SMART PARTIAL LEAST SQUARE SOFTWARE YANG POWERFULL: STUDI LITERATUR ANALISA MULTIVARIAT MASA KINI

  e-ISSN : 2540-961 _{S K A E N O T A H L H E T S I E N G G U K I I L M A} p-ISSN : 2087-8508 _{S Y EDZ A SA I N T I K A}

Jurnal Kesehatan Medika Saintika

  

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

SMART PARTIAL LEAST SQUARE SOFTWARE YANG POWERFULL:

  

Nova Arikhman

Program Studi Ilmu Kesehatan Masyarakat STIKes Syedza Saintika Padang

(arikhmannova73@gmail.com, 085355668822)

  

ABSTRAK

  Smart partial least square merupakan teknik yang sering disebut soft modeling, karena dimungkinkan melakukan pemodelan persamaan struktural dengan ukuran sampel relatif kecil dan tidak membutuhkan data berdistribusi normal, serta dimungkinkan menggunakan indikator bersifat reflektif dan formatif. PLS disebut sebagai metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. Metode ini dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya atau untuk pengujian proposisi. Kata Kunci: Smart PLS, algorithm, bootstrapping.

  

ABSTRACT

Smart partial least squares is a technique that is often called soft modeling, because of possible

structural equation modeling with relatively small sample size and does not require normal distribution of

data, as well as the possible use of indicators reflective and formative. PLS is referred to as a powerful

analytical method because it can be applied to all the data scale, does not require a lot of assumptions,

and the sample size should not be large. This method can be used as a confirmation of the theory can also

be used to build a relationship that is no theoretical basis for testing or proposition. Key Word: Smart PLS, algorithm, bootstrapping.

  PENDAHULUAN Smart partial least square (SmartPLS) (2008), karena dimungkinkan melakukan

  saat ini menjadi soft ware pilihan untuk pemodelan persamaan struktural dengan ukuran melakukan analisa multivariat dalam rangka sampel relatif kecil dan tidak membutuhkan data mengkonfirmasi hipotesis penelitian, dilakukan berdistribusi normal, serta dimungkinkan dengan menguji secara bersamaan variabel menggunakan indikator bersifat reflektif dan bebas, variabel terikat, variabel intervening, formatif. maupun variabel lain dalam penelitian. Alasan SmartPLS disebut sebagai metode pemilihan teknik yang sering disebut soft analisis yang powerful karena dapat diterapkan

  

modeling ini sebagaimana yang dikemukakan pada semua skala data, tidak membutuhkan

  oleh Herman Wold dalam Jaya & Sumertajaya banyak asumsi dan ukuran sampel tidak harus

  

Jurnal Kesehatan Medika Saintika

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  2

  model ditetapkan beserta komponennya,

  diagram jalur. Setelah inner model dan outer

  model dan outer model dinyatakan dalam bentuk

  Langkah ketiga, mengkonstruksi diagram jalur, yaitu hasil perancangan inner

  Mengkonstruksi Diagram Jalur

  Langkah kedua, merancang model pengukuran (outer model), perancangan model didasarkan pada teori dan penelitian empiris sebelumnya, atau secara rasional dan normative. Perancangan ini penting, karena terkait dengan apakah indikator bersifat reflektif atau formatif. Seluruh indikator pada penelitian ini bersifat reflektif, karena antar indikator saling berhubungan, arah hubungan terjadi dari indikator ke variabel manifest dan ke konstruk atau variabel laten, menghilangkan satu indikator dari variabel manifest tidak merubah konstruk, sehingga kesalahan pengukuran (error) terdapat pada tingkat indikator dan sekaligus dibutuhkan pengukuran internal konsistensi terhadap indikator.

  Merancang Model Pengukuran

  x ).

  ), dan lainnya (η

  ), endogen (η

  e-ISSN : 2540-961 p-ISSN : 2087-8508 _{S E K O L A H T I N G G I I L M U K E S E H A T A N S Y EDZ N A SA I T I K A} besar. Metode ini dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan struktural dengan indikator bersifat reflektif ataupun formatif (Jaya & Sumertajaya, 2008).

  1

  ), intervening (η

  1-dst

  Langkah pertama, merancang model struktural (inner model), yaitu merancang model struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian. Merancang hubungan variabel laten eksogen (ξ

  Merancang Model Structural

  (2008); Ghozali (2008); Chin, et.al (2003), sebagai berikut.

  Penerapan uji statistik dengan menggunakan SmartPLS, pada dasarnya melalui prosedur yang sudah baku. Namun jumlah langkah yang dibutuhkan ditentukan oleh kebutuhan uji, setidaknya ada tujuh langkah yang mesti dilakukan untuk melakukan uji. Langkah pengujian menurut Jaya & Sumertajaya

  dari konstruk ke indikator, antar indikator saling berkorelasi, menghilangkan satu indikator dari model pengukuran tidak merubah konstruk, kesalahan pengukuran (error) pada tingkat indikator. Sementara pada indikator formatif, variabel laten ditentukan oleh indikatornya, jadi arah hubungan kausalitas dari indikator ke variabel laten, antar indikator diasumsikan tidak berkorelasi, menghilangkan satu indikator berakibat merubah makna dari konstruk, dan kesalahan pengukuran diletakkan pada tingkat konstruk.

  error . Arah hubungan kausalitas seolah-olah

  Indikator reflektif, mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi dari true score ditambah

LANGKAH PENGUJIAN

  λx ^{6- x 8} λx ^{9- x 10} λx ^11-12 λx ^13-14 λx ^17-18 λx ^21-23 λx ^15-16 λx ^19-20

  ξ ² ξ ³ ξ ⁴ ξ ξ ⁶ ξ ⁷ ξ ⁸ ξ ⁹ λx ^1- x ₅ ID 71-87

  ε ²⁹ x 1- x ⁵

  β z ⁶

  λz ²

  λz ⁴ λz ³ λz ⁵ λz ⁶ λy 1-28 ε ¹ ε ² γ ^{1 .}

²

z ^{5 z 4 z 3 z}

^{2 z}

¹

  ε ^{30 ε 31} ε ³² ε ^{33 ε 34}

  δ 1-5 x 1- x ⁵ x 1- x ⁵ x 1- x ⁵ x 1- x ⁵ x 6- x ⁸ x ^6- x ⁸ x 6- x ⁸ x 9-10 x 9-10 x 9-10 x 11-12 x 11-12 x 11-12 x 13-14 x 11-12 x 11-12 x 15-16 x 11-12 x 11-12 x 17-18 x 17-18 x 17-18 x 19-20 x 19-20 x 19-20 x 21-23

ID 71-87

  ε 1-28 δ 6-7

  λz ¹

  δ 8-9 δ ^21-23 δ 19-20 δ ^17-18 δ 15-16 δ ^13-14 δ 10-12

  δ ¹ δ ²

  ξ ¹

  Gambar 1: Contoh Diagram Jalur Keterangan diagram jalur

  dikonversi dalam bentuk diagram jalur sesuai contoh berikut ini.

  model dan outer model beserta komponennya

  e-ISSN : 2540-961 p-ISSN : 2087-8508 _{S E K O L A H T I N G G I I L M U K E S E H A T A N S Y EDZ N A SA I T I K A} selanjutnya untuk mempermudah pembacaan dan pemahaman hubungan antar variabel laten dan variabel manifest dalam penelitian ini, inner

  

Jurnal Kesehatan Medika Saintika

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  y 1- y ²⁸

• - ξ ^{9 : Ksi, variabel laten eksogen.} ε ^{1 : Eta, variabel laten intervening.} ε ^{2 : Variabel laten endogen.} x
₁ -x _{23 : Dimensi variabel laten eksogen} ξ 1<
• -x
_{5 untuk} ξ ^{1 ;} x ₆ -x _{8 :} ξ ^{2 ;} x ₉ -x _{10 :} ξ ^{3 ;} x ₁₁ -x _{12 :} ξ ^{4 ;} x ₁₃ -x _{14 :} ξ ^{5 ;} x ^{15 -x 16 :} ξ ^{6 ; x 17 -x 18 :} ξ ^{7 ; x 19 -x 20 :} ξ ^{8 ; dan x 21 -x}

^{23 :}

ξ

^{9 ).} y ^{1 -y 28 : Dimensi variabel laten intervening} ε ^{1 .} z ₁ -z _{6 : Dimensi variabel laten endogen} ε 2 .<
• - ξ
^{9 (x 1}
• - _{2 :} ξ
^{5 -} ε ^{2 ;} γ ⁶ . _{2 :} ξ ^{6 -} ε ² ;γ ^{7 . 2 :} ξ ^{7 -} ε ^{2 ;} γ ^{82 :} ξ ^{8 -} ε ^{2 ; dan} γ ^{9 . 2 :} ξ ^{9 -} ε ^{2 ).}

  : Beta kecil, koefisien pengaruh e-ISSN : 2540-961 _{K A O T S E N L A H H E T S I E N G G U K I I L M A} p-ISSN : 2087-8508 _{S Y EDZ A SA I N T I K A}

Jurnal Kesehatan Medika Saintika

  β

  ε ^{1 ;} γ ^{2 . 1 :} ξ ^{2 -} ε ^{1 ;} γ ^{3 . 1 :} ξ ^{3 -} ε ^{1 ;} γ ^{4 . 1 :} ξ ^{4 -} ε

^{1 ;}

γ ^{5 . 1 :} ξ ^{5 -} ε ^{1 ;} γ ^{6 . 1 :} ξ ^{6 -} ε ^{1 ;} γ ^{7 . 1 :} ξ ^{7 -} ε ^{1 ;} γ ^{8 . 1 :} ξ ^{8 -} ε ^{1 ;} γ ^{9 . 1 :} ξ ^{9 -} ε ^{1 ;} γ ¹ . _{2 adalah pengaruh} ξ ^{1 terhadap} ε ^{2 ;} γ ²

.

_{2 :}

ξ ^{2 -} ε ^{2 ;} γ ³ . _{2 :} ξ ^{3 -} ε ^{2 ;} γ ⁴ . _{2 :} ξ ^{4 -} ε ^{2 ,} γ ⁵

  terhadap

  ξ terhadap ε ^{1 dan} ε ^{2 variabel endogen (} γ ^{1 . 1 adalah pengaruh} ξ ¹

  : Gamma kecil, koefisien pengaruh

  γ

  ε ^{1 terhadap}

ε

^{2 .} γ ^{2 . 1} γ ¹ . ₁ γ ⁴ . ₁ γ ^{5 . 1} γ ³ . ₁ γ ⁶ . ₁ γ ⁷ . ₁ γ ⁸ . ₁ γ ⁹ . ₁ γ ^{9 . 2}

γ

^{8 .}

² γ

^{7 .}

²

γ ^{6 .}

²

γ ^{5 . 2} γ ⁴ . ₂ γ ^{3 . 2} γ ^{2 .}

²

ξ ¹

  

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  : Lamnda kecil, loading faktor λx ξ. : Loading faktor ^{1 .}

  λy ε

  : Loading faktor ^{2 .}

  λz ε

  : Zeta kecil, galat model, ^{1 galat model 1 dan 2 galat model 2 .}

  δ δ ε δ ε _{1 23 : Delta kecil, galat pengukuran x 1} -x _{23 .} δ δ _{1 28 : Epsilon kecil, galat pengukuran y 1 -y 28 .}

• - ₂₉
• _{- 34 : Galat pengukuran z 1 -z 6 .}

  ε ε - ε ε

Mengonversi Diagram Jalur Ke Dalam Persamaan pengukuran yaitu spesifikasi

Sistem Persamaan hubungan antara variabel laten dengan

  Langkah ke empat, konversi diagram indikatornya, mendefinisikan karakteristik jalur ke dalam sistem persamaan, terdiri dari konstruk dengan variabel manifest. Persamaan sistem persamaan pengukuran (outer relation pengukuran tersebut berbentuk indikator reflektif atau measurement model) dan sistem persamaan sesuai tabel berikut. structural (inner relation atau structural model). Tabel 2: Persamaan Pengukuran

  No. Variabel Laten Loading Faktor Persamaan Pengukuran x

  1. Eksogen 1-dst 1- dst 1 = 1- dst x 1- dst 1-dst

  ξ λx λx ξ δ

• ε λy 1-dst λy ε ε

  3. Endogen 2-dst 1-dst z 1 = 1-dst x 2-dst 1-dst

• Sesuai paparan tabel di atas, x, y dan z Persamaan struktural yaitu spesifikasi adalah indikator untuk variabel laten eksogen hubungan antar variabel laten, merupakan ( 1-9 ), intervening ( ^{1 ) dan endogen ( 2 ). penggambaran hubungan antar variabel laten}

  ε λz λz ε ε

  ξ ε ε

  Sedangkan 1-23 , 1-28 dan 1-6 merupakan berdasarkan teori substansif penelitian. Maka

  λx λy λz

  matriks loading yang menggambarkan koefisien persamaan struktural disusun berdasarkan regresi sederhana yang menghubungkan variabel keberadaan dan hubungan antar variabel laten laten dengan indikatornya. Residual yang yang dimaksud, persamaan struktural tersebut dilambangkan dengan 1-23 dan 1-34 dapat sebagaimana berikut ini.

  δ ε

  diinterpretasikan sebagai kesalahan pengukuran atau noise pada indikator variabel laten. Tabel 3: Persamaan Struktural atau Persamaan Model

  No. Variabel Laten Loading Faktor Persamaan Struktural

  1. Intervening 1-dst ^{1 = 1 . 1 x 1 2 . 1 x 2 dst x dst 1}

  ε . . . ε γ ξ + γ ξ + γ ξ + δ γ 1 1, γ 2 1, γ 3 1, dst

  2. Endogen ^{2 = 1 1 . 2} x x x ^{1 2 . 2 2 dst dst}

• + 2-dst
² ε . 1 2, 2 . 2, 3 . 2, dst ε β x ε + γ ξ + γ ξ + γ ξ δ β, γ γ γ Estimasi Model

  

Jurnal Kesehatan Medika Saintika

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  2

  struktural dengan interpretasi yang sama dengan regresi, evaluasi ini mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga

  Square test , dan melihat besaran koefisien jalur

  untuk konstruk laten endogen, menggunakan ukuran Stone Geisser Q

  2

  dievaluasi dengan melihat prosentase varians yaitu dengan melihat R

  Goodness of fit model struktural,

  reliability (pc) .

  , discriminant validity, dan composite

  validity

  Langkah keenam Goodness of fit model pengukuran dan model struktural. Pada model pengukuran, jika penelitian menggunakan indikator reflektif maka diperlukan evaluasi berupa pemeriksaan validitas dan reliabilitas instrument. Pemeriksaan meliputi convergent

  Goodness of Fit Model

  z 1 ……..….… ……….…..… ……….….. ……..…. z 2 ……..….… ……….…..… ……….….. ……..…. z 3, dan seterusnya ……..….… ……….…..… ……….….. ……..….

  y 2 ……..….… ……….…..… ……….….. ……..…. y 3, dan seterusnya ……..….… ……….…..… ……….….. ……..….

  e-ISSN : 2540-961 p-ISSN : 2087-8508 _{S E K O L A H T I N G G I I L M U K E S E H A T A N S Y EDZ N A SA I T I K A}

  1 y 1 ……..….… ……….…..… ……….….. ……..….

  4. Intervening η

  x 1 ……..….… ……….…..… ……….….. ……..…. x 2 ……..….… ……….…..… ……….….. ……..…. x 3, dan seterusnya ……..….… ……….…..… ……….….. ……..….

  seterusnya

  3. Eksogen ξ 3, dan

  x 2 ……..….… ……….…..… ……….….. ……..…. x 3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. x 2 ……..….… ……….…..… ……….….. ……..…. x 3, dan seterusnya ……..….… ……….…..… ……….….. ……..….

  1 x 1 ……..….… ……….…..… ……….….. ……..….

  1. Eksogen ξ

  No Model Pengukuran Entire Sample Estimate Mean of Sub Samples Standar Error (SE) Nilai t Hitung Variabel Laten Variabel Manifest

  Tabel 4: Pendugaan Parameter Model Pengukuran

  menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya, means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten. Pendugaan parameter untuk model pengukuran dan model struktural sesuai tabel berikut ini.

  path estimate atau estimasi jalur:

  Langkah kelima estimasi, metode pendugaan parameter adalah metode kuadrat terkecil, proses perhitungan dilakukan dengan cara iterasi, iterasi akan berhenti jika telah tercapai kondisi konvergen. Pendugaan parameter meliputi tiga hal, weight estimate: digunakan untuk menghitung skor variabel laten,

5. Endogen η

  e-ISSN : 2540-961 _{S K A E N O T A H L H E T S I E N G G U K I I L M A} p-ISSN : 2087-8508 _{S Y EDZ A SA I N T I K A}

Jurnal Kesehatan Medika Saintika

  

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  estimasi parameternya. Dalam penelitian ini dengan koefisien determinasi total pada analisis

  2

  menggunakan rumus: Q = 1 – (1 – R ) ( 1 jalur (path analysis). Indikator nilai dalam

• – 2

  η1

  2

  2

  2 R ), dimana R , R adalah R-square variabel menentukan kelayakan model struktural sesuai η2 η1 η1

  2

  endogen dalam model persamaan. rumus Q , sedangkan indikator nilai dalam

2 Besaran Q memiliki nilai dengan menentukan kelayakan model pengukuran sesuai

  2 rentang 0 &lt; Q &lt; 1, semakin mendekati 1 berarti tabel berikut.

  2

  model semakin baik, besaran Q ini setara Tabel 5. Uji Kelayakan Model Pengukuran

  Composit Cronbach No. Variabel Laten AVE Keterangan Realibility Alpha

  1. Eksogen ξ vit/margin/un

  1 ……….…..… ……….….. ……….…..…

  2. Eksogen ξ

  2

  vit/margin/un

  ……….…..… ……….….. ……….…..…

  3. Eksogen ξ 3, dan seterusnya ……….…..… ……….….. ……….…..… vit/margin/un

  4. Intervening η vit/margin/un

  1 ……….…..… ……….….. ……….…..…

  5. Endogen η

  2

  vit/margin/un

  ……….…..… ……….….. ……….…..… Keterangan: margin= marginalvit, un= unvit.

  

Pengujian Hipotesis sebagai instrumen pengukur variabel laten,

  Langkah ketujuh adalah pengujian namun jika hasil pengujian pada model hipotesis, dilakukan dengan metode resampling struktural yang signifikan, maka dapat diartikan

  

Bootstrap , statistik uji yang digunakan t-test bahwa terdapat pengaruh yang bermakna

≥1,96 atau signifikansi p-value ≤0,05 pada alpha variabel laten terhadap variabel laten lainnya.

  5% yang dapat dilihat dari nilai koefisien jalur, Jika penelitian menggunakan variabel nilai ≥1,96 disimpulkan sebagia hubungan yang intervening maka rumusan hipotesis, sesuai tabel signifikan. berikut.

  Jika pengujian hipotesis pada model pengukuran memperoleh hasil signifikan, maka menunjukkan bahwa indikator dapat digunakan Tabel 6: Formulasi Hipotesis Statistik berdasarkan Rumusan Hipotesis

  

No. Rumusan Hipotesis Penelitian Formulasi Hipotesis Statistik

  2

  1. Ada peran Intervening η sebagai perantara Eksogen ξ H : γ . x β &gt; (γ . )

  1

  1

  1

  1

  1

  1

  2

  dengan Endogen η

  2

  2

  2. Ada peran Intervening η

  1 sebagai perantara Eksogen ξ

  2 H 2 : γ 2 . 1 x β &gt; (γ 2 . 2 )

  dengan Endogen η

  2

  2

  3. Ada peran Intervening η sebagai perantara Eksogen ξ ξ H : γ . x β &gt; (γ . )

  1 3, dan

  3

  3

  1

  3

  2 seterusnya dengan Endogen η

  2

  

Jurnal Kesehatan Medika Saintika

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  Ghozali, I. (2008) Structural equation

  Johnson, RA. &amp; Dean, WW. (2002) Applied

  dan Pendidikan Matematika 2008, Jurusan Statistika Unpad dan Departemen Statistika IPB, pp. 118-32.

  Pemodelan persamaan struktural dengan partial least square , Semnas Matematika

  Management Journal (20), pp. 195-204. Jaya, IGNM. &amp; Sumertajaya, IM. (2008)

  (pls) on strategic management research: A review of four recent studies , Strategic

  New Jersey: Prentice Hall Inc, pp. 623-5. Hulland, J. (1999) Use of partial least squares

  Yogyakarta: Yayasan Penerbit Fakultas Psikologi, Universitas Gajah Mada. Hair, JF., Black, WC., Babin, BJ., &amp; Anderson, RE. (2010) Multivariate data analysis.

  Badan Penerbit Universitas Diponegoro. Hadi, S. (2002) Metodologi research 2,

  modeling: Metode alternatif dengan partial least square (pls) , Semarang:

  Edisi 2, Semarang: Fakultas Ekonomi Universitas Diponegoro.

  e-ISSN : 2540-961 p-ISSN : 2087-8508 _{S E K O L A H T I N G G I I L M U K E S E H A T A N S Y EDZ N A SA I T I K A}

  modeling dalam penelitian manajemen: Aplikasi model-model rumit dalam penelitian untuk tesis magister dan disertasi doctor,

  14(2), pp. 189 –217. Ferdinand, A. (2002) Structural equation

  for measuring interaction effects: Results from a monte carlo simulation study and an electronic mail emotion/adoption study . Information Systems Research,

  (2003) A partial least squares approach

  DAFTAR PUSTAKA Chin, WW., Marcolin, BL., &amp; Newsted, PN.

  Jika penelitian menggunakan variabel intervening, maka disamping menjadikan nilai signifikansi sebagai tolok ukur, juga merumuskan formulasi baru yang akan diuji sebagai pembuktian hipotesis. Pembuktian hipotesis dilakukan melalui hasil penghitungan perkalian koefisien jalur antara variabel laten eksogen-variabel laten intervening dengan variabel laten intervening-variabel laten endogen yang harus lebih besar, dibanding pangkat dua koefisien jalur variabel laten eksogen-variabel.

  Pengujian hipotesis pada model struktural dijadikan tolok ukur signifikannya hubungan antar variabel yang diteliti, dapat diartikan sebagai pengaruh yang bermakna atau tidak bermaknanya suatu variabel laten terhadap variabel laten lainnya. Nilai Patokan untuk penelitian sosial atau kebijakan adalah ≥ 1,96 pada tingkat kepercayaan 95%.

  PENUTUP

  Jika pengujian signifikansi menunjukan hasil yang bermakna maka peneliti baru dapat melangkah pada uji hipotesis sesuai formulasi hipotesis statistik pada Tabel 6 di atas. Hasil penghitungan perkalian koefisien jalur antara variabel laten eksogen-variabel laten intervening dengan variabel laten intervening-variabel laten endogen menunjukkan nilai yang lebih besar, dibanding pangkat dua koefisien jalur variabel laten eksogen-variabel laten berarti hipotesis diterima, sebaliknya jika lebih kecil maka hipotesis ditolak.

  multivariate statistical analysis , USA: Pearson Education International. e-ISSN : 2540-961 _{K A E N S O T L A H H E T S I E N G G U K I I L M A} p-ISSN : 2087-8508 _{S Y EDZ A SA I N T I K A}

Jurnal Kesehatan Medika Saintika

  

Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id

  Munro, BH. (1997) Statiscal method for health Sekaran, U. &amp; Roger, B. (2003) Research

  rd care research,

  3 Edition, Philadelphia method of business: A skill building

  th New York: Lippincott-Raven Publisher. Approach , 5 Ed, John Wiley and Sons.

  Parasuraman, AA., Zeithaml, V. &amp; Berry, LL. Sitinjak &amp; Sugiarto (2006) Lisrel. Edisi (2002) Refinement and reassessment of Pertama, Yogyakarta: Graha Ilmu.

  the servqual scale, Journal of Retailing,

  Sugiono (2005) Statistika untuk penelitian, Volume 67 nomor 4 (Winter).

  Bandung: Alvabeta. Sarjono (2007) Analisis jalur untuk riset bisnis dengan SPSS, Yogyakarta: Andi Offset.