuan karyawan X2.2 = Ketepatan memenuhi janji
X 2.1
X 2.2
49
Demikian juga dengan faktor-faktor lain seperti tangibles, responsiveness, assurance, empaty, service quality.
3.5.2. Uji Validitas dan Reliabilitas Instrumen Kuisioner
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana
masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap obseverd variabel and latent variabel. Sedangkan reliabilitas diuji dengan
construct – realibility dan variance – extracted dihitung dengan rumus :
[ Σ Standardize Loading]
Const r uct Realibilit y = [[
Σ Standardize Loading] + Σε
j
] [
Σ Standardize Loading] Var iance Ex t r act ed =
[ Σ [Standardize Loading] + Σε
j
]
Sementara εj dapat dihitung dengan formula εj = 1 – {standardize
loading}. Secara umum, nilai construct realibility yang dapat diterima adalah ≥
0,7 dan variance extracted ≥ 0,5 [Hairet.al., 1998]. Standardize Loading dapat
50
diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya.
3.5.3. Evaluasi Kriteria Goodness of Fit
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai criteria. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi
apakah data yang dipakai memenuhi asumsi yang telah ditetapkan. Pada penelitian ini tidak menguji kevalidan model, hanya mencari hubungan antara
kualitas layanan yang meliputi reability, responsiveness, assurance, empathy, tangible, dan kepuasan pelanggan, maka tidak memakai uji kesesuaian dan uji
statistik.
3.5.4. Evaluasi Normalitas
Selebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram.
Untuk menguji normalitas distribusi data yang diinginkan dalam analisis, peneliti dapat menggunakan uji statistik. Uji yang paling mudah adalah dengan
mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik deskriptif dari hampir semua program statistik.
Nilai statistik untuk menguji normalitas itu disebut sebagai z-value yang dihasilkan melalui rumus :
N skewness
NilaiZ 6
=
51
Bila nilai Z lebih besar dari kritis atau critical ratio Ferdinand,200; 95, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifikan yang dikehendaki.
3.5.5. Evaluasi Outlier
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat Sumarto, 2004: 22. Dapat diadakan
perlakuan khusus pada outlier ini asal diketahui bagaimana munculnya outlier itu. Outlier pada dasarnya dapat muncul dalam empat kemungkinan :
1. Karena kesalahan prosedur, seperti kesalahan memasukkan data atau
kesalahan dalam mengkoding data. 2.
Kesalahan keadaan yang benar-benar khusus memungkinkan profil datanya lain dari pada yang lain, tetapi peneliti mempunyai penjelasan mengenai
penyebab munculnya nilai ekstrim itu. 3.
Karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya
nilai ekstrim itu. 4.
Outliers dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan variabel lain, kombinasinya menjadi tidak lazim atau sangat ekstrim.
Inilah yang disebut multivariate outliers.
52
3.5.6. Evaluasi Multicolinearity dan Singularity
Untuk melihat apakah ada data penelitian terhadap multikolinearitas atau singularitas dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah
determinan dari matriks kovarians sampelnya. Determinan yang kecil atau mendekati nol akan mengindikasikan
adanya multikolinearitas atau singularitas, sehinga data itu tidak dapat digunakan untuk penelitian Ferdinand, 2000: 108.
3.5.7. Evaluasi Model
Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan
pengujian 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” dengan data. Amos dapat menguji apakah model
“good fit”atau “poor fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria goodness of fit, yakni Chisquare, Probability, RMSEA, GFI, TLI, CFI, AGFI,
CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM.
53
1. X – CHI SQUARE STATISTIC
Merupakan alat paling fundamental untuk mengukur overail fit adalah likelihood ratio chi-square ini bersifat sangat sensitive terhadap besarnya
sample yang digunakan. Model yang diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai x² semakin
model itu x²=0, berarti tidak ada perbedaan. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau
yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai x² yang tidak signifikan. Penggunaan chi-square hanya sesuai bila ukuran sample antara 100
dan 200. Bila ukuran sample ada diluar rentang itu uji signifikan akan menjadi kurang reliable. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji
yang lainnya.
2. RMSEA – The root Mean Square of Approximation
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar. Nilai RMSEA
yang lebih kecil atau sama dengan 0, 08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu
berdasarkan degrees of freedom.
3. GFI – Goodness of Fit Index
GFI adalah analog dari R² dalam regresi berganda. Index kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam
matriks kovarians sample yang dijelaskan oleh matriks kovarians populasi
54
yang diestimasikan. GFI adalah sebuah ukuran non-Statistikal yang mempunyai rentan nilai antara 0 poor fit sampai dengan 1.0 perfect fit.
Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
4. AGFI - Adjusted Goodness of Fit Index
AGFIGFI df tingkat penerimaan yang direkomendasikan adalah AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI maupun
AGFI adalah criteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sample. Nilai sebesar 0,905 dapat
diinterpretasikan sebagai nilai antara 0,90-0,95 menunjukkan tingkat cukup – adequate fit Hulland et al., 1996.
5. CMINDF
The minimum sample discrenancy function CMIN dibagi dengan degree of freedomnya akan menghasilkan indeks CMINDF. Pada umumnya
diartikan sebagai salah satu indikator untuk mengukur tingkat fit—nya model. Dalam hal ini CMIND tidak lain adalah statistic chi-square, x² dibagi DFnya.
6. TLI-Tucker Lewis Indeks
TLI adalah alternatif Incremental Fit Index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang
direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0,95 dan nilai yang sangat mendekati 1 menunjukkan a very good
fit.
55
7. CFI – Comporative Fit Index
Besaran nilai ini pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi avery good fit.
Nilai yang direkomendasikan adalah CFI 0,90. keunggulan dari indeks ini besarannya tidak dipengaruhi oleh ukuran sample karena itu sangat baik untuk
mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality Indeks RNI.
Goodness of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
Diharapkan Kecil, 1 s.d 5. atau paling baik
diantara 1 dan 2. X
2
- Chi-square Menguji apakah covariance populasi yang destimasi sama
dengan cova-riance sample [apakah model sesuai dengan data]. Minimum 0,1 atau 0,2,
atau ≥ 0,05
Probability Uji signifikansi terhadap perbedaan matriks covariace data dan
matriks covariance yang diestimasi. RMSEA
Mengkompensasi kelemahan Chi-Square pada sample besar. ≤ 0,08
GFI Menghitung proporsi tertimbang varians dalam matrtiks sample
yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog dengan R
2
dalam regresi berganda]. ≥ 0,90
AGFI GFI yang disesuaikan terhadap DF.
≥ 0,90 CMINDDF
Kesesuaian antara data dan model ≤ 2,00
TLI Pembandingan antara model yang diuji terhadap baseline
model. ≥ 0,95
CFI Uji kelayakan model yang tidak sensitive terhadap besarnya
sample dan kerumitan model. ≥ 0,94
56
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
