6
BAB 2
LANDASAN TEORI
2.1
Pengertian
Kualitas
Kualitas atau mutu
merupakan salah
satu tujuan penting sebagian
besar organisasi.
Mengingat
mutu
ini menyangkut organisasi
secara
keseluruhan, maka
pasti operasi dibebani
tanggung jawab
untuk
menghasilkan
mutu
bagi
pelanggan atau
customer.
Tanggung
jawab
ini
bisa
dilakukan
hanya melalui
perbaikan
manajemen
serta
mutu
yang
benar
pada
semua
tahap
operasi.
Dengan
semakin
bergesernya
perhatian
ke arah
masalah mutu
maka
mengelola
mutu
semakin
mendapat
penekanan.
Penekanan
ini
meliputi
penyempurnaan
yang harus dilakukan, pencegahan cacat dan pendekatan total mutu.
Kata
mutu
memiliki
banyak
definisi
yang
berbeda
dan
bervariasi
dari
yang
konvensional
sampai
yang
lebih
strategik.
Menurut
pendapat
Gasperz (2001,
p4)
definisi
konvensional
dari
mutu biasanya
menggambarkan
karakteristik
langsung
dari
suatu
produk
seperti
:
performasi
(performance),
keandalan
(
reliability
),
mudah dalam
penggunaan (
ease of use
),
estetika
(
esthetics
),
dan
sebagainya.
Sedangkan
menurut
Goetsch
&
Davis
(2000)
yaitu
bahwa
mutu
merupakan
suatu
kondisi
dinamis yang berhubungan
dengan produk,
jasa,
manusia,
proses, dan lingkungan yang memenuhi atau melebihi harapan.
Dari
segi
produsen,
mutu dikaitkan
dengan
merancang
dan
membuat
produk untuk
memenuhi
kebutuhan
pelanggan.
Dari
tahun ke
tahun
secara
kumulatif mutu
memiliki
pengertian yang berbeda, oleh
karena itu untuk menghindari adanya kerancuan, perlu
|
7
diadakan
penyamaan
persepsi
mengenai
kualitas
tersebut.
Ada
beberapa
pendapat,
diantaranya :
Frederik
W.
Taylor
(1886-1915)
dalam
bukunya
The Principle of Scientific
Management, menyatakan :
1. Tugas Harian
:
setiap
orang
dalam
setiap
organisasi
harus
mempunyai
tugas yang terdefinisi dengan jelas, yang harus diselesaikan dalam satu hari.
2.
Kondisi standar :
pekerja
harus
mempunyai
alat
standar
untuk
menyelesaikan suatu pekerjaan.
3.
Upah yang tinggi untuk sukses
:
penghargaan yang signifikan
harus dibayar
untuk suatu tugas atau pekerjaan yang sukses.
4.
Kerugian yang besar untuk kegagalan
:
kegagalan
dalam
menjalankan
tugas atau pekerjaan harus diperhitungkan secara perseorangan.
Walter A. Shewhart (1891
1967)
dalam
buku The Economic Control of Quality of
Manufactured Product,
berpendapat
bahwa
Terdapat
variasi
dalam
setiap
pembuatan barang
dan
variasi tersebut
dapat diketahui dengan
aplikasi
alat
statistik
sederhana seperti pengambilan contoh (sampling) dan analisis probabilitas.
W. Edward Deming (1982
1986)
Deming
mendefinisikan
mutu
sebagai
pengembangan
yang
terus
-
menerus
dari
suatu sistem
yang stabil. Definisi ini menekankan pada dua hal berikut :
1. Semua
sistem
(administrasi,
desain,
produksi,
dan
penjualan)
harus
stabil.
Hal ini memerlukan
pengukuran
yang diambil
dari
atribut
atribut
mutu
di
seluruh perusahaan dan dipantau setiap waktu.
2. Perbaikan
yang
terus
menerus
dari
berbagai
sistem
untuk
mengurangi
penyimpangan penyimpangan dan lebih memenuhi
kebutuhan pelanggan.
|
8
Joseph
M.
Juran
(1954)
dalam
bukunya
Juran on Leadership
for Quality
,
mengungkapkan trilogi Juran sebagai berikut :
1. Perencanaan Mutu.
Suatu
proses
yang
mengidentifikasikan pelanggan,
persyaratan
persyaratan
pelanggan,
fitur
fitur
produk,
dan
jasa yang diharapkan
pelanggan. Selain itu,
proses
untuk menyampaikan
produk
dan jasa
dengan
atribut
yang
benar
dan
memberikan
fasilitas
untuk
mentransfer
pengetahuan
ini
kepada
bagian
produksi.
2.
Kendali Mutu.
Suatu
proses produksi
diuji
dan
dievaluasi
terhadap
persyaratan
persyaratan
asalnya
yang diminta
oleh
pelanggan. Masalah
masalah
dideteksi
kemudian
diperbaiki.
3. Peningkatan Mutu
Meliputi
alokasi sumber daya, memberikan
tugas
kepada seseorang
untuk
mendorong suatu
proyek, pelatihan
yang
digunakan
untuk
mendorong suatu
proyek, dan membuat suatu
struktur
umum yang permanen
untuk
meningkatkan
mutu dan mempertahankan apa yang telah dicapai.
Philip
B.
Crosby
(1979)
dalam
buku
Quality is Free,Crosby mengungkapkan
empat
dalil mutu sperti berikut :
1. Definisi mutu adalah kesesuaian dengan persyaratan.
2. Sistem mutu adalah pencegahan.
3. Standar kerja adalah tanpa cacat (Zero Defect).
4. Pengukuran mutu adalah biaya mutu.
|
9
Jadi
dapat
diambil
kesimpulan,
bahwa
mutu
itu
adalah
penampilan
(karakteristik
dan
ciri
ciri)
dari
suatu
produk
yang dapat
memenuhi
kebutuhan
pelanggan
dan
sesuai
dengan keinginan pelanggan
Walaupun
begitu,
harus
diingat
tidak
hanya
terpusat
pada
produk,
tetapi
juga
menyangkut pelayanan, proses, lingkungan dan orang - orang
yang terlibat di dalamnya.
2.2
Pengertian
Quality Management
Menurut
Gazpers
(2003.
p5)
pada
dasarnya Manajemen Kualitas
(Quality
Management
)
didefinisikan
sebagai
suatu
cara
meningkatkan
performansi
secara
terus
menerus
(continuous performance
improvement)
pada
setiap
level
operasi
atau
proses,
dalam
setiap area
fungsional
dari
suatu
organisasi.
Dengan
menggunakan
semua
sumber
daya manusia dan modal yang tersedia.
Menurut
Hardjosoedarmo
(2004,
p1)
memberikan definisi tentang manajemen
kualitas
sebagai
suatu
kumpulan
aktivitas
yang berkaitan
dengan
kualitas
tertentu
yang
memiliki karakteristik :
1. Kualitas menjadi bagian dari setiap agenda manajemen atas.
2. Sasaran kualitas dimasukkan dalam rencana bisnis.
3.
Jangkauan
sasaran
diturunkan
dari
benchmarking
:
fokus
adalah
pada
pelanggan
dan
pada
kesesuaian
kompetisi;
di sana adalah sasaran
untuk
peningkatan
kualitas
tahunan.
4. Sasaran disebarkan ke tingkat yang mengambil tindakan.
5. Pelatihan dilaksanakan pada semua tingkat.
6. Pengukuran ditetapkan seluruhnya.
7. Manajer atas secara teratur meninjau kemajuan dibandingkan dengan sasaran.
8. Penghargaan diberikan untuk performansi terbaik.
9. Sistem imbalan (
revard system
)
diperbaiki.
|
![]() 10
Menurut
John
Mcdonald
(2004,
p5),
QC
(
Quality Control)
adalah
suatu
proses
terkendali yang melibatkan orang, sistem, serta alat - alat dan teknik - teknik pendukung.
Pengendalian
kualitas
atau
disebut
juga
sebagai
Quality Control
(QC),
bertujuan
untuk membuat produk
dimana
desain kualitas
dari produknya
dan
harga
produk
mendekati
keinginan konsumen. Ada empat prinsip dari manajemen kualitas :
1. Kepuasan
customer
:
kepuasan
customer
diusahakan
pada
beberapa
aspek,
yakni
harga, keamanan, keandalan dan ketepatan waktu.
2. Memberikan motivasi pada karyawan.
3. Manajemen berdasarkan fakta.
4. Perbaikan yang berkesinambungan.
2.3
Pengertian
Bauran
Pemasaran
Berdasarkan
pendapat Kotler (2002, p28) bauran pemasaran
adalah seperangkat alat
pemasaran
yang
digunakan
perusahaan
untuk mencapai
tujuan
pemasarannya.
Perpaduan
antara
empat macam
tindakan
atau
variabel tersebut
dinamakan
bauran
pemasaran
atau
marketing mix, jadi dapat dikatakan inti dari bauran pemasaran adalah:
Produk (
Product
)
Menurut
pendapat
Kotler
(2002,
p28)
produk
adalah
sesuatu
yang
dapat
ditawarkan
kesatu
pasar untuk
memenuhi
keinginan
atau
kebutuhan.
Produk
produk
yang
dipasarkan
meliputi
barang fisik,
jasa,
orang,
tempat,
orang, dan
gagasan.
Faktor faktor yang harus diparhatikan dalam bauran pemasaran mengenai
produk adalah: keanekaragaman produk, kualitas, desain, bentuk, merk, kemasan,
ukuran, pelayanan, jaminan, serta pengambilan.
Harga (Price)
|
11
Menurut
pendapat
Kotler (2002,
p23)
adalah
jaminan
uang yang
pelanggan
bayarkan untuk
produk
tertentu. Dalam menentukan
kebijakan harga
sebaiknya
perusahaan
memperhatikan
faktor
lain,
seperti
:
kondisi
perekonomian,
tingkah
laku
konsumen,
harga
dari pesaing, harga
pokok
penjualan,
peraturan
pemerintah,
dan strktur pasar dimana
produk ditawarkan.
Tempat (Place)
Menurut
Kotler
(2002,
p28)
tempat adalah
termasuk
berbagai
kegiatan
yang
dilakukan
perusahaan
untuk
membuat
produk
dapat
diperoleh
dan
tersedia
bagi
pelanggan sasaran.
Perusahaan harus
mengidentifikasikan, merekrut,
dan
menghubungkan
sebagai penyedia
fasilitas
pemasaran
untuk menyediakan
produk
dan pelayanan secara efisien kepada pasar.
Promosi (Promotion)
Agar
produk
dan
jasa
yang
dihasilkan
dapat
dikenal
oleh
konsumen
maka
perlu
upaya
untuk mengkomunikasikan
dan memperkenalkan
produk
tersebut,
oleh
karena
itu
pemasaran
perlu melakukan kegiatan
promosi. Menurut
pendapat
Kotler
(2001,
p28) promosi adalah semua
kegiatan yang dilakukan
perusahaan untuk
mengkomunikasikan dan mempromosikan produknya kepada pasar sasaran. Jadi
perusahaan harus memperkerjakan, melatih, dan memotivasi tenaga penjualnya.
2.4
Definisi Produk
Kotler dan
Armstrong (2001,p11) menyatakan bahwa,
produk
adalah segala sesuatu
yang
dapat
ditawarkan
ke
pasar
utnuk
diperhatikan,
dimiliki,
digunakan,
atau
dikonsumsi
yang dapat memuaskan keinginan atau kebutuhan.
|
12
Kotler
(2000,p394)
dalam Alma
(2005,p139)
menyatakan
bahwa,
produk
adalah
segala sesuatu
yang
dapat
ditawarkan
di pasar, untuk memuaskan
kebutuhan dan
keinginan
konsumen.
Menurut Zimmerer dan Scarborough(2004,p166) menyatakan bahwa, produk adalah
barang atau jasa yang digunakan untuk memuaskan kebutuhan konsumen.
Berdasarkan pengertian diatas
dapat disimpulkan bahwa
produk
adalah segala
sesuatu
baik
berupa
barang
atau
jasa
yang
ditawarkan
untuk
memuaskan
kebutuhan
dan
keinginan konsumen.
2.4.1
Definisi Mutu Produk
Falsafah baru mutu
produk memfokuskan
pada orientasi konsumen (
consumer
oriented) dimana tanggung jawab mutu
merupakan tanggung jawab seluruh
organisasi
dan
manajemen. Dasarnya
adalah
manajemen
kualitas
merupakan
tanggung
jawab
organisasi
secara lebih luas (®esponsibility of organization wide)
Menurut
Tjiptono
(2002,
p95),
produk
didefinisikan
sebagai bentuk
penawaran
organisasi
jasa
yang
ditujukan
untuk mencapai
tujuan
organisasi
melalui
perumusan
dan
kebutuhan pelanggan.
Dalam
konteks ini produk bisa
berupa apa saja (
baik yang
berwujud
fisik maupun yang tidak berwujud).
Tentang
mutu
barang, menurut
Joseph Juran (Prawirosentoro,
2004,
p5-6)
mempunyai
suatu
pendapat bahwa
quality is fitness for use
yang
bila
diterjemahkan secara
bebas
berarti sebagai
berikut,
kualitas
(mutu
produk)
berkaitan dengan
enaknya
barang
tersebut digunakan. Artinya,
bila suatu barang secara layak dan baik digunakan berarti
barang tersebut bermutu baik.
Pengertian mutu
yang
dikemukakan Joseph
Juran
tersebut
semata-mata
memandang
mutu
dari
pihak
konsumen.
Bagaimana
kalau
mutu
suatu
produk
ditinjau
dari
|
13
segi produsen? Dipandang dari sisi produsen, ternyata pengertian mutu lebih rumit, karena
menyangkut
berbagai
segi
sebagai
berikut:
merancang
(
to
design), memproduksi
(to
produce),
mengirimkan
(menyerahkan)
barang
kepada
konsumen
(
to
deliver),
pelayanan
pada
konsumen (consume®s
service), dan
digunakan
barang (jasa)
tersebut
oleh
konsumen.
Jadi, secara sistematis manajemen mutu terpadu meliputi:
Merancang produk (product designing
);
Memproduksi secara baik sesuai rencana;
Mengirimkan
produk ke konsumen dalam kondisi baik (
to delivered
);
Pelayanan yang baik kepada konsumen (good consumer service).
Jadi, ditinjau dari produsen definisi mutu produk adalah sebagai berikut,
Mutu suatu produk
adalah keadaan
fisik, fungsi, dan sifat
suatu produk
bersangkutan yang dapat memenuhi selera dan kebutuhan
konsumen dengan
memuaskan sesuai nilai uang yang telah dikeluarkan.
Berdasarkan teori
teori yang
ada,
maka
dapat
disimpulkan
bahwa
mutu
produk
adalah
kemampuan produk untuk
menampilkan
fungsinya,
hal ini termasuk waktu
kegunaan
dari
produk, keandalan,
kemudahan
dalam
penggunaan
dan
perbaikan,
dan nilai-nilai
yang
lainnya.
2.4.2
Definisi Pengembangan Produk
Produsen harus
memperhatikan
secara
hati-hati kebijakan
produknya.
Suatu
tantangan
paling
besar yang
dihadapi
setiap
perusahaan
adalah
masalah
pengembangan
produk. Pengembangan produk dapat dilakukan perusahaan dengan cara
mengembangkan
produk
yang
sudah
ada.
Selain
itu,
dapat
pula
dengan
menyewa
para peneliti
guna
menciptakan produk baru dengan membuat model-model yang sesuai, sehingga dalam
usaha
menghasilkan
dan
memasarkan lebih
dari satu jenis produk, perusahaan harus
|
14
mengambil
keputusan
tentang
kebijakan
produk yang akan
dipakai.
Keputusan itu
berkaitan
dengan
penentuan
kombinasi
produk apa
saja yang
akan
diproduksi
dan
dipasarkan
oleh
perusahaan (Kotler dan Armstrong, 2001,p409).
Menurut Zimmere
dan Scarborough (2004,p164) mendefinisikan, pengembangn
produk adalah usaha untuk meningkatkan penjualan dengan menambahkan produk dan jasa
baru
pada
pasar
yang sekarang.
Produk
baru
ini
mungkain
berupa
perubahan
dari
produk
yang ada atau memang baru sama sekali.
2.5
Kepuasan Pelanggan
2.5.1
Definisi Kepuasan
Pelanggan
Dewasa ini semakin
disadari
bahwa
pelayanan
dan
kepuasan
pelanggan merupakan
aspek
vital
dalam
rangka
bertahan dalam
arena
bisnis
dan
memenangkan
persaingan.
Meskipun
demikian
tidaklah
mudah untuk
mewujudkan
kepuasan
pelanggan
secara
menyeluruh. Pelanggan yang
dihadapi saat
ini
berbeda
dengan pelanggan
pada
beberapa
dasawarsa lalu.
Kini
pelanggan semakin terdidik dan menyadari
hak-haknya. Oleh
karena itu,
setiap
perusahaan
harus
berusaha meminimalkan
ketidakpuasan
pelanggan
dengan
memberikan pelayanan semakin hari semakin baik.
Berdasarkan
pendapat
Irawan
(2002,
p3)
Kepuasan
konsumen
adalah
hasil
akumulasi
dari
konsumen/ pelanggan
dalam menggunakan produk dan jasa.
Oleh karena
itu
setiap
transaksi/
pengalaman
baru,
akan
memberikan
pengaruh
terhadap
kepuasan
konsumen karena kepuasan konsumen mempunyai dimensi waktu
karena hasil akumulasi.
Ada beberapa
karateristik perusahaan
yang berfokus pada kepuasan pelanggan
(Tjiptono, 2001, p11) meliputi :
1. Adanya visi,
komitmen dan suasana
yang
mendukung
usaha untuk memenuhi
kebutuhan pelanggan.
|
15
2. Menempatkan diri sejajar dengan pelanggan.
3. Memiliki kemauan untuk mengidentifikasi
dan mengatasi masalah pelanggan.
4. Selalu berusaha mengumpulkan dan memanfaatkan informasi dari
pelanggan.
5. Dekat dengan pelanggan.
6. Memperlakukan
karyawan
sebagai
orang
yang
memiliki
kompetensi
dan
kapabilitas
serta
memberdayakan
mereka
untuk mengambil keputusan
dalam rangka
memuaskan pelanggan.
7. Melakukan
aktifitas
penyempurnaaanproduk
atau
jasa
dan
proses
secara
berkesinambungan.
Adapun beberapa tingkat kepuasan yang umum yaitu:
1. Kalau kinerja dibawah harapan maka pelanggan akan kecewa.
2. Kalau kinerja sesuai dengan harapan maka pelanggan akan puas.
3. Kalau kinerja melebihi harapan maka pelanggan sangat puas dan gembira.
2.5.2
Model Kepuasan Pelanggan
Berdasarkan
perspektif
psikologi,
menurut
terdapat
2
model
Kepuasan
Pelanggan,
yaitu :
1. Model Kognitif
Indeks
kepuasan
pelanggan
dalam model kogitif
mengukur perbedaan
antara apa yang ingin diwujudkan oleh pelanggan dalam membeli suatu produk/ jasa
dan apa yang sesungguhnya ditawarkan oleh perusahaan. Berdasarkan model ini,
maka
kepuasan
pelanggan
dapat
dicapai
dengan
dua
cara
utama. Pertama,
mengubah
penawaran
perusahaan
sehingga
sesuai
dengan
yang
ideal. Kedua,
meyakinkan pelanggan bahwa yang ideal
tidak sesuai dengan kenyataan.
2. Model Afektif
|
16
Model afektif menyatakan bahwa
penilaian
pelanggan
individual
terhadap
suatu
produk atau
jasa tidak
semata-mata
berdasarkan
perhitungan
rasional,
namun
juga berdasarkan kebutuhan subyektif, aspirasi dan pengalaman. Fokus model afektif
lebih
dititikberatkan pada
tingkat aspirasi,
perilaku belajar
(learning behaviour),
emosi,
perasaan spesifik
(apresiasi,
kepuasan,
keengganan,
dan lain-lain),
suasana
hati
(mood),
dan
lain-lain.
Maksud
dari
fokus
ini
adalah
agar
dapat
dijelaskan
dan
diukur tingkat kepuasan dalam suatu kurun waktu
(longitudinal).
2.5.3
Karateristik Kepuasan Pelanggan
Kunci bagi retensi
pelanggan adalah
kepuasan
pelanggan.
Pelanggan
yang
sangat puas:
(Kotler, 2000, pp.56-57)
-
Tetap setia lebih lama.
-
Membeli
lebih
banyak
ketika
perusahaan
memperkenalkan
produk
baru
dan
memperbaharui produk-produk yang ada.
-
Membicarakan hal-hal yang baik tentang perusahaan dan produk-produknya.
-
Memberi
perhatian
yang
lebih
sedikit
kepada
merek-merek
dan
iklan-iklan
pesaing
serta kurang
peka terhadap harga.
-
Menawarkan
gagasan jasa atau produk kepada perusahaan.
-
Biaya
untuk
pelayanannya lebih kecil
dibandingkan
biaya
pelayanan
pelanggan
baru
karena transaksi yang sudah rutin.
2.5.4
Pengukuran
Kepuasan Pelanggan
Strategi kepuasan
pelanggan
menyebabkan
para
pesaing harus
bekerja
keras
dan
memerlukan biaya
tinggi
dalam
usaha merebut pelanggan suatu perusahaan. Satu
hal
yang
perlu
diperhatikan
bahwa
kepuasan
pelanggan merupakan
strategi
jangka panjang
yang
butuh
komitmen,
baik
menyangkut
dana
maupun
sumber
daya
manusia.
Menurut
Fandi
|
17
Tjiptono (2002,
p40-45), ada
beberapa
strategi
untuk
meraih
dan meningkatkan
kepuasan
pelanggan yaitu:
1) Relation Marketing strategy
Yaitu
strategi
dimana
transaksi pertukaran antara
pembeli
dan
penjual
berkelanjutan,
tidak
berakhir
setelah
penjualan selesai.
Dengan
kata
lain,
dijalin
suatu
kemitraan
dengan
pelanggan
secara
terus-menerus
yang
akhirnya
akan menimbulkan
kesetiaan pelanggan sehingga terjadi bisnis ulang (repeat business).
2) Superior
Customer
Service
Strategy
Menawarkan pelayanan yang lebih baik daripada pesaing. Hal ini membutuhkan dana
yang besar, kemampuan SDM,
dan usaha gigih agar dapat tercipta suatu pelayanan superior.
Oleh karena
itu,
seringkali
perusahaan
yang
menawarkan
customer
service
yang
lebih
baik
akan
memberikan
harga yang
lebih
tinggi
pada
produk-produknya.
Akan tetapi
mereka
biasanya
memperoleh
manfaat
besar
dari
pelayanannya
yang
lebih
baik
tersebut,
yaitu
tingkat pertumbuhan yang cepat dan
besarnya laba yang diperoleh.
3) Unconditional Guarantess Strategy atau Extraordinary
Guarantees
Strategi ini
berintikan komitmenuntuk memberikan kepuasan
kepada
pelanggan
yang
pada gilirannya akan menjadi sumber dinamisme penyempurnaan mutu produk atau jasa dan
kinerja
perusahaan.
Selain itu
juga
akan
meningkatkan
motivasi
karyawan
untuk
mencapai
tingkat kinerja yang lebih baik dari sebelumnya.
4) Strategi Penanganan Keluhan Yang Efisien
Penanganan keluhan
memberikan
peluang
untuk mengubah
seseorang
pelanggan
yang tidak puas menjadi pelanggan yang puas.
5) Strategi Peningkatan Kinerja Perusahaan.
Meliputi
berbagai
upaya seperti
melakukan
pemantauan
dan
pengukuran
kepuasan
pelanggan
secara
berkesinambungan,
memberikan
pendidikan
dan
pelatihan
menyangkut
|
18
komunikasi, salesmanship dan
public relations
kepada
pihak manajemen
dan
karyawan,
memasukkan unsur kemampuan untuk
memuaskan
pelanggan kedalam sistem prestasi
karyawan.
6) Quality
Function
Development
(QFD)
Yaitu
praktek
untuk
merancang suatu
proses
sebagai
tanggapan
kebutuhan
pelanggan.
Dengan
strategi-strategi
tersebut
diharapkan
perusahaan
dapat meningkatkan
tingkat kepuasan pelanggan dari produk dan jasa serta pelayanannya.
2.5.5
Teknik Pengukuran Kepuasan
Menurut Philip
Kotler
(didalam
buku
Prof.
Dr. H.
Buchari
Alma, Manajemen
Pemasaran dan Pemasaran Jasa,
Cetakan
ketujuh,
2005,
p285), ada
beberapa
cara
mengukur kepuasan pelanggan, yaitu:
1. Complaint and suggestion
system
(Sistem
Keluhan dan
Saran).
Banyak
perusahaan
membuka kotak saran dan menerime keluhan yang dialami oleh langganan. Ada juga
perusahaan yang
memberi
amplop
yang
telah
ditulis
alamat
perusahaan untuk
digunakan
menyampaikan saran,
keluhan
serta
kritik.
Saran
tersebut dapat
juga
disampaikan
melalui
kartu
komentar,
customer hot
line,
telepon
bebas
pulsa.
Informasi ini dapat
memberikan
ide
dan masukan
kepada
perusahaan yang
memungkinkan
perusahaan
mengantisipasi dan
cepat
tanggap terhadap
kritik
dan
saran tersebut.
2. Customer satisfa©tion surveys (Survei Kepuasan Pelanggan), dalam hal ini
perusahaan melakukan survei
untuk
mendeteksi
komentar
pelanggan.
Survey
ini
dapat
dilakukan
melalui pos,
telepon,
atau
wawancara
pribadi,
atau pelanggan
diminta mengisi angket.
3. Ghost shopping
(Pembeli
Bayangan),
dalam
hal
ini
perusahaan
menyuruh
orang
tertentu sebagai pembeli ke perusahaan lain atau ke perusahaannya sendiri. Pembeli
|
19
misteri
ini
melaporkan
keunggulan
dan kelemahan pelayan
yang melayaninya.
Juga
dilaporkan segala
sesuatu yang
bermanfaat sebagai bahan
pengambilan
keputusan
oleh
manajemen.
Bukan
saja
orang lain
yang
disewa
untuk
menjadi
pembeli
bayangan
tetapi
juga
manajer
sendiri
harus
turun ke
lapangan,
belanja
ke
toko
saingan dimana ia tidak
dikenal.
Pengalaman manajer
ini sangat
penting karena data
dan informasi
yang diperoleh langsung ia alami sendiri.
4. Lost custome® analysis
(Analisa
pelanggan
yang
lari),
langganan
yang
hilang,
coba
dihubungi.
Mereka diminta untuk mengungkapkan mengapa mereka berhenti, pindah
ke
perusahaan lain, adakah sesuatu masalah yang
terjadi
yang tidak bisa diatasi atau
terlambat
diatasi.
Dari
kontak semacam
ini
akan diperoleh
informasi
dan akan
memperbaiki kinerja
perusahaan sendiri
agar
tidak ada
lagi
langganan
yang
lari
dengan cara meningkatkan kepuasan mereka.
2.5.6
Sebab-sebab Timbulnya Ketidakpuasan
Menurut
Prof. Dr. H. Buchari Alma
(Manajemen Pemasaran dan Pemasaran Jasa,
Cetakan ketujuh,
2005, p286),
tentu banyak sebab-sebab
munculnya
rasa
tidak puas
terhadap sesuatu antara lain:
1. Layanan selama proses menikmati jasa
tidak memuaskan;
2. Perilaki personal kurang menyenangkan;
3. Suasana dan kondisi fisik lingkungan tidak menunjang;
4. Cost terlalu tinggi, karena jarak terlalu jauh, banyak waktu terbuang, dan harga
tidak
sesuai;
5.
Promosi/ iklan terlalu muluk, tidak sesuai dengan kenyataan.
|
20
2.5.7
Pentingnya
Mempertahankan Pelanggan
Kotler,
Hayes
dan
Bloom
(2002:391)
(dalam
buku
Prof.
Dr.
H.
Buchari
Alma,
Manajemen Pemasaran dan
Pemasaran Jasa, Cetakan
ketujuh,
2005,
p275-276),
menyatakan ada
enam alasan
mengapa
lembaga harus
menjaga
dan
mempertahankan
pelanggannya (disadur).
1. Pelanggan
yang sudah ada,
prospeknya dalam memberi
keuntungan cenderung lebih
besar.
2.
Biaya
menjaga
dan
mempertahankan pelanggan
yang
sudah
ada,
jauh
lebih kecil
daripada biaya mencari pelanggan baru.
3.
Pelanggan
yang
sudah
percaya
pada
satu
lembaga
dalam
satu
urusan bisnis,
cenderung akan percaya juga dalam urusan/ bisnis yang lain.
4. Jika
pada suatu
perusahaan banyak langganan
lama, akan
memperoleh
keuntungan
karena adanya
peningkatan
efisiensi.
Langganan
lama
pasti tidak
akan
banyak
tuntutan,
perusahaan
cukup
menjaga
dan
mempertahankan mereka. Untuk
melayani
mereka
bisa digunakan karyawan-karyawan baru dalam
rangka
melatih
mereka,
sehingga
biaya
pelayanan
lebih
murah.
Tentu
karyawan
yunior
ini
telah diberi
pengarahan terlebih
dahulu,
agar
tidak
berbuat sesuatu
yang
mengecewakan
pelanggan.
5. Pelanggan
lama
ini
tentu
telah
banyak
pengalaman
positif
berhubungan
dengan
perusahaan, sehingga mengurangi biaya psikologis dan sosialisasi.
6.
Pelanggan lama, akan selalu membela perusahaan, dan berusaha pula menarik/
memberi
referensi
teman-teman
lain
dan
lingkungannya
untuk
mencoba
berhubungan dengan perusahaan.
|
21
2.6
Model Persamaan Struktural
2.6.1
Konsep Umum
Achmad
Bachrudin,
Harapan
L.
Tobing
(Analisis
Data
Untuk Penelitian
Survai dengan menggunakan
LISREL
8,
p3,
2003).
Dalam
penelitian
ilmu
sosial atau
ilmu
perilaku
(Social
dan Behavioral Sciences)
sering
kali peneliti
melakukan
kegiatan
penelitian
untuk mengukur
setiap karateristik subjek atau
satuan
pengamatan
melibatkan
lebih
satu
variable
(variate).
Dalam
konteks
pengukuran
seperti ini, analisis yang digunakan adalah satistik multivariat atau
variat banyak.
Umumnya teknik
analisis
statistik hanya
mengolah
variabel-variabel
indikatornya
saja
tanpa
melibatkan
variabel
latennya, dan
juga
jarang
dalam
pengolahannya
sekaligus
melibatkan
kekeliruan
pengukuran variabel.
Umumnya
kekeliruan
pengukuran
hanya diperhatikan
pada
saat uji
coba
dengan
menghitung
realibilitas
dan validitasnya.
Dalam
pengolahan
selanjutnya,
masalah
kekeliruan
pengukuran
sering
dilupakan saja
atau diasumsikan bahwa
kekeliruan
pengukuran tidak
ada, padahal selama
alat
ukur tersebut
tidak
memiliki
tingkat
realibilitas
dan
validitas
yang
sempurna
maka
besarnya
kekeliruan
pengukuran
akan
berpengaruh
kepada
hasil
analisisnya.
Kita
semua
tahu
bahwa
dalam
ilmu
sosial
dan
perilaku
tidak
memiliki
suatu
alat
ukur
yang
benar-benar
baku,
tidak
seperti teknik dan sains yang memiliki alat ukur yang baku dimana-mana dan
sepengetahuan penulis
tidak ada lembaga semacam metrologi yang bertugas
mengkalibrasi
alat
ukur
ilmu-ilmu
sosial. Dengan
demikian
kita
perlu
suatu
analisis
statistik yang sekaligus melibatkan kekeliruan pengukuran.
Seperti
sudah
dijelaskan
bahwa
dalam
ilmu
sosial
untuk
mengukur
suatu
konstruk
umumnya
secara
tidak
langsung,
yaitu
melalui indikator-indikatornya.
|
22
Selama
ini
variabel-variabel
indikator inilah
yang
diproses
untuk
menjelaskan
bagaimana
hubungan
antara
konstruk
yang satu
dengan
konstruk
lainnya,
tetapi
hubungan
tersebut
tetap samar-samar, artinya
hubungan
antara
indikator-indikator
dan
konsep tersebut
tidak
secara
eksplisit
dinyatakan
dalam suatu
persamaan.
Dengan
demikian
perlu
suatu
analisis statistik
yang
secara
simultan
melibatkan
variabel indikator dan variabel laten.
Suatu
teknik
statistik
yang
menganalisis
variabel
indikator,
variabel
laten,
dan
kekeliruan
pengukurannya
adalah
pemodelan
persamaan
struktural
(structural
equation model, SEM).
Dengan
SEM
kita
dapat
menganalisis
bagaimana
hubungan
antara
variabel
indikator
dengan
variabel latennya
yang
dikenal sebagai
persamaan
pengukuran (measurement equation),
hubungan antara
variabel
laten yang lain
dikenal
sebagai
persamaan
struktural
(structural
equation)
yang
secara
bersama-
sama
melibatkan
kekeliruan
pengukuran.
Selain
itu,
model
persamaan
struktural
dapat
menganalisis
hubungan
dua
arah
(reciprocal) yang
sering
terjadi
pada
ilmu
sosial.
Dalam
SEM
dikenal
juga dengan
variabel
laten
eksogen
(independent
latent
variable) dan variabel laten endogen
(dependent latent variable).
Istilah model
persamaan
struktural
dikenal juga
dengan
nama LISREL
(LIniear Structural RELationships)
adalah
paket
program
statistik
untuk
SEM,
yang
pertama
kali
siperkenalkan
oleh
Karl
Joreskog
pada
tahun
1970
dalam suatu
pertemuan ilmiah. Istilah lain
untuk SEM
sering kali
disebut juga
anaisisfaktor
konfirmatori (confimatory factor
analysis), model
struktur kovarians (covarian©e
structure
models)
dan model variabel laten
(laten variable modelling).
Pengolahan
data
dengan
SEM
tidak
dapat
dilakukan
secara
manual.
Umumnya
prosedur
pengolahan
data dilakukan secara
iteratif. Sekarang
ini telah
ersedia
beberapa
program
komputer
kaitannya
dengan
pengolahan
data
|
23
menggunakan
SEM,
termasuk
LISREL
(Joreskog
&
Sorbom,
1993a,
1993b,
1993c,
1999).
Sekarang ini, penggunaan
SEM dalam penelitian sosial semakin banyak.
Ada
tiga
alasan
mengapa
SEM
banyak
digunakan
dalam
penelitian
(Kelloway,
1998),
yaitu:
1.
Penelitian
sosial umumnya
menggunakan
pengukuran-pengukuran
untuk
menjabarkan konstruk
(construct).
Hampir
semua
penelitian
ilmu
sosial
tertarik
dalam
pengukuran
dan
teknik
pengukuran.
Salah
satu
bentuk
dari
SEM
berurusan
secara langsung
dapat
menjawab pertanyaan sejauh
mana
pengukuran yang
dilakukan
dapat
merefleksikan
konstruk yang
diukur.
Singkatnya,
pengolahan data dengan SEM sekaligus dapat
mengevaluasi
kualitas
pengukuran, aitu keandalan dan validitas suatu alat ukur.
2.
Para
peneliti
sosial
sangat
tertarik
terhadap
prediksi.
Dalam
melakukan
prediksi
tidak
hanya melibatkan model
dua
variabel, tapi
dapat
melibatkan
model
yang
lebih rumit berupa struktur hubungan antara beberapa variabel penelitian.
3.
SEM
dapat
melayani
sekaligus
suatu
analisis
kualitas
pengukuran
dan
prediksi.
Khususnya,
dalam
model-model
variabel
latent,
model
ini
merupakan
suatu
model
yang fleksibel
dan sangat
ampuh
secara
simultan
memeriksa
kualitas
pengukuran dan hubungan prediktif antar konstruk.
jika
nilai
X
=
0
maka
nilai
Y
adalah
2,
dan
seterusnya.
Dengan
demikian
tidak
didapati penyelesaian yang unik dalam persamaan.tersebut.
Just-identified
model
adalah model
dimana jumlah
parameter
yang
diestimasi sama
dengan data yang
diketahui.
Pada kondisi
just-identified,
model
yang
dispesifikasikan
hanya
memiliki satu penyelesaian. Sebagai contoh jika kita memiliki dua persamaan berikut :
2X + 2Y = 12
|
24
2X + Y = 10
Pada
kondisi adanya
2
persamaan
dengan
2
bilangan
tidak
diketahui
ini,
hanya
ada
1
penyelesaian yaitu X = 4 dan Y = 2.
Over-identified model
adalah
model
dimana
jumlah parameter
yang diestimasi
lebih
kecil
dari
jumlah
data
yang
diketahui.
Pada
kondisi
over-identified,
penyelesaian
model
diperoleh
melalui
proses estimasi
iteratif. Penyelesaian
model diperoleh
melalui
proses
estimasi
iteratif.
Penyelesaian
yang
diperoleh
biasanya
merupakan nilai-nilai
yang
konvergen
ke
nilai-nilai
yang
stabil.
Sebagai
contoh
jika
kita memiliki
3
persamaan
dengan
2
bilangan
tidak diketahui.
2X + 2Y = 12
6X + 3Y = 30
6X + 2Y = 24
Maka
penyelesaian yang diperoleh melalui estimasi iteratif dan yang cukup mendekati adalah
X = 3.0 dan
Y = 3.3
Untuk
memperoleh
model
SEM
yang
over-identified
perlu
diperhatikan
hal-hal
sebagai berikut :
1.
Jumlah
varian-kovarian
non-redundan
variabel
teramati
(jumlah
data)
>=
jumlah
parameter model diestimasi.
2. Setiap
variabel
latent
dalam
model
yang harus
diberi
sebuah unit pengukuran.
Untuk itu
dapat digunakan salah satu dari dua cara di bawah ini :
-
Mendapatkan salah satu koefisien struktual (faktor loading),
lambda dengan nilai 1.0
-
Variabel
latent
distandarisasikan
ke
unit variance, yaitu
dengan
menetapkan
nilai
1
pada komponen diagonal dari matrik variances.
|
25
3.
Untuk
variabel
latent
yang
hanya
mempunyai sebuah
variabel teramati,
maka
koefisien
struktual (faktor
loading) lambda
di
tetapkan
=
1.0
dan ini
berarti
errorvariance
(delta)
terkait = 0.
2.6.2
Tools SEM (LISREL
Linear Structural Relationship)
Istilah
model
persamaan
struktural
dikenal
juga
dengan
nama
LISREL (LIniear
Structural
RELationships) adalah
paket
program
statistik
untuk
SEM,
yang
pertama
kali
siperkenalkan oleh
Karl
Joreskog pada
tahun 1970
dalam
suatu
pertemuan ilmiah.
Istilah
lain
untuk
SEM
sering
kali
disebut
juga
anaisisfaktor
konfirmatori
(confimatory
factor analysis),
model
struktur
kovarians
(covariance structure models) dan
model
variabel
laten
(laten
variable modelling).
Pengolahan
data
dalam
SEM
dilakukan menggunakan
prosedur
iteratif
yang
sangat
memakan waktu
dan ketelitian
jika
dilakukan secara
manual.
Perkembangan
teknologi
komputer sangat membantu pengolahan data dengan
SEM
dan
menjadikan
SEM
semakin
banyak
digunakan oleh para
peneliti maupun pebisnis.
Dewasa
ini telah dikembangkan
beberapa
program
komputer
yang
dapat
digunakan
untuk
menganalisis
SEM,
antara
lain
EQS, AMOS, LISREL, SAS PROC CALIS, STATISTICA-SEPATH, dan lain-lain.
LISREL, merupakan salah satu program
komputer yang dapat mempermudah analisis
untuk menyelesaikan masalah-masalah
yang tidak
dapat
diselesaikan oleh alat
analisis
yang
konvensional.
LISREL
diperkenalkan oleh
Karl
Joreskog
pada
tahun
1970
dan
sejauh
ini telah
dikembangkan serta
digunakan dalam
berbagai disiplin
ilmu
pengetahuan sosial.
Dalam versi
yang lebih maju, penggunaan LISREL
menjadi lebih interaktif, lebih mudah, banyak fitur
statistik
yang
baru
terkait dengan
penanganan missing data,
imputatuion data
serta
multilevel data analysis
.
Terapannya
pada persoalan ilmu sosial dan
ilmu
perilaku
dapat
kita
temui secara luas yang sangat berguna sebagai acuan pengambilan keputusan dalam
kondisi
|
26
yang
makin
rumit.
Secara umum
analisis
dalam
LISREL
dapat dipilah
dalam dua
bagian
:
pertama
yang
terkait
dengan
model
pengukuran
(measurement model) dan
kedua
yang
terkait
dengan
model
struktual
(structural equation model)
.
Dengan
menggunakan
LISREL,
kita
dapat
menganalisis
struktur
covariance yang
rumit.
Variabel
latent
, saling
ketergantungan
antar
variabel,
dan sebab
akibat
yang
timbal
balik
dapat
ditangani
dengan
mudah dengan menggunakan model pengukuran dan persamaan yang terstruktur.
Pada dasarnya pengolahan SEM
dengan
LISREL dapat dilakukan
dengan empat cara,
yaitu
menggunakan
PRELIS
Project,
SIMPLIS
Project,
LISREL
Project
maupun
PATH
DIAGRAM.
Dalam buku ini akan
dijelaskan
konsep-konsep terkait
dan
prosedur Path
Diagram
serta Simplis secara
sangat sederhana sehingga memudahkan pembaca memahami
Penggunanaan
Lisrel
untuk
menyelesaikan
permasalahan
yang
berkaitan
dengan Structural
Equation Model
.
Pada
edisi
selanjutnya
secara
bertahap
akan
dilakukan
penyempurnaan
pemaparan mencakup empat cara tersebut berikut penjabarannya secara mendetil.
2.6.3
Prosedur
SEM
Penerapan
SEM
didasarkan
atas kovarian
dari
nilai-nilai
yang ada
di
dalam
sampel,
sedangkan kovarian kurang stabil jika diestimasi dari sampel yang berukuran kecil. Karena itu
penerapan
SEM
membutuhkan
sampel
yang
yang berukuran
besar.
Jika
dalam
analisis
statistika
lainnya, residual yang ingin
diminimumkan diperoleh
dari
perbedaan model
dengan
nilai
amatan,
maka
dalam
SEM,
residual
merupakan
perbedaan antara kovarian yang
diprediksi dengan kovarian yang diamati. Dalam SEM fungsi yang diminimumkan adalah
perbedaan antara kovarian
sampel dengan kovarian yang diprediksi oleh model. Untuk itu
hipotesis
nol
ditetapkan S
=
S
(?),
dengan
adalah
matrik
kovarian
populasi
dari
variabel-
variabel teramati
dan adalah
matrik
kovarian
dari model
yang
didefisiasikan (dihipotesiskan).
Jika
pada
statistik
biasanya
yang
dipentingkan
adalah
signifikansi atau
yang
dicari
adalah
penolakan
terhadap
H
0
(seperti
pada
regresi
berganda),
pada
SEM yang diusahakan
adalah
|
27
agar H
0
tidak ditolak atau H
0
diterima. Penerimaan hipotesis nol berarti matrik kovarian
populasi
dari variabel-variabel
teramati tidak
berbeda
signifikan dari
matrik
kovarian
model
yang dispesifikasikan (dihipotesiskan) sehingga errornya kecil.
Penerapan SEM mengikuti prosedur umum berikut :
A.
Spesifikasi Model (Model Specifikation
)
B.
Identifikasi (Identification)
C.
Estimasi (
Estimation
)
D.
Uji Kecocokan (Testing
Fit
)
E.
Respesifikasi (Re-specification)
2.6.3.1
Spesifikasi Model
Spesifikasi
model
dilakukan
terhadap
permasalahan yang
diteliti. Sangat
disarankan
agar
penetapan
model
tidak
dilakukan
secara asal
tetapi
didasarkan
pada
rujukan
yang
relevan.
Model
yang
dibentuk
akan
kuat
bila
sudah
ada
teori yang
mendasarinya.
Meski
demikian untuk paradigma baru, teori bagi topik yang terkait mungkin belum ada sehingga
temuan-temuan
terbaru
yang
relevan bisa
dijadikan sebagai dasar
rujukan
yang
bermakna.
Spesifikasi
model
secara
garis
besar dijalankan
dengan
menspesifikasi
model pengukuran
serta
menspesifikasi
model
struktural.
Spesifikasi model
pengukuran
meliputi
aktivitas
mendefinisikan
hubungan antara variabel laten dengan
variabel-variabel teramati.
Spesifikasi
model struktual
dilakukan dengan
mendefinisikan hubungan
kausal
diantara
variabel-variabel
latent.
Tahapan
selanjutnya
(
optional) adalah
menetapkan
gambaran
path diagram model
hybrid yang merupkan kombinasi model pengukuran dan struktural.
2.6.3.2 Identifikasi
Tahapan
identifikasi
dimaksudkan
untuk menjaga
agar
model
yang
dispesifikasikan
bukan
merupakan
model
yang
under-identifield
atau
unidetifield
.
Sebagaimana
diketahui,
|
28
terdapat
tiga kemungkinan
dalam
persamaan
simultan,
yaitu
under-identified, just-identified
atau over-identified.
Under-identified
model adalah model
dimana jumlah
paramater
yang
diestimasi lebih
besar
dari
jumlah
data
yang
diketahui.
Pada
kondisi
under-identified model
yang
dispesifikasikan
tidak memiliki penyelesaian yang unik. Sebagai gambaran
sederhana
dari
underidentified
adalah
persamaan
2X
+
3Y
=
6.
Dalam
1
persamaan
ini
didapati
dua
bilangan
yang
nilainya
tergantung
satu
sama lain.
Banyak
sekali
kemungkinan
yang
dapat
muncul
untuk
menyelesaikan
persamaan
tersebut. Misalkan
jika nilai
X
=
1 maka
nilai
Y
adalah 4/3.
2.6.3.3
Estimasi Parameter
Tahapan
ini
ditujukan
untuk
memperoleh
estimasi
dari
setiap
parameter yang
dispesifikasikan
dalam model
yang
membentuk matrik
S
(?)
sedemikian rupa
sehingga
nilai
parameter menjadi sedekat mungkin dengan nilai yang ada didalam matrik S
(matrik
kovarian
sampel dari
variabel teramati).
Matrik
kovarian sampel S digunakan
untuk
mewakili
S
(matrik
kovarian
populasi)
karena
matrik
kovarian
populasi
tidak
diketahui.
Berdasarkan
hipotesis
nol,
diusahakan
agar
selisih
S
dengan
mendekati
atau
sama
dengan
nol.
Hal
ini
dapat dilaksanakan dengan meminimumkan suatu fungsi F (S, S (?) ) melalui iterasi. Estimasi
terhadap model dapat dilakukan
menggunakan salah satu
dari
metode estimasi yang
tersedia, sebagai berikut.
Instrumental
Variable (IV)
Two Stage Least
Square (TSLS)
Unweighted
Least
Squares (ULS)
Generalized
Least Squares (GLS)
Maximum Likelihood (ML)
Generally Weighted Least Squares (WLS)
|
29
Diagonally Weighted Least Squares (DWLS)
Diantara
berbagai
metode
yang
tersedia,
metode estimasi yang
paling
banyak
digunakan
adalah
Maximum Likelihood
dan
Weighted Least Squares
.
Minimisasi
fungsi
tersebut
dapat
dilakukan melalui
iterasi
(dimulai
dengan
nilai awal) sampai diperoleh
nilai
yang kecil atau minimal.
Metode Estimasi
Pada
LISREL
terdapat tujuh
metode yang dapat
digunakan
untuk mengestimasikan
parameter
dari
suatu
model,
yaitu:
Instrumental variables (IV), Two Stage Least Square
(TSLS),
Unweighted Least
Squares (ULS),
Generalized Least
Squares
(GLS),
Generally
Weighted Least Square (GWLS), Diagonally
Weighted Least Square (DWLS), dan Maximum
Likelihood (ML).
Ketujuh
metode
estimasi
tersebut
merupakan
bagian
dari
dua
kelompok
besar tehnik
estimasi yaitu :
a.
Limited Information Techniques
Contoh dari tehnik dengan menggunakan
informasi
yang
terbatas ini
(limited information
techniques)
ini
adalah metode estimasi
instrumental
variabels
(IV)
dan
Two Stage Least
Square (TSLS). IV
dan
TSLS
adalah
metode
estimasi
yang
cepat,
dan
tidak
menggunakan
iteratif.
IV
dan
TSLS
mengestimasi persamaan
secara
independen
dan
terpisah
dimana
kedua
metode
tersebut
tidak
menggunakan
informasi
dari
persamaan
lain
pada suatu
model,
IV dan
TSLS
umumnya
digunakan
untuk
menghasilkan
starting
values untuk dapat
digunakan
dengan
menggunakan
metode
estimasi
yang
lain
pada
suatu
model. Metode
IV
biasanya
digunakan untuk menghasilkan starting
values
untuk
digunakan
pada
metode
estimasi ULS. Sedangkan TSLS
digunakan
untuk
menghasilkan
strating values untuk digunakan pada metode estimasi GLS, ML, WLS, dan DWLS.
b.
Full Information Techniques
|
30
Full
information techniques
adalah
suatu
tehnik
untuk
mengestimasi
seluruh
sistem
persamaan secara simultan dimana informasi
yang digunakan
untuk mengestimasi suatu
parameter
diperoleh
dari
seluruh sistem
persamaan
pada
suatu
model.
Salah
satu
kelemahan
dari
estimasi
jenis
ini
adalah,
jika
suatu
model
memiliki
specification error
yang timbul akibat dimasukkan hubungan yang tidak relevan akan berpengaruh terhadap
seluruh model.
Beberapa estimasi yang termasuk dalam
Full
Information Techniques,
berbagai
asumsi-asumsi
yang
harus
dipenuhi
dan
jumlah
ukuran
sampel
yang
dianjurkan
dibahas
berikut ini:
Maximum Likelihood (ML)
Metode
estimasi
yang
paling
populer
digunakan
pada
penelitian
SEM,
dan secara
default digunakan oleh
LISREL
adalah
Maximum
Likelihood.
Maximum Likelihood
akan
menghasilkan
estimasi
parameter
yang
valid,
efisien
dan
reliable
apabila
data
yang
digunakan
adalah
mulivariate normality
(normalitas
multivariate)
dan
akan
robust
(tidak
terpengaruh/
kuat)
terhadap
penyimpangan
multivariate
normality yang sedang
(moderate).
Tetapi
estimasi
pada
ML
akan
bias
apabila
pelanggaran
terhadap
multivariate normality
sangat besar.
Maximum
Likelihood memiliki
hasil
yang
cukup
valid
dengan
besaran
sampel
minimal, tetapi menurut Hair et.al (1998) ukuran sampel sebesar itu tidak dianjurkan. Ukuran
sampel yang disarankan
untuk penggunaan estimasi
Maximum
Likelihood adalah sebesar 100
200. kelemahan
dari metode ML ini adalah ML akan menjadi sangat sensitif dan
menghasilkan
indeks
goodness
of fit yang
buruk
apabila
data
yang
digunakan
adalah besar
(antara 400
500).
Generalized Least Square
|
31
Generalized Least
Square akan menghasilkan estimasi hasil yang hampir sama
dengan
estimasi
Maximum Likelihood apabila
asumsi
multivariate normality
dipenuhi
dan
ukuran sampel adalah
sama.
LS, dilain pihak, akan sedikit lebih
robust
terhadap dilanggarnya
asumsi
multivariate normality.
GLS
akan
menghasilkan
estimasi
yang
kurang
baik
dengan
ukuran sampel kecil atau kurang dari 200.
Weighted Least Square
Metode Weighted Least Square,
atau juga disebut
(Asymptotically
Distribution
Free/
ADF) merupakan
suatu
metode
yang
tidak
terpengaruh
oleh
dilanggarnya
multivariate
normality.
Kelemahan
metode
ini
adalah jumlah
variabel
dalam model
harus sedikit (kurang
dari
20
variabel).
Disamping
itu, WLS memerlukan
ukuran sampel
yang
nyaris
unreasonable
untuk
penelitian,
yaitu
minimal 1000
(Diamantopaulus
dan
Siguaw,
2000).
Bahkan beberapa penelitian simulasi
menganjurkan
penggunaan ukuran sampel sebear 5000
agar
metode WLS
ini
dapat
menghasilkan
estimasi yang
baik. Sehingga
dengan
berbagai
keterbatasan yang
ada,
metode
ini
tidak
begitu
diminati.
Meskipun
asumsi
normalitas
dilanggar,
belum
ada
suatu kesepakatan bahwa
metode WLS
lebih baik digunakan
daripada
Maximum Likelihood atau
Generalized
Least Square.
2.6.3.4
Uji Kecocokan
Tahapan
ini
ditujukan
untuk
mngevaluasi
derajat
kecocokan
atau
Godness Of
Fit
(GOF)
antara
data
dan
model. Menurut
Hair et.al. (1995)
evaluasi
terhadap
GOF
model
dilakukan melalui beberapa tingkatan, yaitu: (LISREL, p67)
Kecocokan keseluruhan model (
overall
model fit)
Kecocokan model pengukuran (
measurement
model fit
)
Kecocokan model struktual
(
structural model fit).
|
![]() 32
2.6.4
Penilaian Model
2.6.4.1
Kecocokan Keseluruhan Model
Penilaian
derajat
kecocokan
suatu SEM
secara
menyeluruh
tidak
dapat
dijalankan
secara
langsung
sebagaimana
pada
teknik
multivariat
yang
lain.
SEM
tidak mempunyai uji
statistik terbaik
yang
dapat
menjelaskan
kekuatan
prediksi model.
Untuk
itu
telah
dikembangkan
beberapa
ukuran
derajat
kecocokan
yang
dapat
digunakan secara
saling
mendukung.
Hair
et al. (¹998
:
660,
Wijanto,
2003:
17-20)
mengelopokkan
ukuran-ukuran
GOF yang ada kedalam 3 bagian yaitu :
Absolute fit measures
(ukuran kecocokan absolut)
-
Menentukan
derajat
prediksi
model
keseluruhan (model struktural dan pengukuran)
terhadap matrik korelasi dan kovarian.
Incremental Fit Measures
(ukuran kecocokan inkremental)
-
Membandingkan
model
yang
diusulkan
dengan
model
dasar
yang
sering
disebut
sebagai null model atau
independence model.
Parsiminous Fit Measures (ukuran kecocokan pa®simoni)
-
Mengaitkan
model
dengan
jumlah
koefisien
yang
diestimasi
yakni
yang
diperlukan
untuk
mencapai
kecocokan
pada
tingkat tersebut. Sesuai
dengan
prinsip
parsimoni
atau
kehematan
berarti
memperoleh
degree of
fit setingg-setingginya
untuk
setiap
degree of freedom.
Tabel 2.1 Absolute fit measures
UKURAN KECOCOKAN ABSOLUT
UKURAN DERAJAT
KECOCOKAN
TINGKAT KECOCOKAN YANG BISA DITERIMA
Statistic Chisquare (X2)
Mengikuti
uji
statistik
yang
berkaitan
dengan
persyaratan
signifikan.
Semakin
kecil
semakin
baik.
Diinginkan nilai
chi square
yang
kecil
agar
H
0
:
S
=
S
(?),
tidak ditolak.
Non-Centrality Parameter (NCP)
Dinyatakan
dalam
bentuk
spesifikasi
ulang
dari
Chi-
|
![]() 33
square.
Penilaian
didasarkan
atas
perbandingan
dengan model lain. Semakin kecil semakin baik.
Scaled NCP (SNCP)
NCP
(
non
centrality
parameter
) yang
dinyatakan
dalam
bentuk
rata-rata perbedaan setiap
observasi
dalam
rangka
perbandingan antar model. 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, sedang
0.80 <
GFI < 0.90 adalah marginal fit
Root
Mean
Square
Residual
(RMSR)
Residual rata-rata antara matrix (korelasi atau
kovarian)
teramati
dan
hasil
estimasi,
RMSR
<
0.05
adalah good fit
Root
Mean
Square
Error
of
Approximation (RMSEA)
Rata-rata
perbedaan
per
degree
of
freedom
yang
diharapkan
terjadi
dalam
populasi
dan
bukan
dalam
sampel. RSMEA < 0.05 adalah close-fit.
Expected
Cross
Validation
Index
(ECVI)
GOF
yang
diharapkan
pada
sampel
yang
lain
dengan
ukuran
sama.
Penilaian
didasarkan atas perbandingan
antar model. Semakin kecil semakin baik.
Imam Ghozali dan Fuad. Structural Equation Modeling. 2005. Hal 236
Tabel 2.2 Incremental Fit Measures
UKURAN KECOCOKAN INKREMENTAL
UKURAN DERAJAT
KECOCOKAN
TINGKAT KECOCOKAN YANG BISA DITERIMA
Tucker-Lewis
Index
atau
Non
Normed Fit Index
Nilai berkisar antara 0-1, dengan niali lebih tinggi
adalah lebih baik. TLI > 0.90 adalah marginal fit.
Normed Fit Index (NFI)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah
lebih baik
NFI
>
adalah
good-fit, sedang
0.80
<
NFI < 0.90 adalah marginal fit
Adjusted
Goodness
of
Fit
Index
(AGFI)
Nilai berkisar antara 0-1, dengan niali lebih tinggi
adalah lebih baik AGFI > 0.90 adalah
good fit, sedang
0.80 < AGFI < 0.90 adalah imarginal fit
Incremental Fit Index (IFI)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah
lebih
baik.
IFI
>
0.90 adalah
good fit, sedang
0.80 <
IFI < 0.90 adalah marginal fit.
Comparative Fit Index
Nilai berkisar antara
0-1, dengan nilai lebih tinggi
adalah
lebih baik CFI
>
0.90 adalah
good fit, sedang
0.80 < CFI < 0.90 adalah marginal fit
Imam Ghozali dan Fuad. Structural Equation Modeling. 2005. Hal 237
|
![]() 34
Tabel 2.3 Parsiminous Fit Measures
UKURAN KECOCOKAN ABSOLUT
UKURAN DERAJAT
KECOCOKAN
TINGKAT KECOCOKAN YANG BISA DITERIMA
Parsimonious
Goodness
of
Fit
(PGFI)
Spesifikasi ulang dari GFI,
dimana
nilai lebih tinggi
menunjukkan parsimoni
yang
lebih
besar.
Ukuran
ini
digunakan untuk perbandingan diantara model-model.
Normed Chi-Square
Rasio
antara
Chi-
square
dibagi
degree
of
freedom.
Nilai yang disarankan : batas bawah = 1.0, batas atas
= 2.0 atau 3.0 dan lebih longgar 5.0
Parsimonoious
Normed
Fit
Index
(PNFI)
Nilai
tinggi
menunjukkan
kecocokan
lebih
baik, hanya
digunakan untuk perbandingan antar model alternatif.
Akaike
Information
Criterion
(AIC)
Nilai
positif
lebih
kecil
menunjukkan
parsimoni
lebih
baik, digunakan untuk perbandingan antar model.
Consistent
Akaike
Information
Criterion (CAIC)
Nilai
positif
lebih
kecil
menunjukkan
parsimoni
lebih
baik, digunakan untuk perbandingan antar model.
Critical N (CN)
Estimasi
ukuransampel
yang
mencakupi
untuk
menghasilkan
suatu
adequate
model
fit
untuk
Chi-
square
test.
CN
>
200
mengindikasikan
bahwa
sebuah model cukup mewakili sampel data.
Imam Ghozali dan Fuad. Structural Equation Modeling. 2005. Hal 241
2.6.4.2
Kecocokan Model Pengukuran
Evaluasi
ini
dilakukan
terhadap
setiap
construct secara
terpisah
melalui
terhadap
validitas construct dan evaluasi terhadap reabilitas ©onstruct. (LISREL, p710)
VALIDITAS
Validitas berhubungan
dengan
apakah suatu vaiabel mengukur apa
yang seharusnya
diukur. Validitas
dalam penelitian
menyatakan derajat
ketepatan alat
ukur penelitian
terhadap isi atau
arti sebenarnya
yang diukur.
Uji
validitas adalah uji
yang
digunakan dalam
suatu
penelitian
mengukur
apa
yang
ingin
diukur. Dengan
uji
ini dilakukan pemeriksaan
apakah
item-item
yang
dieksplorasi
mendukung
item
total
atau tidak.
Suatu
instrumen
penelitian
dianggap
valid
jika
informasi yang
ada
pada
tiap
item
berkorelasi
erat
dengan
informasi dari item-item tersebut sebagai suatu kesatuan.
Validitas
dapat
dibedakan menjadi: content validity, criterion validity, ©onstruct
validity,
dan
convergent and
discriminant validity.
Bollen
(1989)
mengusulkan
definisi
|
35
alternatif
dari
validitas sebuah
variabel
teramati
adalah
muatan faktor (factor loadings)
dari
variabel
tersebut
terhadap
variabel
latennya. Rigdon
dan
Ferguson
(1991),
Doil,
Xia,
Torkzadeh
(1994),
menyatakan
bahwa
suatu
variabel
dikatakan
mempunyai
validitas
yang
baik terhadap konstruk atau variabel lainnya, jika:
Nilai
t
muatan
faktornya
(factor loadings
)
lebih
besar
dari
nilai
kritis
(>
1.96
atau
praktisnya >=2)
Muatan
faktor
standarnya
(standarized factor loading)
lebih
besar
atau
sama
dengan
0.70.
Iqbaria,
et.al.
(1997)
yang
menggunakan
guideliness
dari
Hair
et.al.
(1995)
tentang
relative importance
and significant
of the factor loading of each items : loading
>
0.50
adalah sangat signifikan.
REALIBILITAS
Realibilitas menunjuk pada
suatu pengertian bahwa instrumen
yang
digunakan
dalam
penelitian
untuk
memperoleh
informasi yang
diinginkan
dapat
dipercaya
(terandal)
sebagai
alat
pengumpul
data
serta mampu mengungkap
informasi
yang
sebenarnya di
lapangan.
Instrumen
yang
realibel
adalah instrumen
yang
bilamana
dicobakan
secara
berulang-ulang
kepada
kelompok
yang sama
akan menghasilkan data
yang
sama
dengan
asumsi
tidak terdapat
perubahan
psikologis
pada responden.
Instrumen
yang
baik
tidak
bersikap
tendensius
mengarahkan
responden
untuk
memilih
jawaban
tertentu sebagaimana
dikehendaki oleh peneliti. Intrumen
yang realibel akan menghasilkan data
yang sesuai
dengan
kenyataannya,
dalam
artian
berapa
kalipun
penelitian diulang
dengan
instrumen
tersebut akan tetap diperoleh
kesimpulan yang sama (walaupun
perolehan
angka
nominalnya tidak harus sama).
|
![]() 36
Secara
prinsip
realibilitas
mencerminkan
konsistensi
suatu
pengukuran.
Realibilitas
yang
tinggi
menunjukkan
bahwa
indikator-indikator (variabel-variabel
teramati)
mempunyai
konsistensi tinggi dalam mengukur variabel
latentnya
.
Tehnik
yang
paling
banyak
digunakan
untuk
mengukur
realibilitas
adalah
Croncbachs
Alpha. Meskipun
demikian,
Croncbachs
Alpha
akan memberikan estimasi
terlalu
rendah
jika
digunakan
untuk
mengestimasikan
realibilitas
congeneric measure (Bollen,
1989).
Menurut
Hair et.al (1995)
pengukuran realibilitas
untuk
SEM
dapat
dilakukan dengan
menggunakan Composite/
Construct
Realibility
Measure (Uku®an Ekst®ak
Varian).
Ekstrak
varian
mencerminkan
jumlah
varian
keseluruhan
dalam
indikator yang
dijelaskan
oleh
construct
latent
.
Realibilitas
construct
dikatakan
baik, jika
nilai
construct
reability-
nya >
0.70 dan nilai variance ext®acted-
nya
>
0.50.
ANALISIS FAKTOR
Berikut dijelaskan mengenai analisis faktor diambil dari buku karangan Achmad
Bachrudin,
Harapan L.
Tobing
(
Analisis
Data Untuk Penelitian Survai dengan
menggunakan LISREL 8,
2003, hal. 43)
Analisis
faktor
dapat
digunakan
untuk mengetahui
pola-pola
yang tersembunyi
atau
hubungan
dari
sejumlah
besar
variabel
dan
menentukan
apakah
informasi
tersebut
dapat
dipadatkan ke dalam sejumlah kecil faktor atau
komponen dengan syarat bahwa
informasi
tersebut hilang sekecil mungkin.
Analisis
faktor
sudah
menjadi
nama
generik
yang
diberikan
ke
dalam
kelompok
teknik
statistik
multivariat yang
tujuan utamanya adalah
meredusir
data.
Penerapan analisis
faktor sering digunakan
sebagai
awal
untuk
pengolahan analisis
berikutnya, misalnya
analisis
regresi,
analisis
kelompok (cluster), analisis
lainnya, dan
sering juga
digunakan
untuk
menghitung construct
validity dalam mengevaluasi item-item kuesioner.
|
37
Dalam analisis factor, peneliti secara subjektif memutuskan suatu variabel
masuk ke dalam suatu faktor dengan menilai dari nilai
loading-
nya.
Berikut ini akan
dikemukakan dua saran dalam mengevaluasi atau mengintepretasikan nilai suatu
loading,
yaitu: (Achmad Bachrudin, Harapan L. Tobing, Analisis
Data Untuk
Penelitian
Survai
dengan
menggunakan
LISREL 8,
2003, hal. 47)
1) Saran
pertama tidak didasarkan pada
proporsi
matematis, ini
hanya petunjuk praktis
(rule
of thumb)
yang
kerapkali
dipakai
dalam
analisis
faktor.
Aturannya,
nilai
loading
lebih
dari
+0.30
dinyatakan sebagai bermakna
atau
berarti
(signifikan);
nilai
loading
lebih
dari
+0.40
dinyatakan
lebih
bermakna;
dan
jika
nilai
loading lebih
dari
+0.50
dikatakan
sangat
bermakna. Petunjuk ini disarankan untuk ukuran sampel lebih dari 50.
2)
Seperti
sudah
dikatakan
bahwa
loading
menunjukkan
ukuran korelasi antara
variable
dan
faktornya.
Oleh
karena itu,
signifikansi loading
bisa digunakan
signifikansi
korelasi
sederhana
biasa. Dengan taraf arti
5% dan 1%
masing-masing nilai
loading
paling
sedikit
+0.19
dan
+
0.26
jika
ukuran
sampel
paling
sedikit
100.
Jika
ukuran
sampel
paling
sedikit
+0.14
dan
+0.18; akhirnya, ukuran sampel paling sedikit 300, nilai loading
nya +0.11 dan +0.15.
2.6.4.3
Kecocokan Model Struktrural
Uji
kecocokan
ini
dilakukan
terhadap
koefisien-koefisien
persamaan
struktural
dengan
menspesifikasikan
tingkat
significan
tertentu.
Dalam
hal
signifikansi
adalah
0.05,
maka
nilai
t dari
persamaan
struktural
harus
> 1.96.
selain
itu
juga
perlu dilakukan evaluasi
terhadap
solusi
standar
dimana
semua
koefisien mempunyai
varian
yang
sama
dan
nilai
maximumnya
adalah
1.
Sebagai
ukuran
menyeluruh
terhadap
persamaan
struktual,
overall
coeficient of determination (R2) dievaluasi seperti pada regresi berganda.
2.6.4.4
Respesifikasi
Berdasarkan
buku
LISREL,
p72-p73.
Tahapan
ini
ditujukan
untuk
melakukan
spesifikasi
ulang terhadap
model
untuk
memperoleh
derajat
kecocokan
yang
lebih
baik.
|
38
Respesifikasi
ini
sangat tergantung kepada
strategi
pemodelan
yang dipilih.
Dalam SEM
tersedia 3 strategi pemodelan
yang dapat
dipilih (Joreskog
dan Sorbom 1993, Hair et. Al.
1995), yaitu:
¾
Strictly Confirmatory
atau
Confirmatory
Modeling Strategy.
Untuk ituterlebih
dahulu
dispesifikasikan
suatu
model
tunggal,
lalu dilakukan
pengumpulan
data
empiris.
Pengujian
dilakukan
untuk
menghasilkan penerimaan atau
penolakan
terhadap
model
tersebut
sebagaimana
criteria
dari hipotesis nol. Model
dinyatakan
bagus
bila
mampu
mempresentasikan data
empiris.
Dalam
strategi
ini
tidak ada
respesifikasi
model.
¾
Alternative (Competing) Models atau Competing Model Strategy. Tahapan
yang
dilakukan
sama
dengan
pada
Strictly Confirmatory, hanya
saja
beberapa
model
alternative
dispesifikasikan
dan
dipilih salah satu
model
yang
paling
sesuai.
Respesifikasi hanya
diperlukan
jika model-model alternative dikembangkan
dari
beberapa model yang ada.
¾
Model Generating atau
Model
Development Strategy. Tahapan
yang
dilakukan
dimulai
dari
spesifikasi suatu
model
awal,
dilanjutkan
dengan
pengumpulan
data
empiris.
Selanjutnya
dilakukan
analisis dan
pengujian
apakah
data
cocok
dengan
model. Jika tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji
kembali dengan
data
yang sama.
Respesifikasi model
diperlukan jika
modelnya
tidak
memiliki
kemampuan
yang
diharapkan.
Proses
respesifikasi
dapat
dilakukan
berulang-ulang
sapai
didapati
tingkat kecocokan terbaik.
Proses
dapat
dilakukan
berdasarkan
theory driven
atau
data driven,
meskipun
respesifikasi
berdasar theory
driven lebih dianjurkan.
Dari
ketiga
strategy
yang
dapat
dipilih,
model
generating
merupakan
strategy
yang
paling banyak diterapkan.
|
39
2.6.5
Modifikasi Model
Salah satu tujuan utama dari
modifikasi
model
ini adalah
untuk
menghasilkan model
fit
yang
lebih
baik,
atau
dalam
bahasa
statistik,
nilai
selisih antara
kovarians
matriks
yang
diperoleh
dari
sampel
dan kovarians
matriks
yang dinilai dari model yang
lebih
kecil.
Namun,
sebagaimana
telah
dinyatakan
berkali-kali
sebelumnya, apapun
modifikasi
yang
dilakukan
harus sesuai dan dapat dipertanggungjawabkan sesuai dengan teori.
Modifikasi model biasanya dilakukan pada dua keadaan berikut :
1. Meningkatkan
model
fit
pada
model
penelitian
yang
telah
memiliki
fit
yang
bagus.
Meskipun
banyak para
peneliti
yang
tidak
melakukan
hal tersebut, namun
masih
banyak
peluang
untuk
meningkatkan
model
fit.
Masalahnya adalah modifikasi
pada
model
yang
telah menunjukan fit yang baik belum tentu akan
memberikan hasil penelitian
yang sama
apabia digunakan pada sampel yang berbeda. Sehingga, opsi ini seharusnya dihindari.
2. Modifikasi
model yang dilakukan
untuk meningkatkan model
fit
yang sebelumnya
sangat
buruk,
terdapat
beberapa
alasan
kenapa
suatu
model
memiliki
fit
yang
buruk,
diantaranya adalah
dilanggarnya asumsi normalitas, non linearitas,
adanya
missing data
(data
yang
tidak
lengkap),
atau
adanya
spesification error. Specification Error
timbul
karena dihapusnya variabel eksogen yang relevan atau dihapusnya hubungan-hubungan
yang penting antara variabel-variabel pada suatu model, atau adanya
hubungan-
hubungan
yang
tidak
relevan,
dan
indikator
yang
tidak
valid
dan
memiliki
kredibilitas
yang
kurang.
Modifikasi
mode
sendiri
hanya
berlaku
untuk
internal specification
errors,
yaitu
dihilangkannya
(atau
dimasukannya)
parameter-parameter yang
penting
(tidak
relevan)
pada
variabel-variabel
dalam suatu model,
sedangkan
untuk external
specification errors
,
yaitu
dihapusnya
variabel, tidak akan
dibahas
oleh prosedur-
prosedur yang dibahas pada bab ini. (Diamantopoulus dan Siguaw, 2000).
|
40
a. Deteksi Spesifikasi Error
Tujuan
dari deteksi spesifikasi error
ini
adalah untuk
menemukan model
yang secara
benar
menggambarkan
hubungan-hubungan
antara
variabel
manifest
(indikator)
dan
variabel
laten
dalam
suatu
populasi.
Beberapa
hal yang
harus
diperhatikan berdasarkan
definisi di atas adalah :
1. Sifat dari analisis harus merupakan exploratory dan tidak merupakan
confirmatory.
Exporatory
yang
dimaksud dalam hal
ini adalah model baru
yang telah
diperoleh
berdasarkan modifikasi
model
haruslah tentatif
(sementara),
dan
dapat
dipertanggung
jawabkan atau
diverifikasi
dengan menguji ulang model
tersebut
pada
sampel
yang
berbeda.
Umumnya,
modifikasi
model
pada penelitian-penelitian
di
Indonesia
bersifat
confirmatory dan cenderung
asal
model
fit tanpa menghiraukan
pertanyaan mendasar
dari modifikasi
model,
yaitu
bedasarkan
teori, bagaimana
caranya agar model bisa lebih
baik?. Oleh karena itu, hal filosofi asal
model fit tersebut sebaiknya dihindari.
2.
Modifikasi model biasanya
akan menghasilkan model baru yang berbeda dari model
sebelumnya. Terdapat beberapa
kasus, bahwa
modifikasi model
yang
baru
menyebabkan
model fit tersebut tidak dapat diidentifikasi (degrees of freedom
kurang dari 0).
Sekarang pertanyaan yang
paling relevan
dalam hal
modifikasi
model adalah,
modifikasi
apa
saja
yang
mungkin
dapat
dilakukan? Seperti
telah
dinyatakan sebelumnya,
bahwa
spesifikasi formal pada
model
LISREL
direfleksikan
pada
bentuk parameter
yang tetap
(fixed parameter) dan
parameter
bebas (Free Parameter).
Sehingga
setiap
perubahan dalam
hal
tersebut (menjadikan parameter
bebas
yang sebelumnya merupakan parameter
tetap
(fixed parameter)
dan
atau
menjadikan parameter tetap
yang mana
sebelumnya merupakan
parameter
bebas
(free parameter) akan merubah
spesifikasi
model
asli.
Uraian
dibawah
ini
meringkas modifikasi-modifikasi yang mungkin dapat dilakukan pada model LISREL.
|
41
a.
Merubah loading
(ë)
yang
menghubungkan
indikator
dengan
variabel
laten dari
fixed
menjadi
free atau
sebaliknya
(sehingga
akan
merubah
bentuk
matriks
LAMBDA-X
dan/atau LAMBDA-Y).
b. Tidak mengkorelasikan (atau melakukan korelasi) diantara measurement error
(error
dari
indikator), sehingga akan merubah matrix THETA-DELTA,
THETA-EPSILON atau THETA-
DELTA EPSILON.
Sedangkan modifikasi pada model struktual dapat dilakukan dengan :
a.
Merubah
koefisien
path
yang
menghubungkan
variabel
laten
eksogen
kepada
variabel
laten
endogen
(ã) ataupun
antara
variabel
endogen (ã)
dengan menjadikan
parameter
yang sebelumnya
free
dijadikan fixed, dan sebaliknya.
b. Mengkorelasi
atau
mengkonstrain korelasi pada
measurement
error
(æ),
sehingga
akan
merubah matriks PSI.
Demikian juga dengan modifikasi yang dilakukan dengan meningkatkan atau
menurunkan konstrain. Mempermainkan
jumlah konstrain tersebut akan
berpengaruh
besar
terhadap spesifikasi
model dan
fit.
Dengan
meningkatkan
jumlah konstrain,
yang
umumnya
berarti
bahwa
paremeter yang
sebelumnya
merupakan
parameter
bebas
(parameter
yang
diestimasi)
sekarang
di
fixed-kan
(tidak
diestimasi).
Sehingga,
parameter
yang
akan
diestimasi
menjadi
lebih sedikit
dan akan meningkatkan jumlah derajat
kebebasan
(
degrees
of freedom).
Nilai chi-square juga akan selalu meningkat jika suatu parameter dihapus
tetapi
kenaikan
nilai
chi-square
tersebut
kecil,
tetapi
degrees of
freedom
meningkatkan,
sehingga
kemungkinan fit akan semakin
kecil.
Sebaliknya,
dengan
mengurangi
jumlah
konstrait
dengan
meningkatkan
parameter (meskipun
yang tidak
relevan) akan selalu menghasilkan
penurunan chi-square dan menghasilkan model fit yang lebih baik.
|
42
b. Mendiagnosa
Dengan
berfokus
pada
modifikasi
yang bertujuan
untuk
meningkatkan
model
fit,
informasi
dianosa
yang
relevan
dapat
diperoleh
dengan
menguji
residual
statistik (dapat
dilihat
pada
output
Completely
Standarlized
Solutions)
dan
modification
indices
yang
merupakan bagian
dari
output program.
Baik output
format
SIMPLIS
atapun
LISREL, modification
indices sama-
sama dapat ditampilkan.
Begitu
pula
dengan
steam-leaf plots,
jika
model
adalah
fit,
maka
steam-leaf
plots
akan memiliki residual
yang akan
mengelompok secara
simetris
sekitar nilai
nol, dimana
nilai
residual paling banyak terdapat pada
tengah distribusi dan
akan semakin sedikit pada bagian
bawah
dan atas.
Kelebihan
residual
pada salah
satu bagian steam leaf
plots
tersebut
(bagian
bawah
atau atas) berarti
bahwa kovarians secara
sistematis dinilai rendah
(
underestimated)
ataupun dinilai tinggi (
overestimated)
oleh suatu model. Perhatikan bahwa residual positif
mengindikasikan bahwa
model merendahkan
(
underestimate) kovarians
antara variable
manifest
pada
data
empiris.
Sehingga
untuk
mengatasi
adanya
underestimate
tersebut,
model
seharusnya
dimodifikasi
dengan
menambah jumlah
path
(dengan membebaskan
parameter). Sebaliknya,
residual
negatif
berarti
bahwa
model
menilai
lebih
(
overestimates)
konvarians matriks
pada data
empiris
yang dimiliki.Sehingga,
modifikasi pada
keadaan
tersebut
seharusnya
dilakukan
dengan
dihilangkan
path (misalnya,
dengan
menghilangkan
(fix) parameter) yang berhubungan dengan kovarians tersebut.
1.
Modifikasi
indeks
seharusnya
dilakukan
bersama-sama
dengan
menggunakan
nilai-
nilai
expected
parameter
change
(perubahan parameter
yang diharapkan /EPC),
yang merupakan
perubahan
diharapkan
pada estimasi parameter yang
baru
.
Tabel
berikut
menunjukkan empat skenario
berdasarkan
yang
diharapkan
(New Estimate).
Masing-masing
skenario
tersebut
memiliki
dampak
yang
sangat berbeda
terhadap
modifikasi model.
|
![]() 43
Skenario 1
Skenario 2
Skenario 3
Skenario 4
Modification
Besar
Index
Kecil
Perubahan Estimasi
Parameter yang diharapkan
Besar
Kecil
Pada skenario
pertama, modification
indeks
yang
besar juga
diikuti
dengan
perubahan
parameter
yang
besar
pula
sehingga
seharusnya
melakukan
Estimasi
baru
terhadap
parameter tersebut.
Pada skenario
ke2,
modifikasi
indeks yang besar
diikuti
dengan
nilai
estimasi
baru
yang
kecil.
Dalam
hal
ini,
meskipun
kita akan
menghasilkan
penurunan
chi-square
yang
signifikan,
namun
perubahan
yang
kecil
pada parameter mungkin akan menghasilkan hal tersebut tidak terlalu signifikan.
Sedangkan
pada
skenario
ke
3
modification
indeks yang
kecil
pada
suatu
parameter
akan
menghasilkan
estimasi
parameter baru
yang
besar.
Apa
yang
seharusnya dilakukan
dalam hal
ini
tidak
begitu jelas,
karena besarnya estimasi baru
tersebut
bisa
jadi
dikarenakan
variabilitas
sampling dan
kurang sensitifnya
uji
chi-
square
pada
parameter tersebut.
Namun,
disarankan modifikasi
pada skenario ketiga
ini tidak dilakukan.
Skenario
ke
4,
modifikasi indeks
suatu
parameter yang
kecil
juga
memiliki
estimasi
parameter
baru
yang
kecil
pula.
Sehingga,
hal
ini
tidak akan
memberikan
manfaat apapun dalam hal model fit.
2.6.6
Notasi-Notasi
Model Persamaan
Struktural
Seperti sudah dijelaskan sebelumnya bahwa model persamaan struktural terdiri
persamaan
pengukuran
dan
persamaan struktural.
Hubungan antara
variabel indikator
|
44
dengan
variabel
latennya
merupakan
persamaan
pengukuran
sedangkan
hubungan
antara
variabel laten
dikenal sebagai persamaan struktural.
Model
persamaan
struktural
melibatkan
sejumlah
simbol-simbol
matematis
(greek),
terutama
model
persamaan
struktural
ala
Prof.
Karl
G.
Joreskog
dan
Prof.
Dag
Sorbom
menggunakan simbol-simbol tersebut mewarnai paket program LISREL.
Model persamaan structural:
?
=
B
?
+
G?
+
?
Model persamaan pengukuran untuk y
y
=
?
y
?
+
e
Model persamaan pengukuran untuk x
x
=
?
x
?
+
d
Notasi-notasi pada persamaan-persamaan didefinisikan sebagain berikut:
y
: adalah vector variabel endogen yang dapat diamati berukuran p x 1
x
: adalah vektor variable eksogen yang dapat diamati berukuran q x 1
?
: adalah vektor random dari variabel laten endogen berukuran m x 1
?
: adalah vektor random dari variabel laten eksogen berukuran n x 1
e
: adalah vektor kekeliruan pengukuran dalam y berukuran p x 1
d
: adalah vektor kekeliruan pengukuran dalam x berukuran q x 1
?
y : adalah mat®iks koefisien regresi y atas
?
berukuran
p x m
?
x : adalah mat®iks koefisien regresi x atas
?
berukuran q x n
G
: adalah matriks koefisien variabel
?
dalam persamaan struktural berukuran m x n
B
: adalah matriks koefisien variabel
?
dalam persamaan struktural berukuran m x m
|
![]() 45
?
:
vektor kekeliruan persamaan dalam hubungan struktural antara
?
dan
?
berukuran
m x 1
Berikut ini beberapa asumsi pemodelan persamaan structural:
1.
e
tidak berkorelasi dengan
?
2.
d
tidak berkorelasi dengan
?
3.
?
tidak berkorelasi dengan
?
4.
e
,
d
,
dan
?
saling bebas.
2.6.7
Jenis-Jenis Model Persamaan Struktural
Terdapat beberapa jenis umum model-model persamaan struktural (Raykov
&
Marcoulides, p5, 2000):
1. Model-model analisis
jalur (path analysis models).
Dalam
model-model analisis
jalur
biasanya analisis
hanya
melibatkan variabel-variabel
indikator
tanpa
melakukan
analisis
terhadap
konstruk atau
konsep yang
ingin diukur.
Model
seperti
ini untuk
pertama
kali diperkenalkan
oleh
Sewell Wright
(1921).
Umumnya,
teknik
analisisnya
digunakan
analisis
regresi multipel
dimana salah satu
asumsinya adalah tidak ada
kekeliruan
pengukuran
(measurement
error)
dalam
variabel
bebas.
Dalam
analisis
jalur
tersebut
tidak
mempertimbangkan
kekeliruan
pengukuran.
Misalnya,
diagram
jalurnya dapat dilihat pada Gambar 2.1.
Jam Kerja
Pendidikan
Pendapatan
Lamanya
nonton TV
Gambar 2.1
Contoh Diagram Path Analysis.
Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 6.
|
![]() 46
2. Model-model
analisis
farkor
konfirmatif
(confirmatory factor analysis
models).
Umumnya,
dalam
analisis
ini
bertujuan
untuk
mengevaluasi
pola-pola
antar
hubungan
antara beberapa konstruk. Setiap konstruk dibangun oleh indikator-
indikator.
Model
analisis
faktor
konfirmatori
biasanya
tidak
diasumsikan arah
hubungan antara konstruk, tetapi hanya adanya hubungan
korelatif antara konstruk.
Contoh kasus model ini dinyatakan pada Gambar 2.2.
x1
x2
ASC
x3
x4
x5
SSC
x6
Gambar 2.2
Contoh Diagram Jalur Analisis Faktor Konfirmatori
Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 7.
3. Model-model persamaan struktural
(Structural
equation
models), dalam model-model
seperti
ini diasumsikan secara spesifik arah hubungan antara
konstruk. Model-model
ini
dapat
digunakan
untuk menguji
apakah
teori-teori yang
diusulkan
(proposed
theories) sesuai
dengan
model-model
empirisnya.
Gambar
2.3
merupakan
contoh
diagram jalur bagi model ini.
|
![]() 47
X1
X2
X3
X4
Y3
Y4
IC
ESR
E2
Y5
CPP
CNP
Y6
Y7
E1
E3
Y1
Y2
Gambar 2.3
Contoh Diagram Jalur Model Persamaan Struktural
Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 7.
Model
ini disebut juga Model
Hybrid
(Full
SEM model)
di buku
LISREL
(Tumpal
JR.
Sitinjak,
Sugiarto,
2006,
p60).
Model
hybrid
merupakan
gabungan
model
struktural
dan
model
pengukuran.
Dalam
model
hybrid,
selain
digambarkan
hubungan-
hubungan
yang ada diantara variabel latent,
juga
digambarkan hubungan variabel
latent
dengan
variabel-variabel
teramati
yang
terkait.
Berikut
contoh
model
hybrid yang
sederhana.
|
![]() 48
HRA1
PKPA1
HRA2
PKPA2
HRA3
hr
pkp
PKPA3
HRA4
PKPA4
HRA5
PKPA5
Gambar 2.4
Contoh Sederhana Diagram Model Hybrid
Sumber: Tumpal JR Sitinjak, Sugiarto, Lisrel, 2006, hal. 61.
4. Model-model perubahan laten (latent change models). Yang dimaksud dengan
model-model perubahan laten adalah memungkinkan untuk melakukan studi pola
perubahan karena waktu. Model-model ini terutama berfokus untuk memantau pola
perubahan, seperti pola pertumbuhan
(growth),
penurunan (decline). Model seperti
ini termasuk longitudinal. Contoh diagram jalur untuk model ini dapat dilihat pada
Gambar 2.5.
|
![]() 49
F1
F2
1
0
1
1
T1
T2
E1
E2
Gambar 2.5
Contoh Diagram Jalur Model Perubahan Laten
Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 8.
2.6.8
Keterkaitan Antar Variabel
Konsep dasar yang melandasi keterkaitan antar variabel, yaitu
konsep tentang
obyek penelitian, variabel dan hubungan.
2.6.8.1 Obyek Penelitian
Obyek penelitian
atau sering
juga
disebut
sebagai
unit pengamatan, adalah sesuatu
yang
akan
menghasilkan
karaterstik-karateristik atau sifat-sifat yang
akan menjadi
perhatian
peneliti
(Achmad
Bachrudin,
Harapan
L.
Tobing,
LISREL,
p12,
2003).
Dalam
penelitian
ini, yang menjadi obyek penelitian adalah pelanggan majalah
Behind The Screen
2.6.8.2 Variabel
Karateristik adalah
ciri
yang
dipunyai
oleh
unit
pengamatan
yang
akan
menjadi
perhatian seseorang.
Bila
suatu
karakteristik
tidak berbeda
diantara
unit-unit
pengamatan,
maka
karakteristik
tersebut
dinamakan
konstanta.
Dengan
demikian
unit-unit
yang
berbeda
akan
menghasilkan
nilai atau
skor
yang
sama. Bila dilain sisi unit-unit
tersebut
akan
|
50
memberikan nilai
yang
berlainan
untuk
suatu karakteristik
tertentu,
maka
karakteristik
tersebut
dinamakan
variable (Achmad Bachrudin,
Harapan L. Tobing, Analisis
Data
Untuk Penelitian Survai dengan menggunakan LISREL 8, p13-14, 2003).
Tipe-tipe variabel :
a) Variabel Kuantiatif
: Data berupa angka.
-
Variabel Rasio
: Berat benda (kg), tinggi (cm), kepadatan penduduk
-
Variabel Interval
: Variable suhu.
b) Variabel Kualitatif
: Data berupa kategori.
-
Variabel Ordinal
: Variabel sikap (sangat setuju, setuju,
kurang setuju, dst.)
-
Variabel Nominal
: Variabel kepangkatan (gol
IVa, IIId, IIIc, dst.)
Dalam
penelitian
ini
variabel
yang
digunakan adalah
variabel
kualitatif
yang
merupakan
variabel data berupa kategori, dengan tipe pertama yaitu variabel ordinal.
2.6.8.3 Hubungan
Dari
suatu
pengamatan
sering
muncul
suatu
keadaan
atau
fenomena
yang
cenderung
maju
atau
bergerak
beriringan
dengan
kejadian
atau
fenomena
lainnya.
Suatu
teori
dikatakan
haruslah
merupakan (sekumpulan)
pernyataan
yang
mengaitkan
atau
menghubungkan
variabel.
Oleh
karena itu,
hubungan
antar
variabel
perlu
kita
formulasian.
Terdapat
beberapa
bentuk
hubungan
antar
variabel
(Achmad Bachrudin, Harapan
L.
Tobing,
Analisis
Data
Untuk
Penelitian
Survai
dengan
menggunakan
LISREL
8,
p15-18,
2003).
(a) Korelasi dan Kausasi.
Dua
bentuk
hubungan
ini sering
disalahartikan,
bahkan
dicampuradukkan.
Suatu bentuk
hubungan
yang sebenarnya
korelasi
disebut
sebagai
kausasi
(kausalitas) dan sebaliknya.
Pada dasarnya, suatu fenomena
bentuk hubungan disebut
bentuk
hubungan
korelasi bila
perubahan
dari
nilai-nilai
atau skor
suatu
variabel
beriringan
searah atau bertolak belakang dengan perubahan nilai-nilai atau skor variabel lainnya.
|
![]() 51
Intinya
tidak
semua
hubungan
korelasi
adalah hubungan
kasualitas
atau
sebab-akibat.
Hubungan
korelasi
tidak
mengangkat
variabel sebab-akibat,
dependent-independent,
akan
tetapi hanya melihat ada atau tidaknya hubungan searah atau tidak searah.
(b)
Spurious.
Dalam
hubungan
kausalitas
ataupun
korelasi,
terlibat
dua
variabel,
berbeda
halnya
dengan
hubungan
spurious. Dalam
hubungan
spurious
dilibatkan
paling
sedikit
tiga
variabel.
Dalam hubungan
spirious,
terjadi
hubungan korelasi atau
kasualitas
antar variabel
disebabkan oleh kehadiran variabel lainnya.
(c)
Hubungan
langsung dan
tidak
langsung. Diatas
diuraikan
tentang
hubungan
kausalitas asimetris,
yang menyatakan pengaruh dari suatu
variabel terhadap variabel
lainnya.
Hubungan
seperti
ini
adalah hubungan langsung,
artinya
sebuah
variabel
secara
langsung menjadi sebab terjadinya variabel lain.
Ada suatu keadaan
dimana sebuah
variabel
sebab akan mempengaruhi variabel lain
melalui mediasi variabel
ketiga, yang
disebut
variabel
intervening (peranta®a/
penyela).
Hubungan
kasualitas
seperti
ini
dinamakan
hubungan kasualitas tak langsung.
(d)
Hubungan Bersyarat.
Diatas sudah diuraikan tentang variabel sebab dan akibat. Selain
kedua jenis variabel tersebut, terdapat pula jenis variabel lain yang disebut variabel bersyarat
(conditional
variable).
Variabel bersyarat adalah variabel yang menentukan derajat hubungan
sebab akibat.
Suatu
akibat
dari
sebuah
variabel
bisa
hilang
ketika
variabel
bersyarat
dipertimbangkan.
Hubungan
antar
variabel
yang
diangkat
dalam
penelitian
ini
adalah
hubungan
variabel
KAUSASI atau hubungan KAUSALITAS.
Konsep Dasar Teori Kasualitas
Pernyataan
bersifat
kausalitas
mempunyai
2
komponen,
yaitu
sebab
(cause)
dan
Akibat (effect).
Secara umum,
suatu
pernyataan
dikatakan
bersifat
kausalitas
(Kenny, 1979;
& Greene, 1993) jika memenuhi ketiga persyaratan berikut ini:
|
52
1. Time P®ecedence.
2. Relationship.
3. Nonspuriousness.
Maksud dari
persyaratan
yang
pertama adalah
jika variable x mempengaruhi y, maka waktu
kejadian variabel x
harus lebih
dulu
dari
variabel y atau
dapat
dinyatakan x,
mempengaruhi
yt+
k, t adalah waktu dan k
>
0.
Dengan demikian suatu hubungan bersifat kausalitas adalah
asimetris,
ukuran-ukuran
statistic
seperti
korelasi merupakan
hubungan
simetris
sehingga
tidak
layak
untuk
menjelaskan
hubungan
kausalitas,
sedangkan analisis
regresi
merupakan
hubungan asimetris.
Persyaratan yang
kedua menyatakan bahwa
hubungan
bersifat
kausalitas
ditandai
dengan adanya
hubungan fungsionalitas
antara sebab
dan
akibat. Misalnya,
hubungan
antar
kuat arus listrik dengan luas penampang penghantar merupakan hubungan kausalitas.
Sedangkan, persyaratan
ketiga menyatakan bahwa hubungan
bersifat
kausalitas
bukan merupakan
hubungan spurious.
Maksudnya adalah jika
variabel
ketiga mempengaruhi
variabel
eksogen
dan
endogen,
maka
hubungan
kedua
variabel
tersebut
sebenarnya
tidak
ada.
2.6.9
Analisis Regresi Linier
(Achmad
Bachrudin,
Harapan
L.
Tobing,
Analisis
Data
Untuk
Penelitian
Survai
dengan
menggunakan
LISREL
8,
p32-34,
2003). Seperti
sudah
diungkapkan
sebelumnya
bahwa
analisis
korelasi
merupakan
hubungan
bersifat simetris. Sebaliknya,
analisis
regresi
merupakan
hubungan
bersifat
asimetris
(kausalitas).
Dalam
analisis
ini
sudah
harus
dibedakan mana yang berlaku sebagai variabel bebas dan variabel tak bebas. Dengan
demikian
bahwa
regresi
merupakan
suatu
analisis
bagaimana
hubungan
satu variabel
tak
bebas,
dengan notasi
y, denagn satu atau
lebih
variabel bebas,
dinotasikan x, dan hubungan
tersebut dinyatakan dalam suatu persamaan:
|
![]() 53
yi
=
ß?
+ ... +
ß?x??
+
e?
,
i
=
1,...,
n
dalam bentuk matriks:
y
= Xß +
e
dimana,
y1
1
x11
...
x1p
ß0
e1
y=
.
, x =
1
x21
...
x2p
,
ß
=
.
,
dan e
= .
.
.
.
...
.
.
.
yn
1
xn1
...
xnp
ßp
en
Untuk ?
= 1 disebut regresi sederhana.
Di
mana
ß?
,...,
ß?
adalah
koefisien regresi parsial
dan
e
merupakan
kekeliruan
(disturbance
term)
mendeskripsikan variabel-variabel lain yang menentukan variabel tak
bebas
y
.
Variabel
x
sering
kali
dikenal
sebagai
variabel
eksogen,
prediktor,
bebas,
regresor,
atau
stimulus.
Sedangkan
variabel
y
disebut
juga
variabel
tak
bebas,
prediktan,
respons,
atau
endogen.
Pengertian
linier
dalam
analisis
regresi bukan pada
variabel
bebas,
tetapi lebih
ditekankan
pada parameter koefisien regresi parsial.
Persamaan regresi tersebut ditaksir oleh:
Y
i
=
b
?
+
b¹x
i1
+
... +
b
p
x
ip
,
i
=
1,2,...,n
Asumsi-asumsi regresi klasik:
1. Linier dalam parameter
2. Rank (X) = p
+
1,
rank penuh
3. E(
e|x
)
= 0, i
4.
Var
(
e
|
x
)
=
s
²,
i
|
![]() 54
5. Matrix X adalah fixed
6.
e
berdistribusi normal dengan rata-rata nol dan simpangan baku
s.
Berdasarkan asumsi-asumsi
tersebut,
taksiran kuadrat terkecil
(ordinary
least squares,
OLS)
diberikan oleh:
b
= [XX]¯¹Xy
Sifat
taksiran ini
diungkapkan
dalam suatu teorema
yang
sangat
terkenal, yaitu
Gauss-
Markov.
Berdasarkan
teorema
tersebut,
baik
untuk
matrix
X
yang
fixed maupun
random,
taksiran
tersebut
memiliki
sifat
perilaku
penaksir
terbaik
(best
linear unbiased estimator,
BLUE) (Greene, 1993).
Sering kali dalam analisis regresi diinginkan satuan pengukuran dihilangkan,
dengan
cara setiap
variabel
dikurangi
rata-ratanya, dan selanjutnya
dibagi
dengan simpangan
baku
sehingga persamaan regresinya menjadi:
yi
=
pyx1xi1 +...+ pyxp
xip +
ei
Taksiran koefisian regresi tersebut diberikan oleh
P
yxj =
bj
sxj, j = 1,...,p
sy
dalam
hal ini,
sxi
dan
sy
masing-masing
menunjukkan
simpangan
baku
untuk
variabel
prediktor
x
j
dan variabel
y
dan
b
j
adalah
koefisian regresi.
Koefisien
regresi
p
yxi
dikenal
koefisien
regresi
parsial
standardized
yang
sering
digunakan
dalam analisis jalur.
2.6.10
Sampel Model Persamaan Struktural
Salah satu
kelemahan
penggunaan
model
persamaan
struktural
umumnya
akan
sesuai untuk
ukuran
sampel
sangat
besar.
Kebutuhan
teoritis
metode
penaksiran
|
![]() ![]() ![]() 55
kemungkinan
maksimum
dan
uji
kesesuaian
(fit) model
didasarkan
kepada
asumsi
sampel
besar.
Secara umum,
ukuran sampel untuk
model persamaan struktural
paling
sedikit
200
pengamatan
(Kelloway,
1998;
Marsh
et.al.).
Bentler
dan Chou (1987, dalam
Kelloway,
1998)
menyarankan bahwa rasio antara ukuran sampel dan parameter yang
ditaksir adalah 5:1 dan
10:1.
Joreskog dan Sorbom (1988,
hal.32)
menyatakan
bahwa
hubungan antara banyaknya
variabel dan ukuran sampel minimal dalam model persamaan struktural adalah:
Tabel 2.4 Ukuran Sampel Minimal dengan
Banyaknya Variabel
Banyaknya
Variabel
Ukuran
Sampel
Minimal
3
5
10
15
20
25
30
200
200
200
360
630
975
1395
Sumber: Achmad Bachrudin, Harapan L. Tobing, Analisis Data Untuk Penelitian Survai dengan
menggunakan LISREL 8, 2003, hal. 68.
|
![]() 56
2.7
Kerangka
Pemikiran
Gambar 2.6: Kerangka Pemikiran Teoritis
Bauran Pemasaran Jasa :
-
People (SDM)
-
Products (Produk)
-
Place (Tempat)
-
Price
(Harga)
-
Promotion (Promosi)
Kepuasan Pelanggan :
-
Setia lebih lama
-
Membeli lebih banyak
-
Kurang terpengaruh terhadap
daya tarik barang lain
-
Frekuensi rekomendasi kepada
orang lain
LISREL (SEM)
Kepuasan Pelanggan
Inovasi Produk
|