Metode Pengumpulan Data Metode Analisis
program LISREL 8.8. Menurut Bagozzi dan Fornell 1982 dalam Ghozali dan Fuad 2005:3 SEM merupakan generasi kedua teknik analisis
multivariate .
SEM mempunyai metode yang mirip dengan gabungan pengolahan data yang menggunakan factor analysis analisis faktor dan multiple
regression analysis analisis regresi berganda.
Menurut Bollen 1989 dalam Ghozali dan Fuad 2005:3 menyatakan bahwa tidak seperti analisis multivariate biasa analisis faktor dan analisis
regresi berganda, SEM dapat menguji secara bersama-sama: a.
Model pengukuran yaitu hubungan nilai loading antara indikator dengan konstruk variabel laten.
Model pengukuran disebut juga sebagai Confirmatory Factor Analysis
CFA Wijanto, 2008:25. Tahap ini bertujuan untuk menguji kelayakan, yakni reliabilitas dan validitas tiap-tiap indikator untuk tiap
konstruk. Menurut Wijanto 2008:64-65 validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur.
Sedangkan Reliabilitas adalah konsistensi suatu pengukuran. Kriteria yang digunakan dalam pengujian ini yaitu:
1 Nilai t muatan faktornya loading factors lebih besar dari nilai
kritis atau ≥ 1.96 atau untuk praktisnya ≥ 2
2 Muatan faktor standarnya standardized loading factors ≥ 0.70
Sementara itu, Igbaria et.al. 1997 yang menggunakan guidelines dari Hair et.al. 1995 dalam Wijanto 2008:65,139, menyatakan
bahwa muatan faktor standar ≥ 0.50 adalah very significant, jika lebih
kecil dari batas kritikal tersebut variabel teramati tersebut bisa dihapuskan dari model.
3 Nilai Construct Reliability CR-nya ≥ 0.70 dan nilai Variance
Extracted VE-nya
≥ 0.50. Reliabilitas komposit suatu konstruk dihitung sebagai berikut:
Construct Reliability =
j 2
2
e loading
. std
loading .
std Σ
+ Σ
Σ
Dimana std. loading standardized loadings dapat diperoleh secara langsung dari keluaran program LISREL, dan e
j
adalah measurement error
untuk setiap indikator atau variabel teramati Sedangkan ekstrak varian merupakan cerminan dari jumlah
keseluruhan dalam indikator-indikator variabel-variabel teramati yang dijelaskan oleh variabel laten. Ukuran ekstrak varian dapat
dihitung sebagai berikut Fornel dan Larker, 1981 dalam Wijanto 2008:66:
Variance Extracted =
j 2
2
e loading
. std
loading .
std Σ
+ Σ
Σ
Atau Hair et.al.:2007 dalam Wijanto 2008:66: Variance Extracted
= N
loading .
std
2
Σ
Dimana N adalah banyaknya variabel teramati dari model pengukuran.
Analisis faktor atau factor analysis dalam CFA ini sedikit berbeda dengan analisis faktor yang digunakan pada statistikmultivariat,
dimana pada CFA model dibentuk lebih dahulu, jumlah variabel laten ditentukan oleh analis, setiap konstruk telah ditetapkan indikator-
indikatornya terlebih dahulu berdasarkan teori yang digunakan. Sedangkan, analisis faktor pada statistikmultivariat lebih kepada
exploratory factor analysis. Wijanto, 2008:25.
Muatan-muatan faktor atau faktor loadings yang menghubungkan variabel laten dan variabel teramati diberi notasi
λ lambda, dimana pada sisi x adalah Lambda x dan sisi y adalah Lambda y.
b. Model struktural yaitu hubungan antara konstruk
1
independen dan dependen.
Dalam tahap ini, tiap konstruk dan indikator yang telah diuji validitas dan reliabilitasnya pada tahap measurement model siap untuk
diolah kembali. Tahap ini bertujuan untuk mengestimasi secara simultan model struktural structural model, sehingga akan terlihat
hubungan antar variabel bebas dan terikat, serta kualitas pengukuran dari nilai muatan faktor dari masing-masing konstruk dan indikator.
Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten eksogen diberi label huruf Yunani
γ gamma. Parameter yang menunjukkan regresi variabel laten endogen pada
variabel laten endogen yang lain diberi label huruf Yunani
β beta.
1
Yaitu variabel laten unobservedvariabel yang tidak dapat diukur secara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya.
Menurut Bollen 1989 dalam Ghozali dan Fuad 2005:3 digabungkannya pengujian model pengukuran dan struktural tersebut
memungkinkan peneliti
untuk menguji
kesalahan pengukuran
mesurement error sebagai bagian yang tidak terpisahkan dari Structural Equation Modeling
dan melakukan analisis faktor bersamaan dengan pengujian hipotesis.
2. Model Umum SEM
Menurut Wijanto 2008:22, untuk mengestimasi parameter model, digunakan model LISREL yang merupakan model SEM yang sangat
populer. Secara matematis, model umum SEM adalah sebagai berikut : a.
Structural Model Model Struktural ζ
βη η
+ Γ
+ =
b. Measurement Model Model Pengukuran
1 Model Pengukuran untuk y
y =
y
Λ ε
η + 2
Model Pengukuran untuk x x =
x
Λ δ
ξ + c.
Dengan asumsi : 1
ζ tidak berkorelasi dengan ξ 2
ε tidak berkorelasi dengan η 3
δ tidak berkorelasi dengan ξ 4
ζ ,
ε
dan δ tidak saling berkorelasi mutual uncorrelated
d. Di mana :
1 Variables:
a η eta adalah latent endogenous variables
b ξ ksi adalah latent exogenous variables
c ζ zeta adalah latent errors in equations
d y adalah observed indicator of η
e x adalah observed indicators of ξ
f ε epsilon adalah measurement errors for y
g δ delta adalah measurement errors for x
2 Coefficients :
a β beta adalah coeficient matrix for latent endogenous
variables. b
Γ gamma adalah coeficient matrix for latent exogenous variables.
c
y
Λ lambda y adalah coeficient matrix relating y to η
d
x
Λ lambda x adalah coeficient matrix relating x to ξ
3 Covariance Matrix
a Φ phi adalah covariance matrix of
ξ b
Ψ psi adalah covariance matrix of ζ
c
ε
Θ theta-epsilon adalah covariance matrix of
ε
d
δ
Θ theta-delta adalah covariance matrix of δ
3. Model dan Pengukurannya
Dalam penelitian ini akan diusulkan model-model penelitian sebagai berikut:
a. Model kausal di antara variabel-variabel laten.
Pembentukan model ini berdasarkan penggabungan variabel etiket, komunikasi, komitmen dan kepercayaan, dimana:
x
1
= sikap dan perilaku =
λ
1
etiket+ δ
1
x
2
= penampilan =
λ
2
etiket + δ
2
x
3
= cara berpakaian =
λ
3
etiket + δ
3
x
4
= komunikasi dua arah =
λ
4
komunikasi + δ
4
x
5
= komunikasi formal =
λ
5
komunikasi + δ
5
x
6
= komunikasi tanpa tekanan =
λ
6
komunikasi + δ
6
x
7
= wujud komitmen =
λ
7
komitmen + δ
7
x
8
= konsistensi bank =
λ
8
komitmen + δ
8
x
9
= tidak bersikap oportunis =
λ
9
komitmen + δ
9
y
1
= memiliki kredibilitas =
λ
10
kepercayaan kepada bank + ε
1
y
2
= kepedulian =
λ
11
kepercayaan kepada bank +
ε
2
y
3
= dapat diandalkan =
λ
12
kepercayaan kepada bank + ε
3
Path Diagram hubungan kausal di antara variabel-variabel laten,
dapat dilihat pada gambar 3.1 di halaman berikut ini:
b. Model etiket ETIKET
Model ini merupakan model CFA Confirmatory Factor Analysis yang memiliki satu variabel laten yaitu variabel etiket karyawan bank.
Variabel ini merupakan variabel eksogen yang memiliki tiga indikator atau variabel teramati observed variabel.
Persamaan struktural model etiket adalah sebagai berikut: x =
x
Λ δ
ξ + x =
,
1
x ,
2
x
3
x ξ =
1
ξ
x
Λ = ,
1
λ ,
2
λ
3
λ δ =
,
1
δ ,
2
δ
3
δ Variabel laten
1
ξ mewakili etiket karyawan bank. Variabel ini memiliki tiga indikator berupa variabel teramati, yaitu:
1 Variabel teramati x
1
adalah karyawan bank tidak pernah mengobrol dengan sesama karyawan pada saat melayani nasabah
SKP. 2 Variabel teramati
x
2
adalah karyawan bank bersikap ramah dan sopan SPN.
3 Variabel teramati x
3
adalah penampilan karyawan bank selalu rapi CR PAKAI.
Adapun gambar model etiket karyawan bank dapat dilihat pada gambar 3.2 berikut ini:
1
δ
1
λ
2
δ
2
λ
3
δ
3
λ
Gambar 3.2. Path Diagram Model Etiket
Sumber: data olahan penulis dari berbagai sumber
c. Model komunikasi KOM
Model ini merupakan model CFA Confirmatory Factor Analysis yang memiliki satu variabel laten yaitu variabel komunikasi. Variabel
ini merupakan variabel eksogen yang memiliki tiga indikator atau variabel teramati observed variabel.
Persamaan struktural model komunikasi adalah sebagai berikut: X =
x
Λ δ
ξ + x =
, x
4
, x
5
x
6
ξ =
2
ξ
x
Λ = ,
4
λ ,
5
λ
6
λ δ =
,
4
δ ,
5
δ
6
δ Variabel laten
2
ξ mewakili komunikasi. Variabel ini memiliki tiga indikator berupa variabel teramati, yaitu:
CR PAKAI
X 3
SPN
X 2
ETIKET
1
ξ SKP
X 1
1 Variabel teramati x
4
adalah setiap kali nasabah menghadapi masalah, bank akan memberikan perhatian terhadap penyelesaian
masalah tersebut KOM 2 AR. 2 Variabel teramati
x
5
adalah karyawan bank selalu menggunakan bahasa yang mudah dimengerti dan jelas KOM FORM.
3 Variabel teramati x
6
adalah selama berkomunikasi dengan nasabah, karyawan bank tidak melakukan penekanan kebijakan
yang dapat merugikan orang lain KOM TNTK. Adapun gambar model etiket karyawan bank dapat dilihat pada
gambar 3.3 berikut ini:
4
δ
4
λ
5
δ
5
λ
6
δ
6
λ
Gambar 3.3. Path Diagram Model Komunikasi
Sumber: data olahan penulis dari berbagai sumber
d. Model komitmen KOMIT
Model ini merupakan model CFA Confirmatory Factor Analysis yang memiliki satu variabel laten yaitu variabel komitmen. Variabel
ini merupakan variabel eksogen yang memiliki tiga indikator atau variabel teramati observed variabel.
KOM TNTK
X 6
KOM FORM
X 5
KOM
2
ξ KOM 2AR
X 4
Persamaan struktural model komitmen adalah sebagai berikut: x =
x
Λ δ
ξ + x =
, x
7
, x
8
x
9
ξ =
3
ξ
x
Λ = ,
7
λ ,
8
λ
9
λ δ =
,
7
δ ,
8
δ
9
δ Variabel laten
3
ξ mewakili komitmen. Variabel ini memiliki tiga indikator berupa variabel teramati, yaitu:
1 Variabel teramati x
7
adalah bank dapat menyelesaikan masalah yang dihadapi nasabah dengan sungguh – sungguh WJD KOMT.
2 Variabel teramati x
8
adalah bank dapat memberikan pelayanan kepada nasabah sesuai dengan jangka waktu yang dijanjikan
KONSIST. 3 Variabel teramati
x
9
adalah karyawan bank tidak pernah memanfaatkan nasabah, dengan meminta imbalan atau janji
tertentu kepada nasabah TK OPORT. Adapun gambar model komitmen dapat dilihat pada gambar 3.3
berikut ini:
7
δ
7
λ
8
δ
8
λ
9
δ
9
λ
Gambar 3.4. Path Diagram Model Komitmen
Sumber: data olahan penulis dari berbagai sumber
e. Model kepercayaan kepada bank KPECAYA
Model ini merupakan model CFA Confirmatory Factor Analysis yang memiliki satu variabel laten yaitu variabel kepercayaan. Variabel
ini merupakan variabel endogen yang memiliki tiga indikator atau variabel teramati observed variabel.
Persamaan struktural model kepercayaan adalah sebagai berikut: y =
y
Λ ε
η + y =
, y
1
, y
2
y
3
η =
1
η
y
Λ = ,
10
λ ,
11
λ
12
λ ε =
,
1
ε ,
2
ε
3
ε Variabel laten
1
η mewakili kepercayaan. Variabel ini memiliki tiga indikator berupa variabel teramati, yaitu:
TK OPORT
X 9
KONSIST
X 8
KOMIT
3
ξ WJD KOMT
X 7
1 Variabel teramati y
1
adalah bank selalu memenuhi pelayanan yang dijanjikan KREDIBL.
2 Variabel teramati
y
2
adalah nasabah
selalu merasa
kepentingannya lebih diutamakan oleh bank KPEDULI. 3 Variabel teramati
y
3
adalah cara karyawan bank melayani nasabah dapat diandalkan ANDAL.
Adapun gambar model kepercayaan kepada bank dapat dilihat pada gambar 3.3 berikut ini:
10
λ
1
ε
11
λ
2
ε
12
λ
3
ε
Gambar 3.5. Path Diagram Model Kepercayaan
Sumber: data olahan penulis dari berbagai sumber
4. Prosedur SEM
Prosedur SEM mengandung hipotesis nol : H
: Σ = Σ θ
Σ adalah matrik kovarian populasi dari variabel teramati. Σ
θ adalah matrik kovarian dari variabel yang dispesifikasikan. θ adalah vektor yang berisi parameter-parameter model tersebut.
KPECAYA
1
η KREDIBL
Y 1
KPEDULI
Y 2
ANDAL
Y 3
Apabila model yang dispesifikasikan adalah benar, maka matrik kovarian populasi
Σ dapat ditulis sebagai kombinasi penjumlahan parameter-parameter yang terdapat pada
Σ θ .
Tahap-tahap prosedur SEM secara umum untuk CFA Confirmatory Factor Analysis
adalah sebagai berikut Wijanto, 2008:174: a.
Spesifikasi Model Langkah pertama adalah menspesifikasikan model penelitian yang
akan dianalisis. Spesifikasi model secara garis besar adalah sebagai berikut:
1 Mendefinisikan variabel-variabel laten. Yaitu etiket, komunikasi, komitmen, kepercayaan kepada bank.
2 Mendefinisikan variabel-variabel teramati Yaitu sikap dan perilaku, sopan santun dan ramah, cara berpakaian,
komunikasi dua arah, komunikasi formal, komunikasi tanpa tekanan, wujud komitmen, konsistensi bank, tidak bersikap
oportunitis, memiliki kredibilitas, kepedulian, dapat diandalkan. 3
Mendefinisikan hubungan antara variabel laten dengan variabel- variabel teramati.
Yaitu sikap dan perilaku, sopan santun, cara berpakaian merupakan indikatorvariabel teramati dari etiket; komunikasi dua arah,
komunikasi formal dan komunikasi tanpa tekanan merupakan indikator dari komunikasi; wujud komitmen, konsistensi bank dan
tidak bersikap oportunitis merupakan indikator dari komitmen;
memiliki kredibilitas, kepedulian dan dapat diandalkan merupakan indikator dari kepercayaan kepada bank.
b. Pengumpulan data Pengumpulan data dilakukan melalui survei data primer sesuai
dengan instrumenkuesioner yang dibuat. c. Pembuatan program SIMPLIS
Berdasarkan spesifikasi model dan data yang telah tersedia, maka dapat dibuat program SIMPLIS-nya.
d. Menjalankan program SIMPLIS dan analisis keluarannya. Program SIMPLIS yang merupakan hasil respesifikasi dijalankan
dengan menggunakan LISREL 8.8. Secara garis besar analisis keluaran program SIMPLIS adalah sebagai berikut :
1 Memeriksa adanya offending estimate, seperti negative error variance
dan standardized loading factor yang paling sering terjadi adalah lebih besar dari 1.0, serta nilai standard error yang
sangat besar. 2 Memeriksa validitas variabel teramati, kriteria validitas yang baik
yaitu jika nilai standardized factor loadings muatan faktor standar
≥ 0.70. 3 Menguji kecocokan atau Goodness Of Fit GOF seluruh model
pengukuran, yang dapat dilihat pada tabel 3.2 dibawah ini:
Tabel. 3.2 Perbandingan Ukuran-Ukuran GOF
UKURAN GOF TINGKAT KECOCOKAN YANG BISA
DITERIMA ABSOLUTE-FIT MEASURES
Statistic Chi-square
χ
2
Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semakin kecil semakin
baik. Non-Centralilty
Parameter NCP
Dinyatakan sebagai bentuk spesifikasi ulang dari Chi-square
. Penilaian
didasarkan atas
perbandingan dengan model lain. Semakin kecil semakin baik.
Goodness-of-Fit Index
GFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah lebih baik. GFI 0.90 adalah good-fit, sedangkan 0.80 GFI 0.90 adalah marginal fit.
Root Mean Square Error
of Approxima-tion
RMSEA Rata-rata perbedaan per degree of freedom yang
diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA 0.08 adalah goodfit,
sedangkan RMSEA 0.05 adalah close fit.
Expected Cross-
Validation Index
ECVI Digunakan untk perbandingan antar model.
Semakin kecil semakin baik. Pada model tunggal,
nilai ECVI dari model yangmendekati nilai saturated ECVI menunjukkan good fit.
INCREMENTAL FIT MEASURES Normed Fit Index
NFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah lebih baik. NFI 0.90 adalah good-fit, sedangkan 0.80 NFI 0.90 adalah marginal fit.
Comparative Fit
Index CFI
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI 0.90 adalah good-fit,
sedangkan 0.80 CFI 0.90 adalah marginal fit. Incremental
Fit Index
IFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah lebih baik. IFI 0.90 adalah good-fit, sedangkan 0.80 IFI 0.90 adalah marginal fit.
Relative Fit Index RFI
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. RFI 0.90 adalah good-fit,
sedangkan 0.80 RFI 0.90 adalah marginal fit. Adjusted Goodness
of Fit Index AGFI
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI 0.90 adalah good-fit,
sedangkan 0.80 AGFI 0.90 adalah marginal fit.
Sumber: Wijanto 2008:61-62
4 Menganalisis reliabilitas model pengukuran, dengan menghitung nilai construct reliability CR dan variance extracted VE dari
nilai-nilai standardized loading factors dan error variances melalui rumus-rumus sebagai berikut:
Construct reliability =
j
e loading
std loading
std Σ
+ Σ
Σ
2 2
. .
Variance extracted =
j
e loading
std g
loading std
Σ +
Σ Σ
2 2
. .
.
e. Respesifikasi model penelitian dan perubahan program SIMPLIS. Respesifikasi dilakukan ketika ada offending estimates, validitas model
yang belum baik, kecocokan keseluruhan model yang belum cukup baik dan reliabilitas model yang belum baik. Untuk melaksanakan
respesifikasi model, kita melakukan perubahan pada program SIMPLIS sesuai dengan kebutuhan respesifikasi.