Path Analysis untuk Riset Skripsi

1 ANALISIS JALUR UNTUK RISET SKRIPSI JONATHAN SARWONO Penerbit: Elexmedia Komputindo Kompas Gramedia Jakarta Tahun 2012 ISBN 978602002021-1 Direvisi oleh Penulis: Januari 2022 Kata Pengantar Puji Tuhan karena pertolongan dan hikmah dari Tuhan akhirnya penulis dapat menyelesaikan buku dengan judul: Analisis Jalur untuk riset skripsi. Saat ini terdapat kecenderungan dikalangan perguruan tinggi menuntut mahasiswa S1 untuk melakukan riset bagi skripsi mereka dengan menggunakan variabel lebih dari dua atau dengan kata lain mereka disarankan untuk mengkaji hubungan antar variabel yang kompleks tidak hanya hubungan dua variabel saja. Dengan kondisi seperti ini maka mahasiswa memerlukan kemampuan untuk menggunakan rumus-rumus yang dapat mengakomodasi masalah ini. Tidak salah lagi, Analisis Jalur merupakan jalan keluar yang paling mudah dibandingkan dengan rumus-rumus multivariat lain, seperti Korelasi Kanonikal dan Structural Equation Modelling (SEM). Disamping lebih mudah Analisis Jalur juga mempunyai kemampuan yang tinggi dalam akurasi penghitungan. Dengan menggunakan Analisis Jalur, maka mahasiswa akan dapat dengan mudah menyelesaikan masalah dalam hubungan variabel yang kompleks. Dari sisi perangkat lunak terdapat keunggulan jika menggunakan SPSS, Analisis Jalur dapat dhitung dengan mudah dan cepat. Dengan demikian pengguna tidak perlu mencari SPSS versi tertentu karena kita dapat menggunakan semua versi mana saja untuk menganalisis data dengan SPSS. Referensi Analisis Jalur dalam Bahasa Indonesia dalam bentuk buku teks masih sangat jarang oleh karena itu penulis mengharapkan buku ini akan menjadi referensi bagi pembaca dalam menggunakan PA untuk riset mereka. Saran dan masukan dapat dikirim di email [email protected] atau [email protected]. Bandung Jonathan Sarwono BAB I SEJARAH ANALISIS JALUR 1 1.1 Masa Sewal Wright 1.2 Perkembangan Analisis Jalur Sesudah sekali Wright BAB II ISTILAH-ISTILAH DASAR 9 BAB III PENGERTIAN DAN TUJUAN MENGGUNAKAN 16 ANALISIS JALUR 3.1 Pengertian 3.2 Tujuan 3.3 Keuntungan dan Kelemahan Analisis Jalur BAB IV ANALISIS JALUR DALAM KONTEKS TEKNIK 18 ANALISIS MULTIVARIAT 4.1 Pengertian Teknik Analisis Multivariat 4.2 Analisis Jalur Multivariat dalam Konteks Teknik Analisis BAB V ASUMSI ASUMSI DAN PRINSIP PRINSIP DASAR BAB VI PERSYARATAN DAN TAHAPAN MENGGUNAKAN ANALISIS JALUR 6.1 Persyaratan 21 DALAM 22 6.2 Tahapan dalam Menggunakan Analisis Jaluir BAB VII PROSES KEPUTUSAN UNTUK MENGGUNAKAN 27 ANALISIS JALUR 7.1 Tujuan Menggunakan Analisis Jalur 7.2 Desain Riset Untuk Analisis Jalur 7.3 Pemenuhan Asumsi-Asumsi Dalam Melakukan Analisis Menggunakan Analisis Jalur 7.4 Estimasi Model Diagram Jalur dan Kecocokan Model 7.5 Membuat Interpretasi Koefesien Jalur 7.6 Validasi Hasil Analisis BAB VIII MODEL – MODEL DALAM ANALISIS JALUR 31 8.1 Pengantar 8.2 Model Regresi Linier Berganda 8.3 Model Mediasi Melalui Variabel Perantara (Intervening Variabel) 8.4 Model Gabungan antara Model Regresi Berganda dengan Model Mediasi BAB IX APLIKASI MODEL REGRESI BERGANDA BAB X APLIKASI MODEL MEDIASI MELALUI VARIABEL 54 PERANTARA BAB XI APLIKASI MODEL KOMBINASI DARI MODEL 91 REGRESI BERGANDA DAN MODEL MEDIASI BAB XII APLIKASI MODEL KOMPLEKS 130 BAB XIII APLIKASI UNTUK RISET SKRIPSI 186 36 BAB XIV MENGUBAH DATA NON-METRIK KE DATA 197 METRIK DENGAN METHOD OF SUCCESSIVE INTERVAL (MSI) 14.1 Pengantar 14.2 Cara Mengubah Data Ordinal Menjadi Data Interval dalam Excell 14.3 Akibat-Akibat Kalau Bukan Data Interval Digunakan Dalam Analisis Jalur Daftar Pustaka 214 BAB 1 SEJARAH ANALISIS JALUR 1.1 Masa Sewal Wright Seperti apa sejarah Analisis Jalur itu? Teknik Analisis Jalur, yang dikembangkan oleh Sewal Wright di tahun 1934, sebenarnya merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Sewall wright adalah seorang ahli genetik yang mengembangkan Analisis Jalur untuk membuat kajian hipotesis hubungan sebab akibat dengan menggunakan korelasi. Lebih lanjut, Analisis Jalur mempunyai kedekatan dengan regresi berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari Analisis Jalur. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan yang bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabelvariabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini Analisis Jalur diperluas dan diperdalam kedalam bentuk analisis “Structural Equation Modeling” atau dikenal dengan singkatan SEM. Sebenarnya gagasan Sewal Wright ini diilhami oleh penemuan – penemuan rumus sebelumnya diantaranya ialah pada tahun 1901 Karl Pearson, penemu rumus korelasi Pearson, menemukan principal component analysis dan Charles Spearman, penemu rumus korelasi Spearman, pada tahun 1904 menemukan teknik analisis faktor yang banyak memberikan pengaruh terhadap perkembangan Structural Equation Modelling (SEM) yang didasari oleh Analisis Jalur (PA) yang oleh sebagian besar orang dimasukkan dalam kategori yang sama antara SEM dan PA. Kesamaan dasar antara SEM dan PA semata-mata hanya karena masalah hubungan sebab akibat (casuality). Yang kemudian pada perkembangannya PA lebih merupakan representasi model yang hubungan kasualitas yang bersifat searah (yang secara tekniks disebut recursive) sedang SEM merupakan representasi model hubungan sebab akibat yang bersifat searah dan dua arah / timbal balik / reciprocal (yang secara tekniks disebut non recursive) Kontribusi Wright yang terbesar ialah penemuannya mengenai metode koefesien jalur dalam konteks hubungan kasualitas yang menjadi landasan dalam mengubungan antara masalah statistik dengan masalah sebab akibat. Sehingga dalam perkembangan berikutnya orang kemudian mengaitkan antara hubungan kasualitas dengan Analisis Jalur secara tidak sengaja. Sebenarnya tidak ada landasan teori yang memberikan justifikasi bahwa ada hubungan antara Analisis Jalur dengan model kasualitas; sebagaimana adanya teori yang mengatakan bahwa ada hubungan antara regresi linier dengan hubungan kasualitas. Sekalipun demikian, menurut Dennis dan Legerski (2006) terdapat sejarah yang membuktikan bahwa ada hubungan antara Analisis Jalur dan kasualitas. Hanya dari faktor sejarahlah orang dapat memberikan justifikasi bahwa 1 Analisis Jalur berkaitan dengan kasualitas. Itulah sebabnya pada bagian berikut ini akan dibahas secara singkat sejarah karya-karya Sewal Right yang menjadi landasan pemikiran mengapa akhirnya orang menyimpulkan ada hubungan antara Analisis Jalur dengan model kasualitas. Sewal Wright adalah seorang sarjana lulusan biologi dari Universitas Illinois yang kemudian mendalami bidang genetika. Dia tertarik mengenai peranan genetika dalam menentukan turunan warna dalam binatang. Dia berhasil melakukan riset dengan menggunakan Analisis Jalur terhadap transmisi dalam suatu kelinci percobaan pada tahun 1920. Sebenarnya Sewal Wright pertama kali menggunakan Analisis Jalur pada tahun 1918 dalam artilenya yang berjudul: “On the Nature of Size Factors.” Dengan menggunakan hasil risetnya yang pernah diterbitkan di Castle pada tahun 1914, dimana dia menemukan korelasi antara berbagai pengukuran tulang pada kelinci yang dia teliti; Sewal Wright kemudian menyusun metode kuantitatif, yaitu suatu metode yang dirancang untuk membuat estimasi tingkatan dimana suatu pengaruh yang diberikan ditentukan oleh setiap jumlah penyebab. Tulisan berikutnya yang muncul pada tahun 1920 yang berjudul membahas keseriusannya dalam usahanya menemukan suatu metode analisis statistik baru. Maka dalam artikel yang berjudul “The Relative Importance of Heredity and Environment in Determining the Piebald Pattern of Guinea-Pigs,”, Sewal Wright menyusun suatu model kuantitatif yang dapat digunakan dalam membuat estimasi kepentingan relatif hereditas dan lingkungan dalam transmisi generasi warna pada kelinci percobaannya. Dalam makalahnya tersebut dia menyebutkan secara tidak langsung mengenai konsep “sebab – akibat” yang menjadi dasar dari rumus Analisis Jalur. Dalam papernya ini juga Sewal Wright menggambarkan suatu jaringan yang berkaitan dengan hereditas dan lingkungan dari induk ke anak-anaknya pada kelinci percobaannya yang kelak pada perkembangannya disebut sebagai diagram jalur. Dalam diagram jalur tersebut dia menunjukkan induk laki-laki dan perempuan menghasilkan anak-anak yang mempunyai warna beda. Intinya Sewal ingin mengatakan bahwa kekhasan suatu individu ditentukan oleh H (Heredity), E (Environment / lingkungan anak – anak sebelum dilahirkan) dan D (residu, ketidakberaturan dalam perkembangan). Masalah yang kemudian muncul ialah menemukan cara dalam menentukan tingkat diterminasi / pengaruh ketiga faktor tersebut. Dalam makalah tersebut diatas Sewal juga menyebutkan fondasi logika awal dan diagram jalur generik untuk metode koefesien-koefesien jalur. Diagram jalur sederhana yang dia paparkan seperti di bawah ini digunakan untuk menjelaskan hipotesis yang mengatakan bahwa: “ Dua kuantitats X dan Y ditentukan sebagaian oleh penyebab-penyebab yang independen”. Penyebab-penyebab independen yang dihipotesiskan tersebut diberikan oleh kuantitas A dan D. Sedang penyebab B dan C yang dihubungan dengan anak panah dua arah, dihipotesiskan sebagai pengaruh yang berkorelasi. Maksudnya terdapat hubungan antara B dan C yang merupakan penyebab secara parsial terhadap X dan Y. 2 Gambar 1.1 Diagram Jalur Generik Sewall Wright (Sumber: Denis dan Legerski, 2006) Koefesien jalur didefinisikan oleh Sewall Wright sebagai “mengukur pentingnya suatu jalur pengaruh yang ada dari sebab ke akibat yang didefinisikan sebagai ratio variabilitas akibat yang diketemukan saat semua penyebab bersifat konstan kecuali satu dalam pertanyaan, variabilitas yang dipertahankan tetap tidak berubah, terhadap variabilitas total”. Kesimpualnnya ialah bahwa Wright ingin menjelaskan bagaimana caranya mengukur suatu pengaruh jalur yang diasumsikan sebagai jalur penyebab. Dengan kata lain ia ingin mengatakan jika asumsi sebabakibat dibuat, dan arah sebab – akibat tersebut juga diasumsikan ; maka orang dapat mengukur pengaruh sepanjang jalur penyebab tersebut. Gagasan tersebut oleh Wright dituliskan secara teknis dalam persamaan sebagai berikut: (Sumber: Wright, 1920, p. 329) Maksud persamaan tersebut ialah: jika kondisi tertentu diadakan; maka seseorang dapat menentukan implikasi-implikasi dari koefesien – koefesien yang ada disepanjang jalur tersebut. Dengan demikian kita dapat menunjukkan bahwa kuadrat koefesien jalur mengukur tingkatan diterminasi yang disebabkan oleh setiap penyebab. Jika penyebab-penyebab tersebut bersifat independen, maka jumlah koefesen jalur yang dikuadratkan merupakan suatu kesatuan. Jika penyebab – penyebab tersebut berkorelasi satu dengan yang lain, maka istilah yang mewakili determinasi bersama harus dikenali. Dalam perkembangannya Wright kemudian menunjukkan bahwa bagaimana metode koefesien jalurnya berlaku dalam suatu sistem yang tertutup. Dia menyatakan ini dalam kutipan berikut ini “korelasi antara dua variabel dapat ditunjukkan untuk menyamakan sejumlah produk rantai koefesien – koefesien jalur disepanjang semua jalur dimana jalur-jalur tersebut terhubung.” Untuk menyatakan gagasannya itu Wright membuat persamaan sebagai berikut: 3 (Sumber: Wright, 1920, p. 330) Persamaan di atas mempunyai maksud bahwa korelasi antara variabel X dan Y sama dengan jumlah produk berbagai jalur sebagaimana digambarkan dalam diagram jalur Gambar 1.1. Sedang koefesien jalur dalam suatu sistem sebab dan akibat dapat dihitung jika jumlah persamaan secara bersamaan dapat dibuat yang mengekspresikan korelasi yang diketahui dalam kaitannya dengan koefesien – koefesien jalur yang tidak diketahui dan yang mengekspresikan diterminasi akibat keseluruhan terhadap penyebabnya. Perkembangan berikutnya Wright menuliskan suatu artikel dengan judul “Correlation and Causation”. Inti dari artikel ini ialah menyatakan bahwa pengukuran hubungan antara dua variabel dapat dilakukan dengan menggunakan korelasi; sekalipun demikian, jika korelasi saja tidak dapat menggambarkan hubungan yang bersifat sebab akibat. Oleh karena itu, Wright memberikan pemahaman kepada pembaca bagaimana secara benar kita menggunakan Analisis Jalur. Rumus ini dapat digunakan pertama: kita harus mempunyai pemahaman bahwa variabel – variabel yang kita teliti secara inheren mengandung hubungan sebab akibat, maksudnya variabel satu diidentifikasi sebagai pengaruh dan variabel lain sebagai akibat / yang dipengaruhi. Dengan kata lain, kita sudah terlebih dahulu secara teori mengetahui bahwa dalam variabel-variabel yang diteliti memang secara inheren terdapat hubungan sebab dan akibat. Kedua dalam situasi dimana hubungan sebab akibat tidak jelas, kita dapat menggunakan Analisis Jalur juga untuk menyimpulkan konsekuensi logis yang inheren dalam sistem tersebut. Maksudnya, jika hubungan sebab akibat tidak dapat diasumsikan sebelumnya dalam jaringan variabel-variabel yang diteliti, maka metode Analisis Jalur dapat memberikan solusi, yaitu mengidentifikasi apa saja yang akan menjadi jalur sebab akibat. Kesimpulannya agar orang dapat menggunakan metode ini, maka orang perlu mengetahui dua hal, yaitu: pertama, pengetahuan sebelumnya mengenai hubungan sebab akibat; kedua, pengetahuan korelasi antar variabel yang dimasukkan dalam sistem. Oleh karena itu metode ini akan bermanfaat diaplikasikan jika proses-proses sebab akibat dapat diasumsikan secara apriori. Dengan demikian metode sebab akibat yang terkandung dalam koefesien jalur menurut Wright bersifat independen terhadap metode sebab akibat dalam matematika. 4 1.2 Perkembangan Analisis Jalur Sesudah Sewall Wright Dalam perkembangan berikutnya sesudah masa Sewall Wright, terdapat perbedaan yang menonjol mengenai konsep dan pengertian terhadap Analisis Jalur antara penafsiran yang diberikan oleh Wright dengan para ilmuwan sosial moderen. Pada masa sesudah Wright terjadi banyak variasi dalam mengaplikasikan Analisis Jalur. Bagi Wright Analisis Jalur digunakan tidak hanya semata mengurai korelasi dan membuat estimasi koefesien-koefesien disemua jalur; tetapi untuk menunjukkan adanya sistem hubungan sebab akibat. Sistem ini merupakan pijakan kuat untuk membuat asumsi awal terjadinya sebab-akibat dalam suatu jaringan (hubungan) yang dihipotesiskan. Semula ide Wright menunjukkan bahwa pemodelan hubungan sebab akibat muncul dari jenis masalah yang diteliti; bukan merupakan suatu prosedur statistik yang independen; sebagaimana analisis sebab – akibat dalam regresi linier yang memang merupakan suatu prosedur independen dalam statistik. Dengan demikian kata yang tepat dalam menggunakan Analisis Jalur adalah merupakan pemodelan sebab-akibat bukan analisis sebab akibat sebagimana dalam regresi linier. Orang yang pertama kali sesudah Wright yang menggunakan Analisis Jalur ialah Burks (Wolfe, 2003). Burks menggunakan Analisis Jalur dalam risetnya yang berjudul “The Relative Influence of Nature and Nurture Upon Mental Development: A Comparative Study of Foster Parent-Foster Child Resemblance and True Parent-True Child Resemblance.” pada tahun 1928. Dalam risetnya ini Burks ingin mengetahui adanya pengaruh relatif inteljen orang tua dan lingkungan dalam menentukan IQ anak-anaknya. Model diagram jalur yang dibuat oleh Burks, seperti di bawah ini: Gambar 1.2 Diagram Jalur Model Burks Dalam paparannya Burks menyatakan secara tegas bahwa dalam menggunakan metode Wright, dia menekankan adanya hubungan sebab akibat dalam kesimpulannya dan sebab akibat yang dimaksud oleh Burks adalah hubungan sebab akibat yang dimunculkan oleh masalah yang dikaji sebagaimana gagasan asli Wright. Kesimpulannya ialah hubungan sebab akibat disini 5 bersifat independen terhadap metode statistik. Dengan demikian interpretasi mengenai Analisis Jalur yang dilakukan oleh Burks sudah benar. Justifikasi kebenaran dalam menggunakan rumus ini ialah karena memang ada proses sebab akibat yang mendasari hubungan antara intelgensi orang tua terhadap IQ anak-anaknya. Setelah hampir selama 30 tahun dari kajian riset yang menggunakan Analisis Jalur oleh Burk; munculah beberapa peneliti menggunakan Analisis Jalur, diantaranya ialah Duncan dan Hodge pada tahun 1963 serta Blalock dengan bukunya yang berjudul “Causal Inferences in Nonexperimental Research” pada tahun 1964. Riset-riset yang mereka lakukan berkaitan dengan pendidikan dan sosiologi. Pada masa ini Analisis Jalur diperlakukan sebagai pemodelan sebab akibat. Tidak kalah pentingnya dalam menelusuri sejarah path anlaysis kita membahas secara singkat gagasan Herbert Simon (1916 – 2001) seorang ilmuwan matematika sosial dalam karyanya Models of Man pada tahun 1957 dimana dia membedakan antara korelasi semu (spurious correlation) dengan dengan korelasi sebenarnya (true correlation) dimana dalam korelasi sebenarnya terkandung secara tersirat hubungan sebab akibat sedang dalam korelasi semu tidak ada. Korelasi semu terjadi jika hubungan dua variabel akan menguat atau melemah saat kita tambah variabel ketiga. Tujuan menambah variabel ketiga kedalam model korelasi bivariat ialah bahwa korelasi antara kedua variabel dapat diterangkan dengan lebih jelas melalui kehadiran variabel ketiga. Kesimpulannya gagasan ini mendukung adanya hipotesis korelasi semu antara dua variabel yang dikorelasikan. Jika koefesien korelasi kedua variabel tersebut tetap konstan maka korelasi kedua variabel tersebut diasumsikan bukan korelasi semu. Ilmuwan lain yang menggunakan Analisis Jalur selanjutnya ialah para ilmuwan dari kelompok sosiologi. Salah satu diantaranya ialah Hubert M Blalock sebagaimana sudah disebut diatas. Dalam tulisanya yang terbit tahun 1964 Blalock memberikan garis besar metode membuat inferensi sebab akibat didasarkandata korelasional beserta dengan masalah – masalah yang menegaskan relasi ini. Gagasan Blalock yang sesuai dengan konsep dasar Analisis Jalur ialah hubungan apapun atau deduksi matematis jika digunakan dalam konteks data non – ekperimental dalam menyatakan adanya hubungan sebab akibat harus ditarik dari asumsi – asumsi apriori. Dalam konteks ini Blalock sebenarnya menegaskan kembali ide dasar Wright yang menyatakan bahwa hubungan sebab – akibat harus dimiliki oleh jaringan variabel yang diteliti dan bersifat independen terhadap prosedur statistik tertentu. Intinya ialah pemodelan hubungan sebab akibat dimunculkan sebelum pemodelan statistik. Pandangan dari Duncan dan Hodge akan melengkapi bagaimana sejarah Analisis Jalur menemukan kejelasan dalam kaitannya dengan persoalan hubungan sebab akibat. Duncan menganalisis hubungan. Menurut mereka jalur sebab akibat yang mendasari asosiasi secara statistik dalam suatu data dikarenakan variabel – variabel diurutkan didasarkan pada urutan tempral yang diasumsikan. Hal yang penting dari gagasan mereka ialah arah aliran dari penyebab-penyebab yang diasumsikan. Gagasan ini dalam pengertian analysis jalur saat ini ialah 6 aliran penyebab dari variabel – variabel eksogenous ke variabel endogenous. Asumsi arah yang dibuat dalam model mereka memberikan justifikasi proses sebab akibat menjadi masuk akal. Perkembangan structural eqaution modelling (SEM) semakin membuat Analisis Jalur dikenal oleh banyak kalangan. Karena para penemu SEM, seperti Jöreskog, K. G. (1973) pada dasarnya mengkombinasikan elemen-elemen dalam Analisis Jalur, yaitu relasi struktural diantara seperangkat variabel dengan elemen-elemen variabel laten seperti pada analisis faktor. Kehadiran SEM memungkinkan kita memahami lebih mendalam relasi arah antara variabel yang sudah dikenalkan melalui Analisis Jalur sebelumnya dan dapat menggabung variabel – variabel yang tidak terukur secara langsung atau yang disebut dengan faktor dalam proses pemodelan. akibat dilahirkan dari model Analisis Jalur (baca= analisis jalur) ditambah konteks sebab akibat. Kita dapat menyimpulkan bahwa penamaan pemodelan sebab akibat muncul diluar karya asli Sewall Wright tetapi tidak bebas dari pengaruh ide dasar Wright. Maka dalam perkembangan selanjutnya terdapat dua hal yang perlu kita pahami: pertama, Analisis Jaluri dipisahkan dengan masalah hubungan sebab akibat. Jika digambarkan akan seperti di bawah ini: Gambar 1.3 Analisis Jalur Dipisahkan dengan Hubungan Sebab Akibat (Sumber: Denis dan Legerski, 2006) Gambar tersebut mempunyai makna, pada sisi kiri adalah metode koefesien jalur dari Analisis Jaluri dan sebelah kanan ialah konteks sebab akibat dalam suatu paradigma riset. Tingkatan dimana keduanya saling tumpang tindih membangun suatu tuntutan adanya model sebab akibat. Oleh karena itu menggabung metode koefesien jalur dengan konteks sebab akibat menjadikan persoalan model sebab akibat menjadi semakin meyakinkan. Dengan demikian kita memasuki pada gagasan penting kedua, yaitu Analisis Jaluri dgabungkankan dengan masalah hubungan sebab akibat. Maka gambarnya akan menjadi seperti di bawah ini: 7 Gambar 1.4 Analisis Jalur Digabungkan dengan Hubungan Sebab Akibat (Sumber: Denis dan Legerski, 2006) Pada gambar diatas metode koefisien jalur digabung dengan konteks sebab akibat sehingga melahirkan pemodelan sebab akibat. Apa yang harus kita tekankan ialah bahwa metode koefesien jalur sebenarnya independen terhadap konteks sebab akibat. Hanya saja dalam kasus Analisis Jalur yang diaplikasikan dalam konteks sebab akibat dapat menghasilkan model yang dianggap sebab akibat. Dengan demikian didasarkan pada gambar diatas kita dapat menghasilkan model sebab akibat yang baik jika tumpang tindih kedua lingkaran tersebut menyatu secara lengkap; sebaliknya kita dapat menghasilkan model sebab akibat yang tidak baik jika tumpang tindih kedua lingkaran tersebut tidak menyatu secara lengkap atau kedua lingkaran tersebut semakin menjauh seperti pada gambar sebelumnya. 8 BAB 2 ISTILAH – ISTILAH DASAR Sebelum mempelajari secara lebih mendalam apa itu Analisis Jalur; di bawah ini akan dijelaskan beberapa istilah dasar yang penting untuk diketahui oleh pembaca yang akan membantu dalam memahami Analisis Jalur secara benar. Untuk mempermudah dalam membaca maka penulis akan menggunakan gambar 2.1 di bawah ini untuk menerangkan istilah – istilah dasar tersebut: Gambar 2.1 Model Diagram Jalur   Model Jalur. Model jalur ialah suatu diagram yang menghubungkan jaringan hubungan beberapa variabel yang diletakkan secara berurutan yang akan dikaji dalam riset. Istilah konvensionalnya ialah hubungan antara variabel bebas, perantara dan tergantung yang pada bagian berikut kita akan bahas secara mendalam karena dalam Analisis Jalur sebenarnya tidak dikenal istilah variabel bebas dan tergantung. Pola hubungan dalam Analisis Jalur ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-variabel bebas (1 dan 2) yang dalam Analisis Jalur kemudian disebut sebagai variabel exogenous dan / atau perantara (3) dengan satu variabel tergantung atau lebih yang dalam Analisis Jalur disebut sebagai variabel endogenous (4). Anak panah juga menghubungkan kesalahan (variabel residue) / e1 dan e2 dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous (r21). Pada gambar model jalur di atas terdapat dua bagian, yaitu: variabel 1 dan 2 ke 3 disebut sub-struktur I dan dari 1,2 dan 3 ke 4 disebut sub-struktur II. Jalur penyebab untuk suatu variabel yang ada meliputi pertama jalur-jalur arah dari anak panah - anak panah menuju ke variabel tersebut yang berasal dari variabel sebelumnya, misalnya anak panah searah dari variabel 1 ke 3, 2 ke 3 dan dari variabel 3 ke 4 serta dari 1 dan 2 ke 4. Untuk jelasnya lihat gambar berikut ini pada bagian anak panah yang dicetak tebal. 9 Gambar 2.2 Jalur Penyebab 1 dan 2 ke 3 dan ke 4 (sub struktur I) 3 ke 4 (sub struktur II)  Variabel Exogenous. Variabel – variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. Variabel ini berfungsi sebagai variabel bebas / penyebab terhadap variabel urutan sesudahnya yang disebut sebagai variabel endogenous (Contoh: variabel 1 dan 2 terhadap 3 dalam sub struktur I dan variabel 3 terhadap 4 dalam sub struktur II). Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dua arah yang menghubungkan variabel-variabel tersebut (variabel 1 dikorelasikan dengan variabel 2). Untuk jelasnya lihat gambar berikut ini pada bagian kotak yang dicetak tebal Gambar 2.3 Variabel Exogenous 1 dan 2 (sub struktur I) 3 (sub struktur II) 10  Variabel Endogenous. Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju kearah variabel tersebut (variabel 3 untuk sub struktur I dan variabel 4 untuk sub struktur 2). Variabel yang termasuk didalamnya ialah mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya. Untuk jelasnya lihat gambar berikut ini pada bagian kotak yang dicetak tebal Gambar 2.4 Variabel Endogenous 3 (sub struktur I) dan 4 (sub struktur II)  Koefesien Jalur / Pembobotan Jalur (p). Koefesien jalur adalah koefesien regresi standar (standardized coefficient) atau disebut ‘bobot beta’ yang menunjukkan pengaruh langsung dari suatu variabel exogenous terhadap variabel endogenous dalam suatu model jalur tertentu (p31 dan p32 untuk sub struktur 1 serta p41, p42, dan p43 untuk sub struktur II). Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefesien-koefesien jalurnya merupakan koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau menggunakan matriks korelasi sebagai masukan. Koefesien jalur yang sudah distandarisasi mempunyai makna koefesien yang sudah diubah menjadi nilai Z baku yang memungkinkan peneliti dapat membandingkan kekuatan relatif pengaruh dari semua variabel eksplanatori / bebas / predictor / exogenous yang berbeda dalam suatu model jalur tertentu. Untuk jelasnya lihat gambar berikut ini pada bagian anak panah satu arah yang dicetak tebal. 11 Gambar 2.5 Koefesien Jalur p31 dan p32 (sub struktur I) dan p41, p42, dan p43 (sub struktur II) Variabel-Variabel Exogenous yang Dikorelasikan. Jika semua variabel exogenous dikorelasikan, maka sebagai penanda hubungannya ialah anak panah dengan dua arah yang dihubungkan diantara variabel-variabel dengan koefesien korelasinya (variabel 1 dan variabel 2 dengan korelasinya disebut r21. Untuk jelasnya lihat gambar berikut ini pada bagian anak panah dua arah yang dicetak tebal. Gambar 2.6 Variabel – Variabel Exogenous 1 dan 2 dikorelasikan (R21)  Kesalahan / Error Term (e). Istilah kesalahan residual yang secara teknis disebut sebagai ‘sisaan’ atau “residue” mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel independen exogenous yang tidak terukur secara langsung dan ditambah dengan kesalahan pengukuran (e1 dan e2) yang merefleksikan penyebab variabilitas yang tidak diketahui pada hasil analisis. Besarnya pengaruh kesalahan ini terhadap variabel endogenous yang merefleksikan variabelvariable lain yang tidak terukur ialah 1 – r2. Sedang besarnya nilai varian ialah 1 – r2 dikalikan dengan varian nilai variabel endogenous tersebut. Kesalahan residual diasumsikan berdistribusi normal dan mempunyai rata-rata 0 dan tidak berkorelasi dengan semua variabel dalam model yang sedang diteliti. Untuk jelasnya lihat gambar di bawah ini pada bagian yang dicetak tebal. 12 Gambar 2.7 Error Term e1 untuk sub struktur I dan e2 untuk sub struktur II      Aturan Multiplikasi Jalur. Nilai dari suatu jalur gabungan adalah hasil semua koefesien jalurnya atau semua koefesien jalur dari semua variabel exogenous dan endogenous. Dekomposisi Pengaruh. Koefesien-koefesien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model kedalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah – anak panah dalam suatu model tertentu. Ini didasarkan pada aturan bahwa dalam suatu sistem linear, maka pengaruh penyebab total suatu variabel ‘i’ terhadap variabel ‘j’ adalah jumlah semua nilai jalur dari “i” ke “j”. Dekomposisi Korelasi: korelasi antara dua variabel dapat dapat dikomposisi menjadi empat komponen sebagai berikut: o Pengaruh langsung (direct effect) variabel exogenous (x) ke endogenous (y) o Pengaruh tidak langsung (indirect effect) variabel exogenous ke endogenous melalui variabel perantara o Komponen yang tidak dapat kita analisis karena kekurangpengetahuan kita terhadap arah sebab akibat dalam satu jalur o Komponen semu (spurious component) yang disebabkan karena variabel exogenous (x) dan endogenous (y) masing-masing dipengaruhi oleh variabel ketiga tertentu atau seperangkat variabel lain dalam model. Signifikansi dan Keselarasan Model dalam Jalur. Untuk melakukan pengujian koefesien – koefesien jalur secara individual, kita dapat menggunakan nilai T standar atau pengujian F dari angka-angka keluaran regresi. Sedang untuk melakukan pengujian model dengan semua jalurnya, kita dapat menggunakan uji keselarasan dari program atau dengan menggunakan nilai probabilitas (sig / p value) dalam bagian ANOVA. Jika suatu model sudah benar, diantaranya mencakup semua variabel yang sesuai dan mengeluarkan semua variabel yang tidak sesuai; maka jumlah nilai-nila jalur dari I ke j akan sama dengan koefesien regresi untuk j yang diprediksi didasarkan pada I, yaitu untuk data yang sudah distandarisasi dimana koefesien regresi sederhana sama dengan kefesien korelasi; maka jumlah semua koefesien (standar) akan sama dengan koefesien korelasi. Anak Panah Satu Arah dan Dua Arah. Jika ingin menggambarkan penyebab, maka kita menggunakan anak panah dengan satu arah. Sedang untuk menggambarkan korelasi, kita menggunakan anak panah yang melengkung dengan dua arah. Ada kalanya hubungan sebab akibat menghasilkan angka negatif, untuk menggambarkan hasil yang negatif digunakan garis putus-putus. 13            Pola Hubungan. Dalam analisi jalur tidak digunakan istilah variabel bebas ataupun tergantung. Sebagai gantinya kita menggunakan istilah variabel exogenous dan endogenous. Model Recursive. Model penyebab yang mempunyai satu arah. Tidak ada arah membalik (feed back loop) dan tidak ada pengaruh timbal balik (reciprocal). Dalam model ini satu variabel tidak dapat berfungsi sebagai penyebab dan akibat dalam waktu yang bersamaan. Dengan demikian dalam Analisis Jalur hanya dikenal model recursive saja. Model Non-Recursive. Model penyebab dengan disertai arah yang membalik (feed back loop) atau adanya pengaruh timbal balik (reciprocal). Model hubungan ini hanya dikenal dalam Structural Equation Modelling (SEM). Direct Effect (DE). Pengaruh langsung yang dapat dilihat dari koefesien jalur dari satu variable exogenous ke variable endogenous. Sebagai contoh pengaruh variabel 1 dan terhadap 3 dalam sub struktur I serta 1, 2 dan 3 terhadap 4 dalam sub struktur II. Indirect Effect (IE). Urutan jalur melalui satu atau lebih variable perantara. Untuk mendapatkan nilainya dilakukan dengan cara mengkalikan koefesien jalur dari variabel exogenous ke perantara dengan koefisien jalur dari variabel perantara tersebut ke variabel endogenous. Sebagai contoh pengaruh variabel 1 terhadap 4 melalui variabel 3 dan pengaruh variabel 2 terhadap 4 melalui variabel 3. Total Effect (TE): Urutan jalur melalui satu variabel exogenous ke variable perantara ditambah dari variabel perantara tersebut ke variabel endogenous. Untuk mendapatkan nilainya dilakukan dengan cara menambah koefesien jalur dari variabel exogenous ke perantara dengan koefisien jalur dari variabel perantara tersebut ke variabel endogenous. Sebagai contoh pengaruh variabel 1 terhadap 3 ditambah pengaruh variabel 3 terhadap 4. Pengaruh Gabungan (R2): Pengaruh gabungan ialah pengaruh semua variabel exogenous terhadap variabel endogenous yang nilainya didapatkan dari nilai R2 yang juga digunakan untuk menilai kecocokan model riset dengan model teori. Sebagai contoh pengaruh gabungan untuk sub struktur pertama ialah pengaruh variabel 1 dan 2 secara gabungan terhadap variabel 3; untuk sub struktur 2 ialah pengaruh variabel 1, 2 dan 3 secara gabungan terhadap variabel 4. Pengaruh Parsial (P): Pengaruh parsial atau sebagian ialah pengaruh satu persatu dari masing-masing variabel exogenous terhadap variabel endogenous yang nilainya didapatkan dari nilai koefesien jalur / nilai beta. Sebagai contoh pengaruh variabel 1 dan 2 terhadap 3 serta 1,2 dan 3 terhadap 4. Pengaruh Faktor Lain (Error): Pengaruh faktor lain ialah pengaruh dari variabel – variabel lain diluar model jalur yang dikaji. Nilai didapatkan dengan rumus: e=1 – r2. Analisis Jalur dapat diberlakukan sebagai analisis regresi berganda berurutan / hierarchical (sequential) multiple regression analysis. Dalam melakukan analisis kita menggunakan analisis regresi berganda untuk melihat pengaruh variabel exogenous terhadap variabel endogenous Just-identified model: model jalur dimana hanya ada jalur langsung dari masing – masing variabel ke variabel lainnya, seperti gambar di bawah ini. 14 Gambar 2.8 Just-identified model Pada contoh gambar di atas pengaruh langsung dari variabel 1 ke 2; 1 ke 3 dan dari variabel 2 ke 3.  Over identified model: model dimana setidak-tidaknya sepasang variabel tidak terhubung satu dengan lainnya oleh jalur – jalur langsung, seperti gambar di bawah ini. Gambar 2.9 Over-identified model . 15 BAB 3 PENGERTIAN DAN TUJUAN MENGGUNAKAN ANALISIS JALUR 3.1 Pengertian Apa sebenarnya path anlysis itu? Ada banyak definisi mengenai path anlysis ini, diantaranya:  “Analisis Jalur merupakan perluasan dari regresi linier berganda, dan yang memungkinkan analisis model-model yang lebih kompleks” (Streiner, 2005)  “Analisis Jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993).  Sedangkan menurut Paul Webley (1997): “Analisis Jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangakat variabel.”  David Garson (2003) dari North Carolina State University mendefinisikan Analisis Jalur sebagai “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik.  Menurut penulis Analisis Jalur merupakan teknik analisis yang digunakan untuk menganalisis hubungan sebab akibat yang inheren antar variabel yang disusun berdasarkan urutan temporer dengan menggunakan koefesien jalur sebagai besaran nilai dalam menentukan besarnya pengaruh variabel independen exogenous terhadap variabel dependen endogenous. (Jonathan Sarwono, 2011) Dari definisi-definisi di atas dapat dsimpulkan bahwa sebenarnya Analisis Jalur dapat dikatakan sebagai kepanjangan dari analisis regresi berganda, meski didasarkan sejarah terdapat perbedaan dasar antara Analisis Jalur yang bersifat independen terhadap prosedur statistik dalam menentukan hubungan sebab akibat; sedang regresi linier memang merupakan prosedur statistik yang digunakan untuk menganalisis hubungan sebab akibat antar variabel yang dikaji. 16 3.2 Tujuan Tujuan menggunakan Analisis Jalur diantaranya ialah untuk:  Melihat hubungan antar variabel dengan didasarkan pada model apriori  Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer  Menggambar dan menguji suatu model matematis dengan menggunakan persamaan yang mendasarinya  Mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain yang dipengaruhinya.  Menghitung besarnya pengaruh satu variabel independen exogenous atau lebih terhadap variabel dependen endogenous lainnya. 3.3 Keuntungan dan Kelemahan Analisis Jalur Keuntungan menggunakan Analisis Jalur, diantaranya: • Kemampuan menguji model keseluruhan dan parameter – parameter individual, • Kemampuan pemodelan beberapa variabel mediator / perantara, • Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua kemungkinan hubungan sebab akibat pada semua variabel dalam model, • Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious). • • • • • Kelemahan menggunakan Analisis Jalur, diantaranya: Tidak dapat mengurangi dampak kesalahan pengukuran, Analisis Jalur hanya mempunyai variable – variabel yang dapat diobservasi secara langsung, Analisis Jalur tidak mempunyai indikator – indikator suatu variabel laten, Karena Analisis Jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi dalam rumus ini harus diikuti, Sebab –akibat dalam model hanya bersifat searah (one direction); tidak boleh bersifat timbal balik (reciprocal). 17 BAB 4 ANALISIS JALUR DALAM KONTEKS TEKNIK ANALISIS MULTIVARIAT 4.1 Pengertian Teknik Analisis Multivariat Sekalipun secara historis Analisis Jalur dianggap independen terhadap prosedur statistik namun pada perkembangannya dalam konteks Analisis Jalur moderen setelah masa Sewal Wright banyak kalangan yang menggunakan metode ini melenceng dari ide asli semula meski gagasan-gagasan penerus Wright ini tidak terlepas dari ide dasar Sewal Wright atau dengan kata lain ide dasar Wright menjadi inspirasi pada kalangan penerus yang mengembangkan metode Analisis Jalur. Pada bagian ini penulis akan menguraikan secara singkat bagaimana Analisis Jalur saat ini dikategorikan dalam konteks teknik analisis multivariat sebagaimana varian dari Analisis Jalur yaitu structural equation modelling (SEM) yang merupakan pengembangan dari Analisis Jalur. Salah satu ciri teknik analisis multivariat ialah menggunakan variabel bebas lebih dari satu dengan satu atau lebih variabel tergantung. Apa sebenarnya yang dimaksud dengan analisis multivariat itu? Hair (2010) mendefinisi sebagai berikut: “ Analisis multivariate meliputi semua teknik statistik yang secara bersamaan menganalisis beberapa pengukuran terhadap individual atau obyek tertentu dalam suatu riset.” Sedang menurut Johnson (2002) analisis multivariate mencakup analisis data penelitian yang menggunakan banyak variable yang dikenakan pengukuran secara bersamaan. Dari kedua definisi tersebut kita dapat menyimpulkan bahwa teknik analisis multivariate merupakan teknik analisis yang digunakan untuk menganalsis seperangkat data yang menggunakan banyak variable sebagai obyek yang akan diukur. Teknik analisis multivariat secara garis besar diklasifikasi menjadi dua, yaitu: teknik dependensi dan interdependensi. Karakteristik utama analisis dependensi ialah satu variabel atau lebih dapat diidentifikasikan sebagai variabel tergantung yang akan diprediksi atau diterangkan oleh variabel – variabel lain yang diketahui sebagai variabel bebas atau juga disebut sebagai predictor. Karakteristik berikutnya ialah teknik analisis dependensi dibedakan dari satu teknik dengan teknik lainnya dilihat dari sisi jumlah variabel tergantung dan jenis skala pengukuran yang dikenakan dalam variabel – variabelnya. Menurut Hair (2010) Didasarkan jumlah variabel tergantungnya, maka teknik analisis dependensi diklasifikasi sebagai: a) Teknik analisis dependensi dengan satu variabel tergantung b) Teknik analisis dependensi dengan lebih dari satu variabel tergantung c) Teknik analisis dependensi dengan lebih dari satu variabel tergantung dan variabel bebas Sedang jika didasarkan pada jenis skala pengukuran, maka teknik analisis dependensi dapat diklasifikasikan sebagai: a) Variabel tergantung metrik (data kuantitatif / numerik) b) Variabel tergantung non-metrik (data kualitatif / kategorikal) 18 Kegunaan utama teknik analisis dependensi ialah untuk menerangkan atau memprediksi variabel (variabel) tergantung (variabel yang memberi respon) dengan menggunakan dua atau lebih variabel bebas (variabel yang berfungsi sebagai predictor). Klasifikasi kedua ialah teknik analisis interdepensi. Dalam analisis interdependensi tidak terdapat satupun variabel yang didefinisikan sebagai variabel bebas ataupun variabel tergantung karena prosedur mencakup analisis yang dilakukan secara bersamaan untuk semua variabel dalam sekumpulan variabel yang diobservasi. Dengan kata lain dalam analisis interdependensi semua variabel yang dikaji bersifat independen. Tujuan utama dalam teknik analisis ini ialah menemukan struktur yang mendasari seluruh kelompok variabel tersebut. Sedang fungsi dari analisis interdependensi ialah untuk memberikan makna terhadap seperangkat variabel atau membuat kelompok-kelompok secara bersama-sama. 4.2 Analisis Jalur dalam Konteks Teknik Analisis Multivariat Jika dilihat dari konteks teknik analisis multivariat, maka Analisis Jalur dapat diklasifikasikan kedalam teknik analisis multivariat dependensi karena dalam Analisis Jalur terdapat lebih dari satu variabel bebas / independen exogenous dan satu atau lebih variabel tergantung / dependen endogenous dalam pengukuran secara bersamaan . Untuk jelasnya kita lihat dalam contoh di bawah ini: Gambar 4.1 Pengaruh Variabel Motivasi, Kedisiplinan dan KreatifitasTerhadap Kinerja Pegawai Dalam gambar di atas kita berasumsi bahwa variabel motivasi, kedisplinan dan kreatifitas mempengaruhi variabel kinerja pegawai. Maka dalam konteks teknik analisis multivariat depedensi, kita dapat mengidentifikasi bahwa:  Variabel motivasi, kedisplinan dan kreatifitas merupakan variabel – variabel bebas sedang  Variabel kinerja pegawai merupakan variabel tergantung. Dalam konteks Analisis Jalur:  Variabel motivasi, kedisplinan dan kreatifitas merupakan variabel exogenous  Variabel kinerja pegawai merupakan variabel endogenous 19 Model Analisis Jalur di atas termasuk dalam model regresi linier berganda sehingga penyelesaiannya tidak akan berbeda dengan cara dalam regresi linier berganda; sekalipun demikian angka-angka yang dipergunakan akan berbeda karena dalam regresi linier berganda kita menggunakan koefesien regresi yang tidak distandarisasi (unstandardized coefficient) sedang dalam Analisis Jalur kita menggunakan koefesien jalur yang sudah distandarisasi (standardized coefficient). Masalah perbedaan ini akan dibahas dalam bab tersendiri pada bagian – bagian berikut dalam buku ini. Mungkin pembaca akan bertanya demikian ini: “ Kalau masalah tersebut dapat diselesaikan dengan regresi linier berganda mengapa kita harus menggunakan Analisis Jalur?”. Jawabannya ialah: kala kita menggunakan regresi linier berganda maka kita hanya akan mendapatkan gambaran umum dari masalah di atas; karena dengan menggunakan regresi linier berganda kita hanya mendapatkan nilai R2 untuk melihat pengaruh semua variabel bebas motivasi, kedisplinan dan kreatifitas terhadap variabel tergantung kinerja pegawai secara sekaligus; sedang untuk pengaruh masing-masing variabel bebas terhadap variabel tergantung kinerja pegawai tidak dapat kita hitung dengan regresi liner berganda. Sedang dengan menggunakan Analisis Jalur kita tidak hanya dapat menghitung secara sekaligus pengaruh semua variabel bebas motivasi, kedisplinan dan kreatifitas terhadap variabel tergantung kinerja pegawai tetapi juga kita dapat mengetahui pengaruh parsial / sendiri-sendiri untuk masing-masing variabel bebas terhadap variabel tergantung kinerja pegawai. Dari uraian di atas, maka kita dapat menyimpulkan bahwa Analisis Jalur dapat diklasifikasikan kedalam teknik analisis multivariat. 20 BAB 5 ASUMSI – ASUMSI DAN PRINSIP - PRINSIP DASAR Beberapa asumsi dan prinsip – prinsip dasar dalam Analisis Jalur diantaranya ialah:  Linearitas (Linearity). Hubungan antar variabel bersifat linear, artinya jika digambarkan membentuk garis lurus dari kiri bawah ke kanan atas, seperti gambar di bawah ini: Gambar 5.1 Linieritas   Ko-linier. Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa variabel exogenous mempengaruhi satu variabel endogenous; atau sebaliknya satu variabel exogenous mempengaruhi beberapa variabel endogenous jika ditarik garis lurus akan membentuk garis-garis yang sama. Model Rantai Sebab Akibat: Menunjukkan adanya model sebab akibat dimana urutan kejadian akhirnya menuju pada variasi dalam variabel dependen / endogenous, seperti gambar di bawah ini. Dalam gambar dibawah semua urutan kejadian X1, X2, X3, dan X4 menuju ke Y Gambar 5.2 Model Rantai Sebab Akibat 21           Aditivitas (Additivity). Tidak ada efek-efek interaksi Hubungan sebab akibat yang tertutup (Causal closure): Semua pengaruh langsung satu variabel terhadap variabel lainnya harus disertakan dalam diagram jalur. Koefesien Beta (β). Merupakan koefesien regresi yang sudah distandarisasi (standardized regression coefficient) yang menunjukkan jumlah perubahan dalam variabel dependen endogenous yang dihubungkan dengan perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel bebas exogenous saat dilakukan pengendalian pengaruh terhadap variabel-variabel independen lainnya. Koefesien beta disebut juga sebagai bobot beta (β). Nilai ini yang digunakan sebagai besaran nilai dalam koefesien jalur (p) atau jumlah pengaruh setiap variabel exogenous terhadap variabel endogenous secara sendiri-sendiri atau disebut sebagai pengaruh parsial. Koefesien Determinasi (R2): Disebut juga sebagai indeks asosiasi. Merupakan nilai yang menunjukkan berapa besar varian dalam satu variabel yang ditentukan atau diterangkan oleh satu atau lebih variasbel lain dan berapa besar varian dalam satu variabel tersebut berhubungan dengan varian dalam variabel lainnya. Dalam statistik bivariat disingkat sebagai r2 sedang dalam multivariat disingkat sebagai R2. Nilai ini yang digunakan sebagai besaran nilai untuk mengekspresikan besarnya jumlah pengaruh semua variabel exogenous terhadap variabel endogenous secara gabungan atau disebut sebagai pengaruh gabungan. Data metrik berskala interval. Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (Method of Successive Interval /MSI) terlebih dahulu. Jika data bukan metrik digunakan maka akan mengecilkan nilai koefesien korelasi. Nilai koefesien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin kecil. Dengan demikian pemodelan yang dibuat menggunakan Analisis Jalur tidak akan valid; karena salah satu indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat nilai R2 yang mendekati 1. Jika nilai ini semakin mendekati 1; maka model dianggap baik atau sesuai dengan teori. Variabel - variabel residual tidak berkorelasi dengan salah satu variabel-variabel dalam model. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan semua variabel endogenous dalam model. Jika dilanggar, maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur. Multikoliniearitas yang rendah. Multikolinieritas maksudnya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang tinggi maka kita akan mendapatkan standard error yang besar dari koefesien beta (b) yang digunakan untuk menghilangkan varians biasa dalam melakukan analisis korelasi secara parsial. Recursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping) atau tidak menunjukkan adanya hubungan timbal balik (reciprocal) Spesifikasi model benar diperlukan untuk menginterpretasi koefesien-koefesien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefesien jalur akan merefleksikan kovarians bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasi secara tepat dalm kaitannya dengan akibat langsung dan tidak langsung. 22       Input korelasi yang sesuai. Artinya jika kita menggunakan matriks korelasi sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel berskala interval; korelasi polychoric untuk dua variabel berksala ordinal; tetrachoric untuk dua variabel dikotomi (berskala nominal); polyserial untuk satu variabel interval dan lainnya ordinal; dan biserial untuk satu variabel berskala interval dan lainnya nominal. Terdapat ukuran sampel yang memadai. Pergunakan sample minimal 100 dengan tingkat kesalahan 10% untuk memperoleh hasil analisis yang signifikan dan lebih akurat. Untuk idealnya besar sampel sebesar 400 – 1000 (tingkat kesalahan 5%) sebagaimana umumnya persyaratan dalam teknik analisis multivariat. Tidak terjadi Multikolinieritas. Multikolinieritas terjadi jika antar variabel bebas (exogenous) saling berkorelasi sangat tinggi, misalnya mendekati 1. Sampel sama dibutuhkan untuk pengitungan regresi dalam model jalur. Merancang model sesuai dengan teori yang sudah ada untuk menunjukan adanya hubungan sebab akibat dalam variabel – variabel yang sedang diteliti. Sebagai contoh: variabel motivasi, IQ dan kedisplinan mempengaruhi prestasi belajar. Berdasarkan hubungan antar variabel yang sesuai teori tersebut, kemudian kita membuat model yang dihipotesikan. Karena penghitungan Analisis Jalur menggunakan teknik regresi linier; maka asumsi umum regresi linear sebaiknya diikuti, yaitu: a. Model regresi harus layak. Kelayakan ini diketahui jika angka signifikansi pada ANOVA sebesar < 0.05 b. Predictor yang digunakan sebagai variable bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis) d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi antar variable bebas. e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Dubin dan Watson sebesar -2 ≤ DW ≥ 2 23 BAB 6 PERSYARATAN DAN TAHAPAN DALAM MENGGUNAKAN ANALISIS JALUR 6.1 Persyaratan Persyaratan mutlak yang harus dipenuhi saat kita akan menggunakan Analisis Jalur disamping apa yang sudah dibahas secara detil di bab 5, sebaiknya beberapa persyaratan ini tidak boleh dilanggar:  Data metrik berskala interval  Terdapat variabel independen exogenous dan dependen endogenous untuk model regresi berganda dan variabel perantara untuk model mediasi dan model gabungan mediasi dan regresi berganda serta model kompleks.  Ukuran sampel yang memadai, sebaiknya di atas 100 dan idealnya 400 - 1000  Pola hubungan antar variabel: pola hubungan antar variabel hanya satu arah tidak boleh ada hubungan timbal balik (reciprocal)  Hubungan sebab akibat didasarkan pada teori yang sudah ada dengan asumsi sebelumnya menyatakan bahwa memang terdapat hubungan sebab akibat dalam variabel-variabel yang sedang kita teliti.  Pertimbangkan hal-hal yang sudah dibahas dalam asumsi dan prinsip-prinsip dasar di bab sebelumnya. 6.2 Tahapan dalam Menggunakan Analisis Jalur Tahapan dalam melakukan Analisis Jalur ialah: 1. Merancang model didasarkan pada teori. Sebagai contoh kita akan melihat pengaruh variabel kualitas produk, harga dan pelayanan terhadap tingkat kepuasan pelanggan. Berangkat dari teori yang ada kemudian kita membuat model yang dihipotesiskan. Gambar 6.1 Model Didasarkan pada Teori 24 2. Model yang dihipotesiskan: Pada bagian ini kita membuat hipotesis yang menyatakan, misalnya: H0: Variabel variabel kualitas produk, harga dan pelayanan tidak berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan maupun parsial. H1: Variabel variabel kualitas produk, harga dan pelayanan berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan maupun parsial. 3. Menentukan model diagram jalurnya didasarkan pada variabel – variabel yang dikaji. Gambar 6.2 Model Diagram Jalur 4. Membuat diagram jalur: kemudian kita membuat diagram jalur seperti di bawah ini: Gambar 6.3 Diagram Jalur Dimana:     X1 sebagai variabel independen exogenous kualitas produk X2 sebagai variabel independen exogenous harga X3 sebagai variabel independen exogenous layanan Y sebagai variabel dependen endogenous tingkat kepuasan 25 5. Membuat persamaan struktural. Diagram jalur di atas persamaan strukturalnya ialah: Y = PYX1 + PYX2 + PYX3 + e1 6. Melakukan prosedur Analisis Jalur dengan SPSS: Bagian ini akan dibahas di bab-bab contoh aplikasi selanjutnya. 7. Menghitung nilai: Bagian ini akan dibahas di bab-bab contoh aplikasi selanjutnya a. Pengaruh gabungan b. Pengaruh parsial c. Pengaruh langsung d. Pengaruh tidak langsung e. Pengaruh total f. Pengaruh faktor lain g. Korelasi 8. Uji validitas hasil analisis: Bagian ini akan dibahas di bab-bab contoh aplikasi selanjutnya a. Dengan menggunakan nilai sig pada ANOVA untuk melihat model keseluruhan yang benar dan pengaruh gabungan. b. Dengan menggunakan uji t untuk pengaruh parsial. 26 BAB 7 PROSES KEPUTUSAN UNTUK MENGGUNAKAN ANALISIS JALUR 7.1 Tujuan Menggunakan Analisis Jalur Sebagaimana sudah disinggung di bab 3 bagian 3.2 ada beberapa tujuan dalam menggunakan Analisis Jalur yang jika disarikan menjadi:  Mencari besarnya pengaruh variabel – variabel exogenous terhadap variabel (variabel) endogenous secara gabungan maupun secara parsial.  Menguji kecocokan model didasarkan data riset dengan teori yang ada  Melakukan penguraian korelasi antar variabel dengan melihat pengaruh langsung, pengaruh tidak langsung, pengaruh total dan pengaruh faktor lain. 7.2 Desain Riset untuk Analisis Jalur Seperti apa desain risetnya jika kita menggunakan Analisis Jalur? Desain riset menggunakan Analisis Jalur mengacu pada model-model yang ada dalam Analisis Jalur. Terdapat empat model dalam Analisis Jalur yang dibahas dalam buku ini, yaitu:  Model regresi berganda: yaitu model yang menggunakan beberapa variabel independen (exogenous) dengan satu atau lebih variabel dependen (endogenous)  Model mediasi melaui variabel perantara: yaitu model yang menggunakan beberapa variabel independen, variabel perantara dan variabel (variabel endogenous)  Model gabungan antara model pertama dan kedua  Model kompleks dengan menggunakan lebih dari satu variabel independen (exogenous), variabel perantara dan variabel dependen (endogenous). Dengan mempertimbangkan keempat model tersebut, sebaiknya peneliti menentukan model mana yang paling cocok dengan risetnya baru kemudian membuat desain riset yang sesuai dengan model yang sudah dipilihnya. Desain riset yang sesuai dengan model yang dipilih akan berdampak pada beberapa hal, diantaranya:  Model sederhana menghasilkan parameter yang sedikit, dengan demikian sampel yang digunakan dapat menyesuaikan jumlah parameter yang ada; oleh karena itu ukuran sampel dapat kecil, misalnya 100.  Model yang kompleks akan menghasilkan parameter yang akan dihitung semakin banyak; oleh karena itu ukuran sampel besar diperlukan, misalnya 400; karena jumlah parameter yang banyak dan untuk dapat memperoleh hasil yang signifikan umumnya diperlukan ukuran sampel besar.  Jika Analisis Jalur dilihat dalam konteks multivariat memang seharusnya memerlukan ukuran sampel besar; karena umumnya dalam teknik analisis multivariat memerlukan ukuran sampel besar. Hal ini disebabkan karena dalam teknik analisis multivariat menggunakan kecocokan model (goodness of fit) seperti maximum likehood estimation (MLE) yang menuntut jumlah sampel besar. 27   Secara umum dalam prosedur statistik, sampel yang besar akan menghasilkan keluaran yang signifikan; maka jika kita ingin memperoleh hasil yang signifikan sebaiknya kita menggunakan sampel yang berukuran besar. Dalam menentukan rumusan masalah sebaiknya disesuaikan dengan model yang sudah dipilih. Sebagai contoh rumusan masalah sebaiknya mencakup menghitung pengaruh gabungan, pengaruh parsial, pengaruh langsung, pengaruh tidak langsung, dan pengaruh total. 7.3 Pemenuhan Asumsi – Asumsi dalam Melakukan Analisis Menggunakan Analisis Jalur Jika kita menggunakan Analisis Jalur maka sebaiknya kita harus memenuhi asumsiasumsi yang ada yang sudah dibahas dibagian sebelumnya. Dalam konteks Analisis Jalur sebagai perpanjangan dari regresi linier berganda; maka asumsi-asumsi dalam regresi linier harus dapat dipenuhi jika kita menggunakan Analisis Jalur. Jika melanggar asumsi-asumis yang berlaku, maka hasilnya dapat dipastikan menyesatkan dan tidak valid. 7.4 Estimasi Model Diagram Jalur dan Menilai Kecocokan Model Dalam membuat estimasi diagram jalur yang ada dipergunakan nilai yang berasal dari koefesien regresi yang sudah distandarisasi (standardized regression coefficient) atau yang disebut juga sebagai sebagai bobot beta (β); sedang untuk melihat pengaruh gabungan dipergunakan angka R2. Untuk menilai kecocokan model dapat dipergunakan nilai probabilitas atau signifikansi (sig) dengan ketentuan jika nilai signifikansi < 0,05 maka model mempunyai kelayakan tinggi. Sebaliknya jika nilai signifikansi > 0,05 maka model mempunyai kelayakan rendah. 7.5 Membuat Interpretasi Koefesien Jalur Koefesien jalur (p) sama dengan koefesien regresi yang sudah distandarisasi (standardized regression coefficient) atau yang disebut juga sebagai sebagai bobot beta (β) mempunyai makna sebagai jumlah perubahan dalam variabel dependen endogenous yang dihubungkan dengan perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel bebas exogenous saat dilakukan pengendalian pengaruh terhadap variabel-variabel independen lainnya. Dengan bahasa yang lebih mudah koefesien jalur (p) mewakili besaran nilai atau jumlah pengaruh setiap variabel exogenous terhadap variabel endogenous secara sendiri-sendiri atau yang disebut sebagai pengaruh parsial. Koefesien jalur dalam SPSS terdapat pada tabel Coefficients pada kolom Beta, seperti di bawah ini. 28 7.6 Validasi Hasil Analisis Untuk memvalidasi hasil analisis menggunakan Analisis Jalur dalam SPSS caranya ialah:  Menggunakan nilai probabilitas atau signifikansi (sig) untuk menilai kelayakan model. Nilai signifikansi ini didapat dalam tabel ANOVA. Dengan ketentuan jika nilai signifikansi < 0,05 maka model mempunyai kelayakan tinggi. Sebaliknya jika nilai signifikansi > 0,05 maka model mempunyai kelayakan rendah. Tabel ANOVA dalam SPSS seperti di bawah ini.  Menggunakan nilai standard error of estimate untuk menilai ketepatan predictor (variabel bebas / independen / exogenous) dalam kaitannya dengan variabel tergantung / dependen / endogenous yang diprediksi. Dengan ketentuan sebagai berikut: Predictor dikatakan mepunyai kelayakan tinggi jika angka Standard Error of Estimate lebih kecil dari Standard Deviation. Nilai standard error of estimate diperoleh pada tabel bagian Model Summary seperti di bawah ini. Sedang untuk nilai standard deviasi dapat dilihat pada tabel Descriptive Statistics seperti di bawah ini. 29  Menggunakan nilai T untuk menguji kelayakan nilai koefesien regresi dengan ketentuan sebagai berikut: Koefesien regresi dinyatakan signifikan jika nilai T hitung (nilai absolut) lebih besar dari T table (nilai kritis). Nilai T hitung didapat melalui tabel Coefficients seperti di bawah ini. Sedang nilai t kritis diperoleh dari Tabel (Tabel t dapat dilihat di bagian lampiran dalam buku ini).  Menggunakan nilai R2 dengan ketentuan nilai R2 mendekati 1, maka model mempunyai kesesuaian (goodness of fit) dengan teori semakin baik. Nilai ini didapat di tabel Model Summary pada kolom R Square seperti di bawah ini. Catatan: Nilai ini sama dengan nilai yang dipergunakan untuk menghitung besarnya pengaruh gabungan atau disebut juga Koefesien Diterminasi (KD). 30 BAB 8 MODEL – MODEL DALAM ANALISIS JALUR 8.1 Pengantar Pada bagian ini penulis akan menguraikan model-model yang ada dalam Analisis Jalur. Model-model tersebut ialah:  Model regresi linier berganda  Model mediasi  Model gabungan antara regresi berganda dan mediasi  Model kompleks Berikut ini model-mode yang bersumber dari buku Analisis Jalur Untuk Riset Bisnis, Edisi 5 tahun 2010 (Sarwono: 6-7, 2010) akan dibahas secara lebih rinci. Untuk memudahkan pembaca yang baru memulai dalam mempelajari Analisis Jalur; maka contohcontoh dibawah ini dibuat sederhana sedang pada bagian aplikasi penghitungan di bab-bab berikutnya contohnya akan semakin dibuat kompleks. 8.2 Model Regresi Linier Berganda Model regresi berganda ini sebenarnya merupakan pengembangan dari teknik analisis regresi linier berganda dengan menggunakan lebih dari satu variabel independen exogenous, yaitu X1 dan X2 dengan satu variabel dependen endogenous Y. Model tersebut mempunyai diagram jalur seperti di bawah ini: Gambar 8.1 Analisis Jalur Model Regresi Berganda Dimana:  X1 adalah variabel independen exogenous pertama  X2 adalah variabel independen exogenous kedua  Y adalah variabel dependen endogenous Contoh Kasus: Riset ingin melihat besarnya pengaruh variabel kualitas produk dan iklan terhadap penjualan, maka X1 adalah variabel kualitas produk dan X2 adalah variabel iklan sedangkan Y adalah variabel penjualan. Dalam terminologi analisis jalur, variabel kualitas produk dan iklan adalah variabel exogenous dan variabel penjualan adalah variabel endogenous. 31 8.3 Model Mediasi Melalui Variabel Perantara (Intervening Variable) Model kedua Analisis Jalur ini adalah model mediasi atau perantara (intervening variable) dimana kehadiran variabel Y sebagai variabel perantara akan mengubah pengaruh variabel X terhadap variabel Z. Pengaruh ini dapat menurun ataupun meningkat. Model kedua ini diagram jalurnya seperti di bawah ini: Gambar 8.2 Analisis Jalur Model Mediasi Dimana:  X adalah variabel independen exogenous  Y adalah variabel endogenous perantara  Z adalah variabel dependen endogenous Contoh Kasus: Dalam rangka untuk meningkatkan laba, sebuah perusahaan menjual produk dengan harga murah dengan mengabaikan kualitas produk itu sendiri. Hasilnya laba tidak meningkat malahan semakin menurun. Apabila diterapkan dalam model kedua ini, maka variabel X adalah produk, variabel Y adalah variabel kualitas produk dan variabel Z adalah variabel laba. Variabel produk mempengaruhi variabel laba melalui variabel kualitas produk. 8.4 Model Gabungan antara Model Regresi Berganda dengan Model Mediasi Model ketiga dalam path anlysis merupakan penggabungan antara model regresi linier berganda dengan model mediasi, yaitu variabel X berpengaruh terhadap variabel Z secara langsung (direct effect) dan secara tidak langsung (indirect effect) mempengaruhi juga variabel Z melalui variabel perantara Y. Dalam model ini dapat diterangkan sebagai berikut:  Variabel X berfungsi sebagai variabel independen exogenous terhadap variabel Y dan Z  Variabel Y mempunyai dua fungsi: o Fungsi pertama ialah sebagai variabel endogenous terhadap variabel exogenous X o Fungsi kedua ialah sebagai variabel endogenous perantara untuk melihat pengaruh X terhadap Z melalui Y  Variabel Z merupakan variabel dependen endogenous 32 Model ini mempunyai diagram jalur seperti di bawah ini: Gambar 8.3 Analisis Jalur Model Gabungan Antara Reggresi Linier Berganda Dengan Mediasi Dimana:  X adalah variabel independen exogenous  Y adalah variabel endogenous dan sebagai variabel perantara  Z adalah variabel dependen endogenous Contoh Kasus: Dalam kasus ini variabel X adalah layanan, variabel Y adalah kepuasan dan variabel Z adalah loyalitas pelanggan. Layanan pegawai secara langsung mempengaruhi kepuasan pelanggan demikian pula layanan pegawai akan mempengaruhi kepuasan yang kemudian akan berpengaruh terhadap loyalitas pelanggan; dengan kata lain layanan akan berpengaruh terhadap loyalitas setelah konsumen puas. 8.5 Model Kompleks Model keempat dalam Analisis Jalur ini merupakan model yang kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara itu variabel Y2 juga dipengaruhi oleh variabel Y1. Dalam model ini dapat diterangkan sebagai berikut:  Variabel X1 berfungsi sebagai variabel independen exogenous  Variabel X2 mempunyai dua fungsi: o Fungsi pertama ialah sebagai variabel endogenous terhadap variabel exogenous X1 o Fungsi kedua ialah sebagai variabel endogenous perantara untuk melihat pengaruh X1 terhadap Y2 melalui X2  Variabel Y2 merupakan variabel dependen endogenous  Variabel Y1 merupakan variabel independen exogenous 33 Model ini mempunyai diagram jalur seperti di bawah ini: Dimana: o X1 adalah variabel independen exogenous o X2 adalah variabel endogenous dan sebagai variabel perantara  Y1 adalah variabel independen exogenous  Y2 adalah variabel endogenous Contoh Kasus: Untuk model di atas kita dapat membuat contoh sebagai berikut: o X1: Variabel kinerja pegawai o X2: Variabel kualitas layanan o Y2: Variabel kepuasan pelanggan o Y1: Variabel kualitas produk Dalam satu perusahaan kinerja pegawai akan mempengaruhi kualitas layanan secara langsung dan mempengaruhi secara tidak langsung terhadap kepuasan pelanggan melalui kualitas layanan. Dan kualitas produk akan mempengaruhi juga tingkat kepuasan pelanggan. 34 BAB 9 APLIKASI MODEL REGRESI BERGANDA 9.1 Contoh Kasus untuk Analisis Jalur Model Regresi Berganda Untuk contoh kasus Analisis Jalur model regresi berganda kita akan menggunakan tiga variabel independen yang berfungsi sebagai variabel exogenous dan satu variabel dependen yang berfungsi sebagai variabel endogenous. Sebagai variabel exogenous ialah variabel kualitas produk, kualitas layanan dan penanganan keluhan, sedang sebagai variabel endogenous adalah tingkat kepuasan pelanggan. Hubungan antar variabel tersebut jika digambarkan ke dalam model diagram jalur menjadi seperti di bawah ini: Gambar 9.1 Model Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Tingkat Kepuasan Pelanggan Didasarkan Teori 9.2 Hipotesis dan Masalah Hipotesis untuk kasus ini ialah: H0: Variabel variabel kualitas produk, kualitas layanan dan penanganan keluhan tidak berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan maupun parsial H1: Variabel variabel kualitas produk, kualitas layanan dan penanganan berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan parsial Masalah untuk kasus ini ialah :  Berapa besar pengaruh variabel kualitas produk, kualitas layanan dan penanganan terhadap tingkat kepuasan pelanggan secara parsial?  Berapa besar pengaruh variabel kualitas produk, kualitas layanan dan penanganan terhadap tingkat kepuasan pelanggan secara gabungan? 35 keluhan maupun keluhan keluhan 9.3 Data Riset Data untuk kasus diatas seperti di bawah ini : 36 9.4 Tahapan dalam Menyelesaikan Kasus Untuk menyelesaikan kasus tersebut tahapannya adalah seperti di bawah ini : Pertama: Membuat model diagram jalurn didasarkan hubungan antar variabel yang sedang kita teliti: Gambar 9.2 Model Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Tingkat Kepuasan Pelanggan Kedua: Membuat diagram jalur dari model di atas Gambar 9.3 Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Tingkat Kepuasan Pelanggan Dimana: X1 sebagai variabel independen exogenous kualitas produk X2 sebagai variabel independen exogenous kualitas layanan X3 sebagai variabel independen exogenous penanganan keluhan Y sebagai variabel dependen endogenous tingkat kepuasan Ketiga: Membuat persamaan struktural Diagram jalur di atas hanya ada satu persamaan struktural. Persamaan strukturalnya dapat dilihat seperti dibawah ini : Y=PYX1+PYX2+PYX3+ e Kempat: Membuat desain variabel, memasukkan data dan menganalisanya dalam IBM SPSS 37 Desain variabel dapat dibuat dengan cara memilih sub menu bagian bawah kiri pada perintah: Variabel View. Setelah perintah tersebut kita Klik, maka muncul tabel yang akan kita isi dengan desain variabelnya seperti di bawah ini: Gambar 9.4 Tampilan Variable View di Data Editor Tampilan tersebut kemudian kita isi dengan data seperti di bawah ini: Kelima: Memasukkan data dengan cara meng-klik pada perintah: Data View. Maka tampilan akan terlihat sebagai berikut: Gambar 9.5 Tampilan Data View di Data Editor Tampilan tersebut kemudian kita isi dengan data berjumlah 100 dengan cara seperti di bawah ini: 38 Keenam: Melakukan Analisis:Analisis dengan menggunakan IBM SPSS, caranya lakukan dengan langkah-langkah seperti di bawah ini:  Klik Analyse > Linear  Pindahkan variabel kepuasan ke kolom Dependent  Pindahkan variabel kualitas produk, kualitas layanan dan penanganan keluhan ke kolom Independent  Isi kolom Method dengan perintah Enter  Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue  Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue  Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue  Klik Ok untuk diproses Hasil penghitungan (output) seperti di bawah ini: Keluaran Bagian Regresi 39 40 Keluaran Bagian Korelasi Ketujuh: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Bagian Pertama: Analisis Regresi Linier Berganda Pada bagian ini berikut ini penafsiran dibagi menjadi dua: pertama, melihat pengaruh secara gabungan ketiga variabel exogenous terhadap satu variabel endogenous, dan kedua melihat pengaruh secara parsial untuk masing – masing variabel exogenous terhadap satu variabel endogenous. Melihat Pengaruh Variabel Independen Exogenous Kualitas Produk ,Kualitas Layanan, dan Penanganan Keluhan Secara Gabungan Terhadap Tingkat Kepuasan Pelanggan Pengaruh variabel independen exogenous kualitas produk ,kualitas layanan, dan penanganan keluhan secara gabungan terhadap tingkat kepuasan pelanggan dapat dilihat pada keluaran di tabel Model Summary, pada nilai R square seperti tertera pada tabel di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,597. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara gabungan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,597 x 100% KD = 59,7% Angka 59,7% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat 41 kepuasan pelanggan secara gabungan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,597 e = 0,403 atau jika kita ingin buat dalam persen menjadi e = 0,403 x 100% e = 40,3% Angka 40,3% di atas mempunyai makna besarnya faktor lain dalam model diluar ketiga variabel independen exogenous di atas. Dengan kata lain variabelitas tingkat kepuasan pelanggan yang dapat diterangkan dengan menggunakan variabel variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan adalah sebesar 59,7%; sedang pengaruh sebesar 40,3% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Independen Exogenous Kualitas Produk ,Kualitas Layanan, dan Penanganan Keluhan Secara Parsial Terhadap Tingkat Kepuasan Pelanggan Besarnya pengaruh pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara sendiri-sendiri / parsial dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Kualitas Produk dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas produk, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 42 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 4,758 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 4,758 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas produk mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous kualitas produk terhadap variabel endogenous tingkat kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,457 atau jika dibuat persen menjadi sebesar 45,7%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas layanan, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 43 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 0,421 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,421< t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan tidak mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,038 atau jika dibuat persen menjadi sebesar 3,8% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,675 > 0,05. Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous penanganan keluhan, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 44 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 3,273 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 3,273 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous tingkat kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,345 atau jika dibuat persen menjadi sebesar 34,5%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,001 < 0,05. Catatan: Perlu diketahui oleh pembaca, apabila angka t hitung dari hasil penghitungan diketemukan – (negatif), maka pengujian hipotesis harus menggunakan kurva dua sisi. Sisi kanan untuk nilai t + / positif dan sisi kiri untuk nilai t -/ negatif. Hasil positif atau negatif hanya menunjukkan arah pengujian hipotesis dan linearitas bukan menunjukkan jumlah. Pengujian dengan kurva yang akan menghasilkan keputusan yang sama seperti terlihat di bawah ini: 45 Kita ambil contoh seandainya nilai t negatif sebesar – 3,273; maka pengujiannya menjadi seperti di bawah ini: Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -3,273 kita tempatkan disebelah kiri dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 ditolak; maka H1 diterima. Sehingga keputusannya sama, yaitu ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Nilai negatif mempunyai makna hasilnya bertolak belakang, sebagai contoh jika nilai X tinggi, maka nilai Y menjadi rendah dan berlaku sebaliknya jika nilai X rendah, maka nilai Y tinggi. Apa yang terjadi jika nilai t hitung diketemukan negatif dan lebih kecil dari nilai t tabel sebesar 1,980, misalnya – 0,421; maka pengujian hipotesisnya menjadi seperti di bawah ini: 46 Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -0,421 kita tempatkan disebelah kanan dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 diterima; maka H1 ditolak. Sehingga keputusannya menjadi tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Melihat Korelasi Antar Variabel Independen Exogenous Kualitas Produk , Kualitas Layanan, dan Penanganan Keluhan Besarnya korelasi antar variabel independen exogenous kualitas produk ,kualitas layanan, dan penanganan keluhan dapat dilihat pada tabel di bawah ini: Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Kualitas Layanan Untuk mengiterpretasi nilai koefesien korelasi digunakan kriteria (Sarwono:2006): o o o o o o 0 : Tidak ada korelasi antara dua variabel >0 – 0,25: Korelasi sangat lemah >0,25 – 0,5: Korelasi cukup >0,5 – 0,75: Korelasi kuat >0,75 – 0,99: Korelasi sangat kuat 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan kualitas layanan sebesar 0,600. Korelasi sebesar 0,600 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kualitas layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel kualitas layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. 47 Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan penangnan keluhan sebesar 0,724. Korelasi sebesar 0,724 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan penanganan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan penangnan keluhan sebesar 0,684. Korelasi sebesar 0,684 bermakna hubungan antara variabel variabel independen exogenous kualitas layanan dan penangnan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Catatan: Jika dalam keluaran korelasi SPSS memberikan tanda dua bintang (**) di bawah tabel output; maka digunakan kriteria angka signifikansi sebesar 0,01; sedang jika ada tanda satu bintang (*) saja atau tanpa tanda apapum maka digunakan kriteria angka signifikansi sebesar 0,05. Default (bawaan) SPSS antara 0,01 sampai dengan 0,05. Membuat Diagram Jalur Setelah selesai melakukan penghitungan; maka kita kemudian harus membuat diagram jalur dari model Analisis Jalur yang sudah kita buat di atas. Diagram jalurnya akan seperti di bawah ini: Dengan demikian persamaan struktural untuk diagaram jalur di atas adalah: y=0,457X1+0,038X2+0,345X3+ e 48 Kesimpulan Path Anlysis Model Regresi Berganda Kesimpulan dari hasil analisis persoalan di atas ialah: a. Pengaruh variabel kualitas produk terhadap kepuasan pelanggan sebesar 0,457 atau 45,7% b. Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan sebesar 0,038 atau 3,8% c. Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan sebesar 0,345 atau 34,5% d. Pengaruh variabel kualitas produk, kualitas layanan, dan penanganan keluhan secara gabungan terhadap kepuasan pelanggan sebesar 0,597 atau sebesar 59,7 % e. Pengaruh variabel - variabel lain diluar model ini sebesar 0,403 atau 40,3% f. Korelasi antara variabel kualitas produk dan kualitas layanan sebesar 0,600 g. Korelasi antara variabel kualitas produk dan penanganan keluhan sebesar 0,724 h. Korelasi antara variabel kualitas layanan dan penanganan keluhan sebesar 0,684 9.5 Validitas Hasil Riset 9.5.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 47,365 49 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:  Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima;  Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 47,365 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 50 9.5.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:  Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar  Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 1,685 < standard deviasi 3,135 (variabel kualitas produk), 2,903 (variabel kualitas layanan) dan 2,954 (variabel penanganan keluhan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 9.5.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah untuk:  Variabel kualitas produk sebesar 0,000  Variabel kualitas layanan sebesar 0,675  Variabel penanganan keluhan sebesar 0,001 51 Kesimpulannya hanya dua variabel yang mempunyai koefesien regresi yang signifkan, yaitu variabel – variabel yang nilai sig-nya dibawah 0,05. Variabel – variabel tersebut ialah kualitas produk dengan nilai signifikansi sebesar 0,000 dan variabel penanganan keluhan dengan nilai signifikansi sebesar 0,001. Sedang untuk variabel kualitas layanan dengan nilai signifikansi sebesar 0,675 koefesien regresi tidak signifikan karena nilai sig sebesar 0,675 > 0,05. 9.5.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,911. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 9.5.5 Menguji Multikolinieritas Terjadi multikolinilieritas pada variabel-variabel independen (exogenous) jika korelasi antar variabel independen / bebas sangat tinggi, atau mendekati 1. Dari hasil pengitungan di atas korelasi antar variabel bebas tidak ada yang sangat tinggi, yaitu:  Korelasi antara variabel kualitas produk dan kualitas layanan sebesar 0,600  Korelasi antara variabel kualitas produk dan penanganan keluhan sebesar 0,724  Korelasi antara variabel kualitas layanan dan penanganan keluhan sebesar 0,684 Dengan demikian tidak terjadi multikolinieritas antar variabel independen yang digunakan dalam model regresi ini. 52 9.5.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 9.5.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 53 BAB 10 APLIKASI MODEL MEDIASI MELALUI VARIABEL PERANTARA 10.1 Pendahuluan Pada analisis jalur model mediasi ini kita akan menggunakan tiga variabel independen yang berfungsi sebagai variabel exogenous dan dua variabel dependen yang berfungsi sebagai variabel endogenous. Sebagai variabel exogenous ialah variabel kualitas produk, kualitas layanan dan penanganan keluhan, sedang sebagai variabel endogenous pertama yang berfungsi sebagai variabel perantara ialah kepuasan pelanggan dan variabel endogenous kedua ialah loyalitas pelanggan. Hubungan antar variabel tersebut jika digambarkan ke dalam model diagram jalur menjadi seperti di bawah ini: Gambar 10.1 Model Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Loyalitas Pelanggan Secara Langsung dan Secara Tidak Langsung Melalui Variabel Kepuasan Pelanggan Didasarkan Teori 10.2 Hipotesis dan Masalah Hipotesis pertama untuk kasus ini ialah: H0: Variabel variabel kualitas produk, kualitas layanan dan penanganan keluhan tidak berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan maupun parsial H1: Variabel variabel kualitas produk, kualitas layanan dan penanganan keluhan berpengaruh terhadap tingkat kepuasan pelanggan baik secara gabungan maupun parsial Hipotesis kedua untuk kasus ini ialah: H0: Variabel variabel kualitas produk, kualitas layanan dan penanganan keluhan melalui variabel kepuasan pelanggan tidak berpengaruh terhadap loyalitas pelanggan baik secara gabungan maupun parsial H1: Variabel variabel kualitas produk, kualitas layanan dan penanganan keluhan melalui variabel kepuasan pelanggan berpengaruh terhadap loyalitas pelanggan baik secara gabungan maupun parsial 54 Masalah untuk kasus ini ialah :  Berapa besar pengaruh variabel kualitas produk, kualitas layanan dan penanganan keluhan terhadap kepuasan pelanggan secara parsial?  Berapa besar pengaruh variabel kualitas produk, kualitas layanan dan penanganan keluhan terhadap kepuasan pelanggan secara gabungan?  Berapa besar pengaruh variabel kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara parsial?  Berapa besar pengaruh variabel kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan?  Berapa besar pengaruh variabel kualitas produk, kualitas layanan, penanganan keluhan melalui kepuasan pelanggan terhadap loyalitas pelanggan 10.3 Data Riset Data untuk kasus diatas seperti di bawah ini : 55 10.4 Tahapan dalam Menyelesaikan Kasus Untuk menyelesaikan kasus tersebut tahapannya adalah seperti di bawah ini : Pertama: Membuat model diagram jalur didasarkan hubungan antar variabel yang sedang kita teliti: Gambar 10.2 Model Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Loyalitas Pelanggan Secara Langsung dan Secara Tidak Langsung Melalui Variabel Kepuasan Pelanggan Kedua: Membuat diagram jalur dari model di atas Gambar 10.3 Diagram Jalur Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Loyalitas Pelanggan Secara Langsung dan Secara Tidak Langsung Melalui Variabel Kepuasan Pelanggan Dimana: X1 sebagai variabel independen exogenous kualitas produk X2 sebagai variabel independen exogenous kualitas layanan X3 sebagai variabel independen exogenous penanganan keluhan Y1 sebagai variabel dependen endogenous perantara kepuasan pelanggan Y2 sebagai variabel dependen endogenous loyalitas pelanggan 56 Ketiga: Membuat persamaan struktural Diagram jalur di atas mempunyai dua persamaan struktural. Persamaan strukturalnya dapat dilihat seperti dibawah ini :  Y1 = PY1X1+PY 1 X 2 +PY 1 X 3 + e1 (Sebagai persamaan sub struktur1)  Y2 = PY 2 X 1 +PY 2 Y 1 +PY 2 X 3 + e 2 (Sebagai persamaan sub struktur 2) Keempat: Membuat desain variabel, memasukkan data dan menganlisanya dalam IBM SPSS Desain variabel dapat dibuat dengan cara memilih sub menu bagian bawah kiri pada perintah: Variabel View. Setelah perintah tersebut kita Klik, maka muncul tabel yang akan kita isi dengan desain variabelnya seperti di bawah ini: Gambar 10.4 Tampilan Variable View di Data Editor Tampilan tersebut kemudian kita isi dengan data seperti di bawah ini: Kelima: Memasukkan data dengan cara meng-klik pada perintah: Data View. Maka tampilan akan terlihat sebagai berikut: Gambar 10.5 Tampilan Data View di Data Editor 57 Tampilan tersebut kemudian kita isi dengan data berjumlah 100 dengan cara seperti di bawah ini: Keenam: Melakukan Penghitungan untuk Sub – Struktur 1:Analisis dengan menggunakan IBM SPSS untuk sub-struktur I, caranya lakukan dengan langkah-langkah seperti di bawah ini:  Klik Analyse > Linear  Pindahkan variabel kepuasan ke kolom Dependent  Pindahkan variabel kualitas produk, kualitas layanan dan penanganan keluhan ke kolom Independent  Isi kolom Method dengan perintah Enter  Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue  Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue  Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue  Klik Ok untuk diproses Hasil penghitungan (output) untuk sub-struktur 1adalah: Keluaran Bagian Regresi 58 59 Keluaran Bagian Korelasi Ketujuh: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Bagian Pertama: Analisis Regresi Linier Berganda Pada bagian ini berikut ini penafsiran dibagi menjadi dua: pertama, melihat pengaruh secara gabungan ketiga variabel exogenous terhadap satu variabel endogenous, dan kedua melihat pengaruh secara parsial untuk masing – masing variabel exogenous terhadap satu variabel endogenous. Melihat Pengaruh Variabel Independen Exogenous Kualitas Produk ,Kualitas Layanan, dan Penanganan Keluhan Secara Gabungan Terhadap Tingkat Kepuasan Pelanggan Pengaruh variabel independen exogenous kualitas produk ,kualitas layanan, dan penanganan keluhan secara gabungan terhadap tingkat kepuasan pelanggan dapat dilihat pada keluaran di tabel Model Summary, pada nilai R square seperti tertera pada tabel di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,597. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara gabungan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,597 x 100% KD = 59,7% Angka 59,7% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat 60 kepuasan pelanggan secara gabungan. menggunakan rumus sebagai berikut: e = 1 - R2 Sedangkan sisanya dapat dihitung dengan e = 1 – 0,597 e = 0,403 atau jika kita ingin buat dalam persen menjadi e = 0,403 x 100% e = 40,3% Angka 40,3% di atas mempunyai makna besarnya faktor lain dalam model diluar ketiga variabel independen exogenous di atas. Dengan kata lain variabelitas tingkat kepuasan pelanggan yang dapat diterangkan dengan menggunakan variabel variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan adalah sebesar 59,7%; sedang pengaruh sebesar 40,3% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Independen Exogenous Kualitas Produk ,Kualitas Layanan, dan Penanganan Keluhan Secara Parsial Terhadap Tingkat Kepuasan Pelanggan Besarnya pengaruh pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara sendiri-sendiri / parsial dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan terhadap tingkat kepuasan pelanggan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Kualitas Produk dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas produk, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 61 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 4,758 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 4,758 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous tingkat kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas produk mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous kualitas produk terhadap variabel endogenous tingkat kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,457 atau jika dibuat persen menjadi sebesar 45,7%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas layanan, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 62 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 0,421 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,421< t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous tingkat kepuasan pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan tidak mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,038 atau jika dibuat persen menjadi sebesar 3,8% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,675 > 0,05. Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Tingkat Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous penanganan keluhan, dengan variabel endogenous tingkat kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: 63 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan ialah sebesar 3,273 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 3,273 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous tingkat kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous tingkat kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,345 atau jika dibuat persen menjadi sebesar 34,5%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,001 < 0,05. 64 Catatan: Perlu diketahui oleh pembaca, apabila angka t hitung dari hasil penghitungan diketemukan – (negatif), maka pengujian hipotesis harus menggunakan kurva dua sisi. Sisi kanan untuk nilai t + / positif dan sisi kiri untuk nilai t -/ negatif. Hasil positif atau negatif hanya menunjukkan arah pengujian hipotesis dan linearitas bukan menunjukkan jumlah. Pengujian dengan kurva yang akan menghasilkan keputusan yang sama seperti terlihat di bawah ini: Kita ambil contoh seandainya nilai t negatif sebesar – 3,273; maka pengujiannya menjadi seperti di bawah ini: Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -3,273 kita tempatkan disebelah kiri dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 ditolak; maka H1 diterima. Sehingga keputusannya sama, yaitu ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Nilai negatif mempunyai makna hasilnya bertolak belakang, sebagai contoh jika nilai X tinggi, maka nilai Y menjadi rendah dan berlaku sebaliknya jika nilai X rendah, maka nilai Y tinggi. Apa yang terjadi jika nilai t hitung diketemukan negatif dan lebih kecil dari nilai t tabel sebesar 1,980, misalnya – 0,421; maka pengujian hipotesisnya menjadi seperti di bawah ini: 65 Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -0,421 kita tempatkan disebelah kanan dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 diterima; maka H1 ditolak. Sehingga keputusannya menjadi tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Melihat Korelasi Antar Variabel Independen Exogenous Kualitas Produk , Kualitas Layanan, dan Penanganan Keluhan Besarnya korelasi antar variabel independen exogenous kualitas produk ,kualitas layanan, dan penanganan keluhan dapat dilihat pada tabel di bawah ini: Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Kualitas Layanan Untuk mengiterpretasi nilai koefesien korelasi digunakan kriteria (Sarwono:2006): o o o o o o 0 : Tidak ada korelasi antara dua variabel >0 – 0,25: Korelasi sangat lemah >0,25 – 0,5: Korelasi cukup >0,5 – 0,75: Korelasi kuat >0,75 – 0,99: Korelasi sangat kuat 1: Korelasi sempurna 66 Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan kualitas layanan sebesar 0,600. Korelasi sebesar 0,600 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kualitas layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel kualitas layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan penangnan keluhan sebesar 0,724. Korelasi sebesar 0,724 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan penanganan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan penangnan keluhan sebesar 0,684. Korelasi sebesar 0,684 bermakna hubungan antara variabel variabel independen exogenous kualitas layanan dan penangnan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Catatan: Jika dalam keluaran korelasi SPSS memberikan tanda dua bintang (**) di bawah tabel output; maka digunakan kriteria angka signifikansi sebesar 0,01; sedang jika ada tanda satu bintang (*) saja atau tanpa tanda apapum maka digunakan kriteria angka signifikansi sebesar 0,05. Default (bawaan) SPSS antara 0,01 sampai dengan 0,05. 67 10.5 Validitas Hasil Riset untuk Sub – Struktur I 10.5.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 47,365 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:  Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima;  Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak 68 Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 47,365 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, dan penanganan keluhan dengan tingkat kepuasan pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 10.5.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:  Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar  Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah 69 Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 1,685 < standard deviasi 3,135 (variabel kualitas produk), 2,903 (variabel kualitas layanan) dan 2,954 (variabel penanganan keluhan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 10.5.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah untuk:  Variabel kualitas produk sebesar 0,000  Variabel kualitas layanan sebesar 0,675  Variabel penanganan keluhan sebesar 0,001 Kesimpulannya hanya dua variabel yang mempunyai koefesien regresi yang signifkan, yaitu variabel – variabel yang nilai sig-nya dibawah 0,05. Variabel – variabel tersebut ialah kualitas produk dengan nilai signifikansi sebesar 0,000 dan variabel penanganan keluhan dengan nilai signifikansi sebesar 0,001. Sedang untuk variabel kualitas layanan dengan nilai signifikansi sebesar 0,675 koefesien regresi tidak signifikan karena nilai sig sebesar 0,675 > 0,05. 10.5.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. 70 Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,911. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 10.5.5 Menguji Multikolinieritas Terjadi multikolinilieritas pada variabel-variabel independen (exogenous) jika korelasi antar variabel independen / bebas sangat tinggi, atau mendekati 1. Dari hasil pengitungan di atas korelasi antar variabel bebas tidak ada yang sangat tinggi, yaitu:  Korelasi antara variabel kualitas produk dan kualitas layanan sebesar 0,600  Korelasi antara variabel kualitas produk dan penanganan keluhan sebesar 0,724  Korelasi antara variabel kualitas layanan dan penanganan keluhan sebesar 0,684 Dengan demikian tidak terjadi multikolinieritas antar variabel independen yang digunakan dalam model regresi ini. 71 10.5.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 10.5.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 10.6 Penghitungan untuk Sub Struktur II Analisis dengan menggunakan IBM SPSS untuk sub-struktur II, caranya lakukan dengan langkah-langkah seperti di bawah ini: 72 Pertama: Menghitung dengan IBM SPSS  Klik Analyse > Linear  Pindahkan variabel loyalitas ke kolom Dependent  Pindahkan variabel kualitas produk, kualitas layanan, penanganan keluhan dan variabel kepuasan pelanggan ke kolom Independent  Isi kolom Method dengan perintah Enter  Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue  Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue  Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue  Klik Ok untuk diproses Hasil penghitungan (output) untuk sub-struktur II adalah: Bagian Regresi 73 74 Bagian Korelasi Kedua: Melakukan Interpretasi Hasil Penghitungan untuk Sub – Struktur II Bagian Pertama: Analisis regresi Analisis akan dibagi menjadi dua, yaitu: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial Melihat Pengaruh Variabel Exogenous Independen Kualitas Produk, Kualitas Layanan, Penanganan Keluhan dan Kepuasan Pelanggan Secara Gabungan Terhadap Variabel Endogenous Loyalitas Untuk melihat pengaruh variabel exogenous independen kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan terhadap variabel endogenous loyalitas pelanggan secara gabunngan kita akan melihat hasil penghitungan pada tabel Model Summary, khususnya angka R square di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,896. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: 75 KD = R2 x 100% KD = 0,896 x 100% KD = 89,6% Angka 89,6% ini mempunyai makna sebagai besarnya pengaruh variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,896 e = 0,104 atau jika kita ingin buat dalam persen menjadi e = 10,4 x 100% e = 10,4% Angka 10,4% di atas mempunyai makna besarnya faktor lain dalam model diluar keempat variabel independen exogenous di atas. Dengan kata lain variabelitas loyalitas pelanggan yang dapat diterangkan dengan menggunakan variabel variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan kepuasan pelanggan adalah sebesar 89,6%; sedang pengaruh sebesar 10,4% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Independen Exogenous Kualitas Produk, Kualitas Layanan, Penanganan Keluhan dan Kepuasan Pelanggan Secara Parsial Terhadap Loyalitas Pelanggan Besarnya pengaruh pengaruh variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara sendiri-sendiri / parsial dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Kualitas Produk dengan Variabel Endogenous Loyalitas Pelanggan 76 Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas produk, dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous loyalitas pelanggan ialah sebesar 1,531 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 1,531 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous kualitas produk dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas produk tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,083 atau jika dibuat persen menjadi sebesar 8,3% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,129 > 0,05. Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas layanan, dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: 77 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 1,787 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 1,787 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,083 atau jika dibuat persen menjadi sebesar 8,3% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,077 > 0,05. Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous penanganan keluhan, dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: 78 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan ialah sebesar 1,757. Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 1,757 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,099 atau jika dibuat persen menjadi sebesar 9,9% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,077 > 0,082. Hubungan antara Variabel Exogenous Kepuasan Pelanggan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: 79 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan ialah sebesar 14,578 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 14,578 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kepuasan pelanggan mempengaruhi variabel endogenous loyalitas pelanggan. Besarnya pengaruh variabel independen exogenous kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,758 atau jika dibuat persen menjadi sebesar 75,8%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. Catatan: Perlu diketahui oleh pembaca, apabila angka t hitung dari hasil penghitungan diketemukan – (negatif), maka pengujian hipotesis harus menggunakan kurva dua sisi. Sisi kanan untuk nilai t + / positif dan sisi kiri untuk nilai t -/ negatif. Hasil positif atau negatif hanya menunjukkan arah pengujian hipotesis dan linearitas bukan menunjukkan jumlah. Pengujian dengan kurva yang akan menghasilkan keputusan yang sama seperti terlihat di bawah ini: 80 Kita ambil contoh seandainya nilai t negatif sebesar – 3,273; maka pengujiannya menjadi seperti di bawah ini: Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -3,273 kita tempatkan disebelah kiri dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 ditolak; maka H1 diterima. Sehingga keputusannya sama, yaitu ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Nilai negatif mempunyai makna hasilnya bertolak belakang, sebagai contoh jika nilai X tinggi, maka nilai Y menjadi rendah dan berlaku sebaliknya jika nilai X rendah, maka nilai Y tinggi. Apa yang terjadi jika nilai t hitung diketemukan negatif dan lebih kecil dari nilai t tabel sebesar 1,980, misalnya – 0,421; maka pengujian hipotesisnya menjadi seperti di bawah ini: 81 Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -0,421 kita tempatkan disebelah kanan dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 diterima; maka H1 ditolak. Sehingga keputusannya menjadi tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Melihat Korelasi Antar Variabel Independen Exogenous Kualitas Produk , Kualitas Layanan, Penanganan Keluhan dan Kepuasan Pelanggan Besarnya korelasi antar variabel independen exogenous kualitas produk ,kualitas layanan, penanganan keluhan dan kepuasan pelanggan dapat dilihat pada tabel di bawah ini: Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Kualitas Layanan Untuk mengiterpretasi nilai koefesien korelasi digunakan kriteria (Sarwono:2006): o 0 : Tidak ada korelasi antara dua variabel o >0 – 0,25: Korelasi sangat lemah o >0,25 – 0,5: Korelasi cukup o >0,5 – 0,75: Korelasi kuat o >0,75 – 0,99: Korelasi sangat kuat o 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan kualitas layanan sebesar 0,600. Korelasi sebesar 0,600 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kualitas layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel kualitas layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. 82 Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan penangnan keluhan sebesar 0,724. Korelasi sebesar 0,724 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan penanganan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Penanganan Keluhan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan penanganan keluhan sebesar 0,684. Korelasi sebesar 0,684 bermakna hubungan antara variabel variabel independen exogenous kualitas layanan dan penangnan keluhan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel penanganan keluhan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Produk dan Kepuasan Pelanggan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas produk dan kepuasan pelanggan sebesar 0,730. Korelasi sebesar 0,730 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kepuasan pelanggan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel kepuasan pelanggan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Kepuasan Pelanggan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan kepuasan pelanggan sebesar 0,548. Korelasi sebesar 0,548 bermakna hubungan antara variabel variabel independen exogenous kualitas layanan dan kepuasan pelanggan cukup kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel kepuasan pelanggan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. 83 Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Kepuasan Pelanggan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan kepuasan pelanggan sebesar 0,702. Korelasi sebesar 0,702 bermakna hubungan antara variabel variabel independen exogenous penanganan keluhan dan kepuasan pelanggan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel kepuasan pelanggan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Catatan: Jika dalam keluaran korelasi SPSS memberikan tanda dua bintang (**) di bawah tabel output; maka digunakan kriteria angka signifikansi sebesar 0,01; sedang jika ada tanda satu bintang (*) saja atau tanpa tanda apapum maka digunakan kriteria angka signifikansi sebesar 0,05. Default (bawaan) SPSS antara 0,01 sampai dengan 0,05. Menghitung Pengaruh Langsung (Direct Effect atau DE) Untuk menghitung pengaruh langsung atau DE caranya sebagai berikut: o Pengaruh variabel kualitas produk terhadap kepuasan pelanggan X1 ke Y1 = 0,457 o Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan X2 ke Y1 = 0,038 o Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan X3 ke Y1 = 0,345 o Pengaruh variabel kualitas produk terhadap loyalitas pelanggan X1 ke Y2 = 0,083 o Pengaruh variabel layanan terhadap loyalitas X3 ke Y2 = 0,083 (tidak terlihat dalam diagram jalur) o Pengaruh variabel penanganan keluhan terhadap loyalitas X3 ke Y2 = 0,099 o Pengaruh variabel kepuasan pelanggan terhadap loyalitas Y1 ke Y2 = 0,758 Menghitung Pengaruh Tidak Langsung (Indirect Effect atau IE) Untuk menghitung pengaruh tidak langsung atau IE caranya sebagai berikut:  Pengaruh variabel kualitas produk terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X1 x PY2Y1 = (0,457 x 0,758) = 0,346  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X2 x PY2Y1 = (0,038 x 0,758) = 0,028  Pengaruh variabel penangan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X3 x PY2Y1 = (0,345 x 0,758) = 0,261 84 Menghitung Pengaruh Total (Total Effect) Untuk menghitung pengaruh total atau IE caranya sebagai berikut:  Pengaruh variabel kualitas produk terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X1 + (PY1X1 x PY2Y1 ) = 0,457 + (0,457 x 0,758) = 0,803  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X2 + (PY1X2 x PY2Y1) = 0,038 + (0,038 x 0,758) = 0,067  Pengaruh variabel penangan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X3 + ( PY1X3 x PY2Y1 ) = 0,345 + (0,345 + 0,758) = 0,606 Membuat Diagram Jalur untuk Model Analisis Jalur Mediasi Penghitungan untuk semua jalur pengaruh sudah selesai; oleh karena itu sekarang kita akan membuat diagram jalur untuk model path anlysis seperti di bawah ini: Gambar 10.4 Diagram Jalur Hasil Analisis Pengaruh Variabel Kualitas Produk, Kualitas Layanan dan Penanganan Keluhan terhadap Loyalitas Pelanggan Secara Langsung dan Secara Tidak Langsung Melalui Variabel Kepuasan Pelanggan Diagram jalur di atas mempunyai persamaan struktural sebagai berikut: Sub struktur 1: Y1 = 0,457 X 1 +0,038X 2 +0,345X 3 + e 1 Sub struktur 2: Y2 = 0,083 X 1 +0,758 Y 1 +0,094 X 3 + e 85 2 Membuat Kesimpulan untuk Hasil Analisis Sub – Struktur I dan II Didasarkan pada hasil analisis perhitungan di atas, kita dapat mengambil kesimpulan sebagai berikut:  Pengaruh variabel kualitas produk terhadap loyalitas pelanggan secara langsung sebesar 0,083  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan secara langsung sebesar 0,083.  Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan secara langsung sebesar 0,094  Pengaruh variabel kepuasan pelanggan terhadap loyalitas pelanggan secara langsung sebesar 0,758.  Pengaruh variabel kualitas produk, kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan sebesar 0,896.  Pengaruh variabel variabel lain diluar model ini terhadap loyalitas pelanggan sebesar 0,104.  Pengaruh variabel kualitas produk terhadap kepuasan pelanggan sebesar 0,457 .  Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan sebesar 0,038.  Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan sebesar 0.345.  Pengaruh variabel kualitas produk, kualitas layanan, dan penanganan pelanggan secara gabungan terhadap kepuasan pelanggan sebesar 0,597.  Pengaruh variabel lain diluar model terhadap kepuasan sebesar 0,403. 10.7 Validitas Hasil Riset Untuk Sub Struktur II 10.7.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. 86 Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 205,613 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:  Tentukan besar nilai taraf signifikansi sebesar 0,05 dan  Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:  Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima;  Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 205,613 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) 87 Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 10.7.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:  Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar  Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 0,838 < standard deviasi 3,135 (variabel kualitas produk), 2,903 (variabel kualitas layanan), 2,954 (variabel penanganan keluhan) dan 2,613 (variabel kepuasan pelanggan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 88 10.7.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah untuk:  Variabel kualitas produk sebesar 0,129  Variabel kualitas layanan sebesar 0,077  Variabel penanganan keluhan sebesar 0,082  Variabel kepuasan pelanggan sebesar 0,000 Kesimpulannya hanya satu variabel yang mempunyai koefesien regresi yang signifkan, yaitu variabel yang nilai sig-nya dibawah 0,05. Variabel tersebut ialah kepuasan pelanggan dengan nilai signifikansi sebesar 0,000. Sedang untuk variabel lain koefesien regresi tidak signifikan karena di atas 0,05. Sekaliun demikian dua variabel yaitu kualitas layanan (sig=0,077) dan penanganan keluhan (sig=0,082) mempunyai nilai signifikansi yang mendekati 0,05. 10.7.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,499. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 10.7.5 Menguji Multikolinieritas Terjadi multikolinilieritas pada variabel-variabel independen (exogenous) jika korelasi antar variabel independen / bebas sangat tinggi, atau mendekati 1. 89 Dari hasil pengitungan di atas korelasi antar variabel bebas tidak ada yang sangat tinggi, yaitu:  Korelasi antara variabel kualitas produk dan kualitas layanan sebesar 0,600  Korelasi antara variabel kualitas produk dan penanganan keluhan sebesar 0,724  Korelasi antara variabel kualitas layanan dan penanganan keluhan sebesar 0,684  Korelasi antara variabel kualitas produk dan kepuasan pelanggan sebesar 0,730  Korelasi antara variabel kualitas layanan dan kepuasan pelanggan sebesar 0,548  Korelasi antara variabel penanganan keluhan dan kepuasan pelanggan sebesar 0,702 Dengan demikian tidak terjadi multikolinieritas antar variabel independen yang digunakan dalam model regresi ini. 10.7.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 90 10.7.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 91 BAB 11 APLIKASI MODEL KOMBINASI DARI MODEL REGRESI BERGANDA DAN MODEL MEDIASI 11.1 Contoh Kasus untuk Analisis Jalur Model Kombinasi dari Model Regresi Berganda dan Model Mediasi Mediasi Untuk contoh kasus Analisis Jalur model kombinasi dari model regresi berganda dan model mediasi mediasi ini kita akan menggunakan dua variabel independen yang berfungsi sebagai variabel exogenous dan dua variabel dependen yang berfungsi sebagai variabel endogenous. Sebagai variabel exogenous ialah variabel penanganan keluhan dan kualitas layanan, sedang sebagai variabel endogenous pertama yang berfungsi sebagai variabel perantara ialah kepuasan pelanggan dan variabel endogenous kedua ialah loyalitas pelanggan. Letak perbedaan dengan model sebelumnya ialah tidak terdapat hubungan asosiasi antara variabel exogenous pertama (penanganan keluhan) dengan variabel exogenous kedua (kualitas layanan); melainkan hubungan sebab akibat, yaitu variabel penanganan keluhan memberikan pengaruh kepada variabel kualitas layanan. Dengan demikian variabel kualitas layanan berfungsi sebagai variabel endogenous dalam konteks ini. Perbedaan ini akan menjadi jelas jika kita lihat pada model diagram jalur menjadi seperti di bawah ini: Gambar 11.1 Model Diagram Jalur Gabungan Antara Model Regresi Berganda dan Mediasi Antar Variabel-Variabel Penanganan Keluhan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan Secara Teori Model tersebut dapat diurai menjadi 3 bagian, sebagai berikut:    11.2 Pertama: Variabel penanganan keluhan mempengaruhi secara langsung terhadap kualitas layanan Kedua: Variabel penanganan keluhan dan kualitas layanan mempengaruhi baik secara gabungan maupun parsial terhadap kepuasan pelanggan Ketiga: Variabel penanganan keluhan, kualitas layanan dan kepuasan pelanggan mempengaruhi baik secara gabungan maupun parsial terhadap loyalitas pelanggan Hipotesis dan Masalah Hipotesis pertama untuk kasus ini ialah: H0: Variabel penanganan keluhan tidak berpengaruh terhadap kualitas layanan H1: Variabel penanganan keluhan berpengaruh terhadap kualitas layanan 92 Hipotesis kedua untuk kasus ini ialah: H0: Variabel variabel penanganan keluhan dan kualitas layanan tidak berpengaruh terhadap kepuasan pelanggan baik secara gabungan maupun parsial H1: Variabel variabel penanganan keluhan dan kualitas layanan berpengaruh terhadap kepuasan pelanggan baik secara gabungan maupun parsial Hipotesis ketiga untuk kasus ini ialah: H0: Variabel variabel penanganan keluhan dan kualitas layanan melalui variabel kepuasan pelanggan tidak berpengaruh terhadap loyalitas pelanggan baik secara gabungan maupun parsial H1: Variabel variabel penanganan keluhan dan kualitas layanan melalui variabel kepuasan pelanggan berpengaruh terhadap loyalitas pelanggan baik secara gabungan maupun parsial Masalah untuk kasus ini ialah :  Berapa besar penngaruh variabel penanganan keluhan terhadap kualitas layanan?  Berapa besar pengaruh variabel penanganan keluhan dan kualitas layanan terhadap kepuasan pelanggan secara parsial?  Berapa besar pengaruh variabel penanganan keluhan dan kualitas layanan terhadap kepuasan pelanggan secara gabungan?  Berapa besar pengaruh variabel penanganan keluhan, kualitas layanan dan kepuasan pelanggan terhadap loyalitas pelanggan secara parsial?  Berapa besar pengaruh variabel penanganan keluhan, kualitas layanan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan?  Berapa besar pengaruh variabel penanganan keluhan dan kualitas layanan melalui kepuasan pelanggan terhadap loyalitas pelanggan? 93 11.3 Data Riset Data riset seperti di bawah ini: 94 11.4 Tahapan dalam Menyelesaikan Kasus Untuk menyelesaikan kasus tersebut tahapannya adalah seperti di bawah ini : Pertama: Membuat model diagram jalur didasarkan hubungan antar variabel yang sedang kita teliti: Gambar 11.2 Model Diagram Jalur Gabungan Antara Model Regresi Berganda dan Mediasi Antar Variabel-Variabel Penanganan Keluhan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan Kedua: Membuat diagram jalur dari model di atas Gambar 11.3 Diagram Jalur Gabungan Antara Model Regresi Berganda dan Mediasi Antar Variabel-Variabel Penanganan Keluhan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan Dimana: X1 sebagai variabel independen exogenous penanganan keluhan X2 sebagai variabel dependen endogenous kualitas layanan Y1 sebagai variabel endogenous perantara kepuasan pelanggan Y2 sebagai variabel endogenous loyalitas pelanggan 95 Ketiga: Membuat persamaan struktural Diagram jalur di atas mempunyai dua persamaan struktural. Persamaan strukturalnya dapat dilihat seperti dibawah ini :  X2 = PX2X1+ e1  Y1 = PY1X1+PY 1 X 2 + e2  Y2 = PY 2 X 1 + PY 2 X2 + PY 2 Y 1 + e3 (Sebagai persamaan sub struktur 3) (Sebagai persamaan sub struktur 1) (Sebagai persamaan sub struktur 2) Keempat: Membuat desain variabel, memasukkan data dan menganlisanya dalam IBM SPSS Desain variabel dapat dibuat dengan cara memilih sub menu bagian bawah kiri pada perintah: Variabel View. Setelah perintah tersebut kita Klik, maka muncul tabel yang akan kita isi dengan desain variabelnya seperti di bawah ini: Gambar 11.4 Tampilan Variable View di Data Editor Tampilan tersebut kemudian kita isi dengan data seperti di bawah ini: Kelima: Memasukkan data dengan cara meng-klik pada perintah: Data View. Maka tampilan akan terlihat sebagai berikut: 96 Gambar 11.5 Tampilan Data View di Data Editor Tampilan tersebut kemudian kita isi dengan data berjumlah 100 dengan cara seperti di bawah ini: Keenam: Melakukan Penghitungan untuk Sub – Struktur: Analisis dengan menggunakan IBM SPSS untuk sub-struktur I, caranya lakukan dengan langkah-langkah seperti di bawah ini:         Klik Analyse > Linear Pindahkan variabel kualitas layanan ke kolom Dependent Pindahkan variabel penanganan keluhan ke kolom Independent Isi kolom Method dengan perintah Enter Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue Klik Ok untuk diproses Hasil penghitungan (output) untuk sub-struktur 1adalah: 97 Ketujuh: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Bagian Pertama: Analisis Regresi Linier Berganda Pada bagian ini berikut kita akan melihat pengaruh satu variabel exogenous penanganan keluhan terhadap satu variabel endogenous kualitas layanan. Melihat Pengaruh Variabel Independen Exogenous Penanganan Keluhan Variabel Dependen Endogenous Kualitas Layanan Terhadap Pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous kualitas layanan dapat dilihat pada keluaran di tabel Model Summary, pada nilai R square seperti tertera pada tabel di bawah ini: 98 Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,360. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel dependen endogenous kualitas layanan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,360 x 100% KD = 36% Angka 36% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous kualitas layanan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,360 e = 0,64 atau jika kita ingin buat dalam persen menjadi e = 0,64 x 100% e = 64,% Angka 64% di atas mempunyai makna besarnya faktor lain dalam model diluar satu variabel independen exogenous di atas. Dengan kata lain variabelitas variabel dependen endogenous kualitas layanan yang dapat diterangkan dengan menggunakan variabel penanganan keluhan adalah sebesar 36%; sedang pengaruh sebesar 64% disebabkan oleh variabel-variabel lain diluar riset ini. 11.5 Validitas Hasil Riset untuk Sub – Struktur I 11.5.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. 99 Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 55,202 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:  Tentukan besar nilai taraf signifikansi sebesar 0,05 dan  Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 55,202 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. 100 Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:   Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara linear variabel independen exogenous penanganan keluhan variabel endogenous kualitas layanan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 11.5.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah 101 Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 2,334 < standard deviasi 2,903 (variabel penanganan keluhan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 11.5.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Bagian ini tidak dibahas karena tidak ada pengaruh parsial. 11.5.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,846. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 11.5.5 Menguji Multikolinieritas Pada bagian ini kita tidak menguji multikolinieritas karena tidak ada korelasi antara variabel independen. 11.5.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 102 11.5.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar 11.6 Penghitungan Sub-Struktur II Analisis dengan menggunakan IBM SPSS untuk sub-struktur II, caranya lakukan dengan langkah-langkah seperti di bawah ini: Pertama: Menghitung dengan IBM SPSS         Klik Analyse > Linear Pindahkan variabel kepuasan pelanggan ke kolom Dependent Pindahkan variabel penanganan keluhan dan kualitas layanan ke kolom Independent Isi kolom Method dengan perintah Enter Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue Klik Ok untuk diproses 103 Hasil penghitungan (output) untuk sub-struktur II adalah: 104 Kedua: Melakukan Interpretasi Hasil Penghitungan untuk Sub – Struktur II Bagian Pertama: Analisis regresi Analisis akan dibagi menjadi dua, yaitu: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial Melihat Pengaruh Variabel Exogenous Independen Penanganan Keluhan dan Kualitas Layanan Secara Gabungan Terhadap Variabel Endogenous Kepuasan Pelanggan Untuk melihat pengaruh variabel exogenous independen penanganan keluhan dan kualitas layanan secara gabungan terhadap variabel endogenous kepuasan pelanggan kita akan melihat hasil penghitungan pada tabel Model Summary, khususnya angka R square di bawah ini: 105 Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,621. Angka tersebut mempunyai makna besarnya pengaruh variabel exogenous independen penanganan keluhan dan kualitas layanan secara gabungan terhadap variabel endogenous kepuasan pelanggan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,621 x 100% KD = 62,1% Angka 62,1% ini mempunyai makna sebagai besarnya pengaruh variabel exogenous independen penanganan keluhan dan kualitas layanan secara gabungan terhadap variabel endogenous kepuasan pelanggan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,621 e = 0,379 atau jika kita ingin buat dalam persen menjadi e = 37,9 x 100% e = 37,9% Angka 37,9% di atas mempunyai makna besarnya faktor lain dalam model diluar kedua variabel independen exogenous di atas. Dengan kata lain variabelitas kepuasan pelanggan yang dapat diterangkan dengan menggunakan variabel variabel independen exogenous kualitas layanan dan penanganan keluhan adalah sebesar 62,1%; sedang pengaruh sebesar 37,9% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Exogenous Independen Penanganan Keluhan dan Kualitas Layanan Secara Parsial Terhadap Variabel Endogenous Kepuasan Pelanggan Besarnya pengaruh variabel independen exogenous penanganan keluhan dan kualitas layanan secara parsial terhadap variabel endogenous kepuasan pelanggan dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous penanganan keluhan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan secara sendiri-sendiri / parsial satu persatu. 106 Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan ialah sebesar 6,283 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 6,283 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,491 atau jika dibuat persen menjadi sebesar 49,1%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. 107 Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas layanan, dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 4,981 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 4,981 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan mempengaruhi variabel endogenous kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous kualitas layanan terhadap variabel endogenous kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,389 atau jika dibuat persen menjadi sebesar 38,9%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. 108 Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan Layanan dan Kualitas Nilai koefesisen korelasi antara variabel independen exogenous penanganan keluhan dan kualitas layanan dapat dilihat pada tabel di bawah ini: Untuk mengiterpretasi nilai koefesien korelasi digunakan kriteria (Sarwono:2006): o 0 : Tidak ada korelasi antara dua variabel o >0 – 0,25: Korelasi sangat lemah o >0,25 – 0,5: Korelasi cukup o >0,5 – 0,75: Korelasi kuat o >0,75 – 0,99: Korelasi sangat kuat o 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan kualitas layanan sebesar 0,600. Korelasi sebesar 0,600 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kualitas layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas produk nilainya tinggi maka variabel kualitas layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. 11.7 Validitas Hasil Riset Untuk Sub Struktur II 11.7.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. 109 Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 79,607 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 79,607 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. 110 Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas layanan dan penanganan keluhan dengan kepuasan pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 11.7.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah 111 Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 1,836 < standard deviasi 2,903 (variabel kualitas layanan) dan 3,135 (variabel penanganan keluhan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 11.7.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah untuk:   Variabel kualitas layanan sebesar 0,000 Variabel penanganan keluhan sebesar 0,000 Kesimpulannya kedua variabel yang mempunyai koefesien regresi yang signifkan, karena nilai sig-nya dibawah 0,05. 11.7.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,836. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 112 11.7.5 Menguji Multikolinieritas Tidak terjadi multikolinieritas karena korelasi antara kedua variabel exogenous kualitas layanan dan penanganan keluhan sebesar 0,600 jauh di bawah 1. 11.7.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 11.7.7 Menguji Normalitas Data 113 Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 11.8 Penghitungan Sub-Struktur III Analisis dengan menggunakan IBM SPSS untuk sub-struktur III, caranya lakukan dengan langkah-langkah seperti di bawah ini: Pertama: Menghitung dengan IBM SPSS         Klik Analyse > Linear Pindahkan variabel loyalitas ke kolom Dependent Pindahkan variabel penanganan keluhan, kualitas layanan, dan variabel kepuasan pelanggan ke kolom Independent Isi kolom Method dengan perintah Enter Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue Klik Ok untuk diproses Hasil penghitungan (output) untuk sub-struktur III adalah: 114 115 Kedua: Melakukan Interpretasi Hasil Penghitungan untuk Sub – Struktur III Bagian Pertama: Analisis regresi Analisis akan dibagi menjadi dua, yaitu: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial Melihat Pengaruh Variabel Exogenous Independen Kualitas Layanan, Penanganan Keluhan dan Kepuasan Pelanggan Secara Gabungan Terhadap Variabel Endogenous Loyalitas Untuk melihat pengaruh variabel exogenous independen kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan secara gabungan kita akan melihat hasil penghitungan pada tabel Model Summary, khususnya angka R square di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,597. Angka tersebut mempunyai makna besarnya pengaruh variabel exogenous independen kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan secara gabungan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: 116 KD = R2 x 100% KD = 0,597 x 100% KD = 59,7% Angka 59,7% ini mempunyai makna sebagai besarnya variabel exogenous independen kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan secara gabungan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,597 e = 0,403 atau jika kita ingin buat dalam persen menjadi e = 40,3 x 100% e = 40,3% Angka 40,3% di atas mempunyai makna besarnya faktor lain dalam model diluar ketiga variabel independen exogenous di atas. Dengan kata lain variabelitas loyalitas pelanggan yang dapat diterangkan dengan menggunakan variabel variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan adalah sebesar 59,7%; sedang pengaruh sebesar 40,3% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Independen Exogenous Kualitas Layanan, Penanganan Keluhan dan Kepuasan Pelanggan Secara Parsial Terhadap Loyalitas Pelanggan Besarnya pengaruh pengaruh variabel independen exogenous kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara sendiri-sendiri / parsial dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous penanganan keluhan, kualitas layanan, dan kepuasan pelanggan terhadap loyalitas pelanggan secara sendiri-sendiri / parsial satu persatu. 117 Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan ialah sebesar 4,758 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 4,758 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous loyalitas pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous loyalitas pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,457 atau jika dibuat persen menjadi sebesar 45,7%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. 118 Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kualitas layanan, dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 0,421. Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,421 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,038 atau jika dibuat persen menjadi sebesar 3,8% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,675 > 0,05. 119 Hubungan antara Variabel Exogenous Kepuasan Pelanggan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan ialah sebesar 3,273 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 3,273 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kepuasan pelanggan mempengaruhi variabel endogenous loyalitas pelanggan. Besarnya pengaruh variabel independen exogenous kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,345 atau jika dibuat persen menjadi sebesar 34,5%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,001 < 0,05. 120 Catatan: Perlu diketahui oleh pembaca, apabila angka t hitung dari hasil penghitungan diketemukan – (negatif), maka pengujian hipotesis harus menggunakan kurva dua sisi. Sisi kanan untuk nilai t + / positif dan sisi kiri untuk nilai t -/ negatif. Hasil positif atau negatif hanya menunjukkan arah pengujian hipotesis dan linearitas bukan menunjukkan jumlah. Pengujian dengan kurva yang akan menghasilkan keputusan yang sama seperti terlihat di bawah ini: Kita ambil contoh seandainya nilai t negatif sebesar – 3,273; maka pengujiannya menjadi seperti di bawah ini: Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -3,273 kita tempatkan disebelah kiri dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 ditolak; maka H1 diterima. Sehingga keputusannya sama, yaitu ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan. Nilai negatif mempunyai makna hasilnya bertolak belakang, sebagai contoh jika nilai X tinggi, maka nilai Y menjadi rendah dan berlaku sebaliknya jika nilai X rendah, maka nilai Y tinggi. Apa yang terjadi jika nilai t hitung diketemukan negatif dan lebih kecil dari nilai t tabel sebesar 1,980, misalnya – 0,421; maka pengujian hipotesisnya menjadi seperti di bawah ini: 121 Pengujian berada disebelah kiri. Untuk nilai t tabel sebesar 1,980 otomatis kita tempatkan di kiri seperti pada gambar di atas. Kemudian nilai t hitung sebesar -0,421 kita tempatkan disebelah kanan dari nilai t tabel. Dengan demikian artinya nilai t hitung berada di daerah H0 diterima; maka H1 ditolak. Sehingga keputusannya menjadi tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan dengan variabel endogenous tingkat kepuasan pelanggan Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Kualitas Layanan Nilai koefesisen korelasi antara variabel independen exogenous penanganan keluhan dan kualitas layanan dapat dilihat pada tabel di bawah ini: Untuk mengiterpretasi nilai koefesien korelasi digunakan kriteria (Sarwono:2006): o 0 : Tidak ada korelasi antara dua variabel o >0 – 0,25: Korelasi sangat lemah o >0,25 – 0,5: Korelasi cukup o >0,5 – 0,75: Korelasi kuat o >0,75 – 0,99: Korelasi sangat kuat o 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan kualitas layanan sebesar 0,600. Korelasi sebesar 0,600 bermakna hubungan antara variabel variabel independen exogenous kualitas produk dan kualitas layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah 122 artinya jika variabel kualitas produk nilainya tinggi maka variabel kualitas layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Kepuasan Pelanggan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan kepuasan pelanggan sebesar 0,724. Korelasi sebesar 0,724 bermakna hubungan antara variabel variabel independen exogenous penanganan keluhan dan kepuasan pelanggan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel kepuasan pelanggan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Kepuasan Pelanggan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan kepuasan pelanggan sebesar 0,684. Korelasi sebesar 0,684 bermakna hubungan antara variabel variabel independen exogenous kualitas layanan dan kepuasan pelanggan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel kepuasan pelanggan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Catatan: Jika dalam keluaran korelasi SPSS memberikan tanda dua bintang (**) di bawah tabel output; maka digunakan kriteria angka signifikansi sebesar 0,01; sedang jika ada tanda satu bintang (*) saja atau tanpa tanda apapum maka digunakan kriteria angka signifikansi sebesar 0,05. Default (bawaan) SPSS antara 0,01 sampai dengan 0,05. Menghitung Pengaruh Langsung (Direct Effect atau DE) Untuk menghitung pengaruh langsung atau DE caranya sebagai berikut: o Pengaruh variabel penanganan keluhan terhadap kualitas layanan X1 ke X2 = 0,600 o Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan X1 ke Y1 = 0,491 123 o Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan X2 ke Y1 = 0,389 o Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan X1 ke Y2 = 0,457 o Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan X2 ke Y2 = 0,038 o Pengaruh variabel kepuasan pelanggan terhadap loyalitas pelanggan Y1 ke Y2 = 0,345 Menghitung Pengaruh Tidak Langsung (Indirect Effect atau IE) Untuk menghitung pengaruh tidak langsung atau IE caranya sebagai berikut:  Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X1 x PY2Y1 = (0,491 x 0,345) = 0,169  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X2 x PY2Y1 = (0,389 x 0,345) = 0,134 Menghitung Pengaruh Total (Total Effect) Untuk menghitung pengaruh total atau IE caranya sebagai berikut:  Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X1 + (PY1X1 x PY2Y1 ) = 0,491 + (0,491 x 0,345) = 0,660  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan PY1X2 + (PY1X2 x PY2Y1 ) = 0,389 + (0,389 x 0,345) = 0,523 Membuat Diagram Jalur untuk Model Analisis Jalur Mediasi Penghitungan untuk semua jalur pengaruh sudah selesai; oleh karena itu sekarang kita akan membuat diagram jalur untuk model path anlysis seperti di bawah ini: 124 Gambar 11.4 Diagram Jalur Hasil Analisis Pengaruh Kualitas Layanan dan Penanganan Keluhan terhadap Loyalitas Pelanggan Secara Langsung dan Secara Tidak Langsung Melalui Variabel Kepuasan Pelanggan Diagram jalur di atas mempunyai persamaan struktural sebagai berikut: Sub struktur 1: X2 = 0,60 X1 + e1 Sub struktur 2: Y1 = 0,491 X 1 +0,389X 2 + e2 Sub struktur 3: Y2 = 0,457 X 1 +0,038 X2+0,345 Y1+ e3 Membuat Kesimpulan untuk Hasil Analisis Sub – Struktur I, II dan III Didasarkan pada hasil analisis perhitungan di atas, kita dapat mengambil kesimpulan sebagai berikut:  Pengaruh variabel penanganan keluhan terhadap kualitas layanan secara langsung sebesar 0,600  Pengaruh variabel kualitas layanan terhadap loyalitas pelanggan secara langsung sebesar 0,038.  Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan secara langsung sebesar 0,457  Pengaruh variabel kepuasan pelanggan terhadap loyalitas pelanggan secara langsung sebesar 0,345.  Pengaruh variabel kualitas layanan, penanganan keluhan dan kepuasan pelanggan terhadap loyalitas pelanggan secara gabungan sebesar 0,597  Pengaruh variabel variabel lain diluar model ini terhadap loyalitas pelanggan sebesar 0,403.  Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan sebesar 0,389.  Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan sebesar 0.491.  Pengaruh variabel kualitas layanan dan penanganan pelanggan secara gabungan terhadap kepuasan pelanggan sebesar 0,621  Pengaruh variabel lain diluar model terhadap kepuasan sebesar 0,379. 125 11.9 Validitas Hasil Riset Untuk Sub Struktur III 11.9.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan dengan loyalitas pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan dengan loyalitas pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 47,365 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak 126 Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 47,365 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan dengan loyalitas pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan dengan loyalitas pelanggan. H1: Ada hubungan linear antara variabel independen exogenous kualitas layanan, penanganan keluhan, dan kepuasan pelanggan dengan loyalitas pelanggan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:   Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel independen exogenous kualitas produk, kualitas layanan, penanganan keluhan, dan tingkat kepuasan pelanggan dengan loyalitas pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 11.9.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah 127 Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebesar 1,685 < standard deviasi 3,135 (variabel penanganan keluhan), 2,903 (variabel kualitas layanan), 2,954 (variabel kepuasan pelanggan). Kesimpulannya ketiga variabel exogenous yang digunakan sebagai predictor sudah benar. 11.9.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah untuk:    Variabel kualitas layanan sebesar 0,675 Variabel penanganan keluhan sebesar 0,000 Variabel kepuasan pelanggan sebesar 0,001 Kesimpulannya dua variabel yang mempunyai koefesien regresi yang signifkan, yaitu variabel yang nilai sig-nya dibawah 0,05. Variabel tersebut ialah kepuasan pelanggan dengan nilai signifikansi sebesar 0,001 dan variabel penanganan keluhan sebesar 0,000. 128 11.9.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,685. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 11.9.5 Menguji Multikolinieritas Tidak terjadi multikolinieritas karena korelasi antar variabel exogenous tidak sangat tinggi, yaitu hanya kisaran antara 0,600 – 0,724 (lihat keluaran korelasi di bagian sub struktur 2 di atas) 11.9.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 129 11.9.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 130 BAB 12 APLIKASI MODEL KOMPLEKS 12.1 Contoh Kasus untuk Analisis Jalur Model Kompleks Untuk contoh kasus Analisis Jalur model kompleks ini kita akan menggunakan tiga variabel independen yang berfungsi sebagai variabel exogenous dan tiga variabel dependen yang berfungsi sebagai variabel endogenous. Sebagai variabel exogenous ialah variabel penanganan keluhan, fasilitas pendukung layanan dan proses layanan, sedang sebagai variabel endogenous pertama yang berfungsi sebagai variabel perantara ialah kualitas layanan; dan kedua, kepuasan pelanggan dan variabel endogenous ketiga ialah loyalitas pelanggan. Model diagram jalur didasarkan teori sebagai berikut: Gambar 12.1 Model Diagram Jalur Kompleks Antar Variabel-Variabel Penanganan Keluhan, Fasilitas Pendukung Layanan, Proses Layanan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan Secara Teori Model tersebut dapat diurai menjadi 3 bagian, sebagai berikut:    12.2 Pertama: Variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan mempengaruhi secara gabungan maupun parsial terhadap kualitas layanan Kedua: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, dan kualitas layanan mempengaruhi secara gabungan maupun parsial terhadap kepuasan pelanggan Ketiga: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, kualitas layanan dan kepuasan pelanggan mempengaruhi secara gabungan maupun parsial terhadap loyalitas pelanggan Hipotesis dan Masalah Hipotesis pertama untuk kasus ini ialah: H0: Variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan tidak mempengaruhi secara gabungan maupun parsial terhadap kualitas layanan H1: Variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan mempengaruhi secara gabungan maupun parsial terhadap kualitas layanan 131 Hipotesis kedua untuk kasus ini ialah: H0: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, dan kualitas layanan tidak mempengaruhi secara gabungan maupun parsial terhadap kepuasan pelanggan H1: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, dan kualitas layanan mempengaruhi secara gabungan maupun parsial terhadap kepuasan pelanggan Hipotesis ketiga untuk kasus ini ialah: H0: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, kualitas layanan dan kepuasan pelanggan tidak mempengaruhi secara gabungan maupun parsial terhadap loyalitas pelanggan H1: Variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, kualitas layanan dan kepuasan pelanggan mempengaruhi secara gabungan maupun parsial terhadap loyalitas pelanggan Masalah untuk kasus ini ialah :  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan terhadap kualitas layanan baik secara gabungan maupun parsial?  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kualitas layanan terhadap kepuasan pelanggan baik secara gabungan maupun parsial?  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, kualitas layanan dan kepuasan pelanggan terhadap loyalitas pelanggan baik secara gabungan maupun parsial?  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan melalui kualitas layanan terhadap kepuasan pelanggan?  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan melalui kualitas layanan terhadap loyalitas pelanggan?  Berapa besar pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kualitas layanan melalui kepuasan pelanggan terhadap loyalitas pelanggan? 132 12.3 Data Riset Data riset seperti di bawah ini: 133 12.4 Tahapan dalam Menyelesaikan Kasus Untuk menyelesaikan kasus tersebut tahapannya adalah seperti di bawah ini : Pertama: Membuat model diagram jalur didasarkan hubungan antar variabel yang sedang kita teliti: Gambar 12.2 Model Diagram Jalur Kompleks Antar Variabel-Variabel Penanganan Keluhan, Fasilitas Pendukung Layanan, Proses Layanan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan Kedua: Membuat diagram jalur dari model di atas Gambar 12.3 Diagram Jalur Kompleks Antar Variabel-Variabel Penanganan Keluhan, Fasilitas Pendukung Layanan, Proses Layanan, Kualitas Layanan, Kepuasan Pelanggan dan Loyalitas Pelanggan 134 Dimana: X1 sebagai variabel independen exogenous penanganan keluhan X2 sebagai variabel independen exogenous fasilitas pendukung layanan X2 sebagai variabel independen exogenous proses layanan Y1 sebagai variabel endogenous perantara kualitas layanan Y2 sebagai variabel endogenous perantara kepuasan pelanggan Y2 sebagai variabel endogenous loyalitas pelanggan Ketiga: Membuat persamaan struktural Diagram jalur di atas mempunyai dua persamaan struktural. Persamaan strukturalnya dapat dilihat seperti dibawah ini :  Y1 = PY1X1+PY 1 X 2 + PY 1 X3 + e1  Y2 = PY 2 X 1 + PY 2 X2 + PY 2 X3 + PY 2 Y 1 + e2 (Sebagai persamaan sub struktur 2)  Y3 = PY3X 1 + PY3X2 + PY3X3 + PY3Y2 + PY3Y 1 + e3 (Sebagai persamaan sub struktur 3) (Sebagai persamaan sub struktur 1) Keempat: Membuat desain variabel, memasukkan data dan menganlisanya dalam IBM SPSS Desain variabel dapat dibuat dengan cara memilih sub menu bagian bawah kiri pada perintah: Variabel View. Setelah perintah tersebut kita Klik, maka muncul tabel yang akan kita isi dengan desain variabelnya seperti di bawah ini: Gambar 12.4 Tampilan Variable View di Data Editor 135 Tampilan tersebut kemudian kita isi dengan data seperti di bawah ini: Kelima: Memasukkan data dengan cara meng-klik pada perintah: Data View. Maka tampilan akan terlihat sebagai berikut: Gambar 12.5 Tampilan Data View di Data Editor Tampilan tersebut kemudian kita isi dengan data berjumlah 100 dengan cara seperti di bawah ini: Melakukan Penghitungan untuk Sub – Struktur 1: Analisis dengan menggunakan IBM SPSS untuk sub-struktur I, caranya lakukan dengan langkahlangkah seperti di bawah ini:      Klik Analyse > Linear Pindahkan variabel kualitas layanan ke kolom Dependent Pindahkan variabel penanganan keluhan, fasilitas pendukung layanan, dan proses layanan ke kolom Independent Isi kolom Method dengan perintah Enter Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue 136    Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue Klik Ok untuk diproses Hasil penghitungan (output) adalah sbb : Keluaran untuk substruktur 1 Bagian Regresi 137 138 Bagian Korelasi Ketujuh: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Pada bagian ini analisis dibagi menjadi dua: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial. Untuk melihat pengaruh secara gabungan kita dapat menggunakan angka-angka pada tabel di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,362. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, dan fasilitas pendukung layanan terhadap variabel endogenous kualitas layanan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,362 x 100% KD = 36,2% 139 Angka 36,2% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, dan fasilitas pendukung layanan terhadap variabel endogenous kualitas layanan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,362 e = 0,638 atau jika kita ingin buat dalam persen menjadi e = 0,638 x 100% e = 63,8,% Angka 63,8% di atas mempunyai makna besarnya faktor lain dalam model diluar satu variabel independen exogenous di atas. Dengan kata lain variabelitas variabel dependen endogenous kualitas layanan yang dapat diterangkan dengan menggunakan variabel penanganan keluhan, proses layanan, dan fasilitas pendukung layanan adalah sebesar 36,2%; sedang pengaruh sebesar 63,8% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Exogenous Independen Penanganan Keluhan, Fasilitas Pendukung Layanan dan Proses Layanan Secara Parsial Terhadap Variabel Endogenous Kualitas Layanan Besarnya pengaruh variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan secara parsial terhadap variabel endogenous kualitas layanan dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh penanganan keluhan, fasilitas pendukung layanan dan proses layanan secara parsial terhadap variabel endogenous kualitas layanan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Kualitas Layanan Untuk melihat apakah ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kualitas layanan kita dapat melakukan langkah-langkah analisis sebagai berikut: 140 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kualitas layanan  H1: Ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kualitas layanan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan ialah sebesar 2,192 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 2,192 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,503 atau jika dibuat persen menjadi sebesar 50,3%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,031 < 0,05. Hubungan antara Variabel Exogenous Fasilitas Pendukung Layanan dengan Variabel Endogenous Kualitas Layanan Untuk melihat apakah ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan kita dapat melakukan langkah-langkah analisis sebagai berikut: 141 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan  H1: Ada hubungan linear antara variabel independen exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan ialah sebesar 0,356 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,356 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel independen exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous fasilitas pendukung layanan tidak mempengaruhi variabel endogenous kualitas layanan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,118 atau jika dibuat persen menjadi sebesar 11,8% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,772 > 0,05. Hubungan antara Variabel Exogenous Proses Layanan Kualitas Layanan dengan Variabel Endogenous Untuk melihat apakah ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kualitas layanan kita dapat melakukan langkah-langkah analisis sebagai berikut: 142 Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel independen exogenous proses layanan dengan variabel endogenous kualitas layanan  H1: Ada hubungan linear antara variabel independen exogenous proses layanan dengan variabel endogenous kualitas layanan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel independen exogenous fasilitas pendukung layanan dengan variabel endogenous kualitas layanan ialah sebesar -0,064 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Karena hasil dari nilai t diketemukan negatif, maka pengujian hipotesis dilakukan dengan menggunakan kurva. Kurva pengujian untuk menghasilkan keputusan seperti terlihat di bawah ini: 143 Cara membaca kurva tersebut ialah:  Karena nilai t hitung / hasil riset negatif, maka letak pengujian di sebelah kiri. Untuk nilai tabel selalu positif (lihat tabel di lampiran) dengan demikian nilai tabel akan menyesuaikan dengan hasil nilai t hitungnya.  Letakkan terlebih dahulu nilai t tabel sebesar 1,98 (menyesuaikan hasil t hitung yang negatif, maka t tabel menjadi -1,98) di sebelah area kiri nilai 0 untuk memisahkan daerah penerimaan (daerah dimana H0 diterima) dan daerah penolakan (daerah dimana H0 ditolak).  Kemudian letakkan nilai t hitung hasil riset sebesar – 0,064 disebelah kanan nilai t tabel / antara nilai 0 dan t tabel. Kurva akan menjadi seperti di bawah ini: Karena t hitung sebesar -0,064 jatuh di daerah penerimaan; maka H0 diterima dan H1 ditolak. Dengan demikian keputusannya ialah:  Tidak ada hubungan linear antara variabel independen exogenous proses layanan dengan variabel endogenous kualitas layanan Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous proses layanan tidak mempengaruhi variabel endogenous kualitas layanan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar -0,015 atau jika dibuat persen menjadi sebesar 1,5% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,949 > 0,05. Sedang nilai negatif menunjukkan hubungan antara kedua variabel tersebut tidak searah artinya jika proses layanan berbelit-belit; maka kualitas layanan akan dinilai rendah. Bagian Korelasi Bagian ini akan menganalisis korelasi antara variabel exogenous independen penanganan keluhan, proses layanan dan fasilitas pendukung layanan. Hasil penghitungan IMB SPSS untuk korelasi antar variabel tersebut tertera dibawah ini : 144 Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Fasilitas Pendukung Layanan Nilai koefesisen korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan dapat diinterpretasi didasarkan pada kriteria sebagai berikut (Sarwono:2006): o o o o o o 0 : Tidak ada korelasi antara dua variabel >0 – 0,25: Korelasi sangat lemah >0,25 – 0,5: Korelasi cukup >0,5 – 0,75: Korelasi kuat >0,75 – 0,99: Korelasi sangat kuat 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel penanganan keluhan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Proses Layanan dan Fasilitas Pendukung Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous proses layanan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel proses layanan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel proses layanan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. 145 Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Proses Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan proses layanan sebesar 0,854. Korelasi sebesar 0,854 bermakna hubungan antara variabel penanganan keluhan dan proses layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel proses layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Jika diamati nilai korelasi dalam sub – struktur ini sangat tinggi karena mendekati satu. Dengan demikian dapat disimpulkan terjadi multikolinieritas antara variabel independennya. Itulah sebabnya nilai koefesien regresi atau bobot beta dari variabel fasilitas pendukung layanan dan proses layanan ke kualitas layanan menjadi tidak signifikan. 12.5 Validitas Hasil Riset untuk Sub – Struktur I 12.5.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan. 146 Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 18,133 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 18,133 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan. H1: Ada hubungan linear antara variabel variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:   Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak 147 Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara linear variabel variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan dan proses layanan dengan variabel endogenous kualitas layanan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 12.5.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebagai berikut:  Variabel fasilitas pendukung layanan sebesar 2,559 > standard error of estimate 2,355  Variabel proses layanan sebesar 2,050 < standard error of estimate 2,355  Variabel penanganan keluhan sebesar 3,135 > standard error of estimate 2,355 Dengan demikian terdapat satu predictor yang tidak tepat, yaitu variabel independen proses layanan karena nilai standard error of estimate 2,355 > dari standard deviasinya sebesar 2,050 148 12.5.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah terdapat pada variabel penanganan keluhan sebesar 0,031 < 0,05. Kesimpulannya variabel ini mempunyai koefesien regresi yang signifkan, karena nilai sig-nya dibawah 0,05. Sedang untuk kedua variabel lainnya koefesien regresinya tidak signifikan karena nilai sig > 0,05 (0,722 dan 0,949) 12.5.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,863. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 149 12.5.5 Menguji Multikolinieritas Terjadi multikolinieritas karena korelasi antar variabel independen mendekati satu, yaitu dengan nilai koefesien korelasi sebesar 0,933 (Fasilitas Pendukun Layanan dan Proses Layanan), 0,933 (Fasilitas Pendukun Layanan dan Penanganan Keluhan) dan 0,854( Proses Layanan dan Penanganan Keluhan). 12.5.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 150 12.5.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 12.6 Penghitungan untuk Sub Struktur II Analisis dengan menggunakan IBM SPSS untuk sub-struktur II, caranya lakukan dengan langkah-langkah seperti di bawah ini: Pertama: Menghitung dengan IBM SPSS  Klik Analyse > Linear  Pindahkan variabel kepuasan pelanggan ke kolom Dependent  Pindahkan variabel kualitas layanan, penanganan keluhan, fasilitas pendukung layanan dan proses layanan ke kolom Independent  Isi kolom Method dengan perintah Enter  Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue  Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue  Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue  Klik Ok untuk diproses 151 Hasil penghitungan (output) untuk sub-struktur II adalah: Bagian Regresi 152 Bagian Korelasi Kedua: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Pada bagian ini analisis dibagi menjadi dua: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial. Untuk melihat pengaruh secara gabungan kita dapat menggunakan angka-angka pada tabel di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,625. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas 153 pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,625 x 100% KD = 62,5% Angka 62,5% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,625 e = 0,375 atau jika kita ingin buat dalam persen menjadi e = 0,375 x 100% e = 37,5,% Angka 37,5% di atas mempunyai makna besarnya faktor lain dalam model diluar satu variabel independen exogenous di atas. Dengan kata lain variabelitas variabel dependen endogenous kepuasan pelanggan yang dapat diterangkan dengan menggunakan variabel penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan adalah sebesar 62,5%; sedang pengaruh sebesar 37,5% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Exogenous Independen Penanganan Keluhan, Fasilitas Pendukung Layanan, Proses Layanan dan Kualitas Layanan Secara Parsial Terhadap Variabel Endogenous Kepuasan Pelanggan Besarnya pengaruh variabel independen exogenous penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kualitas layanan secara parsial terhadap variabel endogenous kepuasan pelanggan dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. 154 Pada bagian berikut ini kita akan membahas pengaruh penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kualitas layanan secara parsial terhadap variabel endogenous kepuasan pelanggan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Fasilitas Pendukung Layanan dengan Variabel Endogenous Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkahlangkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan ialah sebesar -0,447 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Kelima: Karena hasil dari nilai t diketemukan negatif, maka pengujian hipotesis dilakukan dengan menggunakan kurva. Kurva pengujian untuk menghasilkan keputusan seperti terlihat di bawah ini: 155 Cara membaca kurva tersebut ialah:  Karena nilai t hitung / hasil riset negatif, maka letak pengujian di sebelah kiri. Untuk nilai tabel selalu positif (lihat tabel di lampiran) dengan demikian nilai tabel akan menyesuaikan dengan hasil nilai t hitungnya.  Letakkan terlebih dahulu nilai t tabel sebesar 1,98 (menyesuaikan hasil t hitung yang negatif, maka t tabel menjadi -1,98) di sebelah area kiri nilai 0 untuk memisahkan daerah penerimaan (daerah dimana H0 diterima) dan daerah penolakan (daerah dimana H0 ditolak).  Kemudian letakkan nilai t hitung hasil riset sebesar – 0,447 disebelah kanan nilai t tabel / antara nilai 0 dan t tabel. Kurva akan menjadi seperti di bawah ini: Karena t hitung sebesar -0,447 jatuh di daerah penerimaan; maka H0 diterima dan H1 ditolak. Dengan demikian keputusannya ialah:  Tidak ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous fasilitas pendukung layanan tidak mempengaruhi variabel endogenous kepuasan pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar -0,114 atau jika dibuat persen menjadi sebesar 11,4% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,656 > 0,05. Sedang nilai negatif menunjukkan hubungan antara kedua variabel tersebut tidak searah artinya jika fasilitas pendukung layanan dinilai rendah; kepuasan pelanggan malah akan dinilai tinggi. 156 Hubungan antara Variabel Exogenous Proses Layanan Kepuasan Pelanggan dengan Variabel Endogenous Untuk melihat apakah ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kepuasan pelanggan ialah sebesar 0,915 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,915 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous kepuasan pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous proses layanan tidak mempengaruhi variabel endogenous kepuasan pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,161 atau jika dibuat persen menjadi sebesar 16,1% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,362 > 0,05. 157 Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan ialah sebesar 2,542 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 2,542 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan mempengaruhi variabel endogenous kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous penanganan keluhan terhadap variabel endogenous kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,460 atau jika dibuat persen menjadi sebesar 46,0%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,013 < 0,05. 158 Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Kepuasan Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan  H1: Ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan ialah sebesar 4,939 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 4,939 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous kepuasan pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kualitas layanan mempengaruhi variabel endogenous kepuasan pelanggan. Besarnya pengaruh variabel independen exogenous kualitas layanan terhadap variabel endogenous kepuasan pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,388 atau jika dibuat persen menjadi sebesar 38,8%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,000 < 0,05. 159 Bagian Korelasi Bagian ini akan menganalisis korelasi antara variabel exogenous independen penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan. Hasil penghitungan IMB SPSS untuk korelasi antar variabel tersebut tertera dibawah ini : Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Fasilitas Pendukung Layanan Nilai koefesisen korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan dapat diinterpretasi didasarkan pada kriteria sebagai berikut (Sarwono:2006): o o o o o o 0 : Tidak ada korelasi antara dua variabel >0 – 0,25: Korelasi sangat lemah >0,25 – 0,5: Korelasi cukup >0,5 – 0,75: Korelasi kuat >0,75 – 0,99: Korelasi sangat kuat 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel penanganan keluhan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. 160 Korelasi Antara Variabel Independen Exogenous Proses Layanan dan Fasilitas Pendukung Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous proses layanan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel proses layanan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel proses layanan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Proses Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan proses layanan sebesar 0,854. Korelasi sebesar 0,854 bermakna hubungan antara variabel penanganan keluhan dan proses layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel proses layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Jika diamati nilai korelasi dalam sub – struktur ini sangat tinggi karena mendekati satu. Dengan demikian dapat disimpulkan terjadi multikolinieritas antara variabel independennya. Itulah sebabnya nilai koefesien regresi atau bobot beta dari variabel fasilitas pendukung layanan dan proses layanan ke kualitas layanan menjadi tidak signifikan. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Fasilitas Pendukung Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan fasilitas pendukung layanan sebesar 0,574. Korelasi sebesar 0,574 bermakna hubungan antara variabel proses layanan dan fasilitas pendukung layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Korelasi Antara Variabel Independen Exogenous Kualitas Layanan dan Proses Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous kualitas layanan dan proses layanan sebesar 0,525. Korelasi sebesar 0,525 bermakna hubungan antara variabel kualitas layanan dan proses layanan kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel kualitas layanan nilainya tinggi maka variabel proses layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. 161 12.7 Validitas Hasil Riset untuk Sub – Struktur II 12.7.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama. Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 39,602 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak 162 Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 39,602 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara linear variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan dan kualitas layanan terhadap variabel endogenous kepuasan pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 163 12.7.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebagai berikut:  Variabel fasilitas pendukung layanan sebesar 2,559 > standard error of estimate 2,355  Variabel proses layanan sebesar 2,050 < standard error of estimate 2,355  Variabel penanganan keluhan sebesar 3,135 > standard error of estimate 2,355  Variabel kualitas layanan sebesar 2,903 > standard error of estimate 2,355 Dengan demikian terdapat satu predictor yang tidak tepat, yaitu variabel independen proses layanan karena nilai standard error of estimate 2,355 > dari standard deviasinya sebesar 2,050 164 12.7.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah terdapat pada variabel penanganan keluhan sebesar 0,031 < 0,05 dan kualitas layanan sebesar 0,000. Kesimpulannya variabel ini mempunyai koefesien regresi yang signifkan, karena nilai sig-nya dibawah 0,05. Sedang untuk kedua variabel lainnya koefesien regresinya tidak signifikan karena nilai sig > 0,05 (0,656 dan 0,362) 12.7.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 2,082. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 165 12.9.5 Menguji Multikolinieritas Terjadi multikolinieritas karena korelasi antar variabel independen mendekati satu, yaitu dengan nilai koefesien korelasi sebesar 0,933 (Fasilitas Pendukun Layanan dan Proses Layanan), 0,933 (Fasilitas Pendukun Layanan dan Penanganan Keluhan) dan 0,854( Proses Layanan dan Penanganan Keluhan). Sedang untuk korelasi antara variabel fasilitas pendukung layanan dan kualitas layanan dengan koefesien korelasi sebesar 0,574 dan proses layanan dengan kualitas layanan dengan koefesien korelasi sebesar 0,525 tidak terjadi multikolinieritas. 12.7.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 166 12.7.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 12.8 Penghitungan untuk Sub Struktur III Analisis dengan menggunakan IBM SPSS untuk sub-struktur III, caranya lakukan dengan langkah-langkah seperti di bawah ini: Pertama: Menghitung dengan IBM SPSS  Klik Analyse > Linear  Pindahkan variabel loyalitas pelanggan ke kolom Dependent  Pindahkan variabel kualitas layanan, penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kepuasan pelanggan ke kolom Independent  Isi kolom Method dengan perintah Enter  Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05 pada kolom Entry > Cek Include constant in equation > Pada pilihan Missing Values cek Exclude cases listwise > Tekan Continue  Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model Fit, Descriptive dan Durbin - Watson. Pada pilihan Residual, pilih Case wise Diagnostics dan cek All Cases > Tekan Continue  Klik Plots untuk membuat Grafik > Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED, kemudian tekan Next > Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT >Pada pilihan Standardised Residual Plots, cek Normal Probability Plot dan Histogram > Tekan Continue  Klik Ok untuk diproses 167 Hasil penghitungan (output) untuk sub-struktur II adalah: Bagian Regresi 168 169 Kedua: Penafsiran hasil penghitungan dengan menggunakan IBM SPSS Pada bagian ini analisis dibagi menjadi dua: pertama melihat pengaruh secara gabungan dan kedua melihat pengaruh secara parsial. Untuk melihat pengaruh secara gabungan kita dapat menggunakan angka-angka pada tabel di bawah ini: Besarnya nilai R square ( R2 ) pada tabel di atas adalah 0,602. Angka tersebut mempunyai makna besarnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan. Untuk memudahkan membacanya kita dapat membuat dalam bentuk angka persen dengan cara menghitung Koefesien Determinasi (KD) dengan menggunakan rumus sebagai berikut: KD = R2 x 100% KD = 0,602 x 100% KD = 60,2% Angka 60,2% ini mempunyai makna sebagai besarnnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan. Sedangkan sisanya dapat dihitung dengan menggunakan rumus sebagai berikut: e = 1 - R2 e = 1 – 0,602 e = 0,398 atau jika kita ingin buat dalam persen menjadi e = 0,398 x 100% e = 39,8% 170 Angka 39,8% di atas mempunyai makna besarnya faktor lain dalam model diluar satu variabel independen exogenous di atas. Dengan kata lain variabelitas variabel dependen endogenous loyalitas pelanggan yang dapat diterangkan dengan menggunakan variabel penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan adalah sebesar 60,2%; sedang pengaruh sebesar 39,8% disebabkan oleh variabel-variabel lain diluar riset ini. Melihat Pengaruh Variabel Exogenous Independen Penanganan Keluhan, Fasilitas Pendukung Layanan, Proses Layanan, Kualitas Layanan dan Kepuasan Pelanggan Secara Parsial Terhadap Variabel Endogenous Loyalitas Pelanggan Besarnya pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan dapat dilihat dari nilai Beta atau Standardized Coeffecient di bawah ini. Sedang untuk pengujian hipotesisnya digunakan nilai t. Angka- angka tersebut dapat dilihat di tabel Coefficient di bawah ini. Pada bagian berikut ini kita akan membahas pengaruh variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan secara sendiri-sendiri / parsial satu persatu. Hubungan antara Variabel Exogenous Fasilitas Pendukung Layanan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel variabel exogenous fasilitas pendukung layanan dengan variabel endogenous loyalitas pelanggan 171 Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 0,908 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,908 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel exogenous fasilitas pendukung layanan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous fasilitas pendukung layanan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,240 atau jika dibuat persen menjadi sebesar 24 % menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,366 > 0,05. Hubungan antara Variabel Exogenous Proses Layanan Loyalitas Pelanggan dengan Variabel Endogenous Untuk melihat apakah ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan 172 Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel variabel exogenous fasilitas pendukung layanan dengan variabel endogenous kepuasan pelanggan ialah sebesar -0,290 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Kelima: Karena hasil dari nilai t diketemukan negatif, maka pengujian hipotesis dilakukan dengan menggunakan kurva. Kurva pengujian untuk menghasilkan keputusan seperti terlihat di bawah ini: Cara membaca kurva tersebut ialah:  Karena nilai t hitung / hasil riset negatif, maka letak pengujian di sebelah kiri. Untuk nilai tabel selalu positif (lihat tabel di lampiran) dengan demikian nilai tabel akan menyesuaikan dengan hasil nilai t hitungnya.  Letakkan terlebih dahulu nilai t tabel sebesar 1,98 (menyesuaikan hasil t hitung yang negatif, maka t tabel menjadi -1,98) di sebelah area kiri nilai 0 untuk memisahkan daerah penerimaan (daerah dimana H0 diterima) dan daerah penolakan (daerah dimana H0 ditolak).  Kemudian letakkan nilai t hitung hasil riset sebesar – 0,290 disebelah kanan nilai t tabel / antara nilai 0 dan t tabel. Kurva akan menjadi seperti di bawah ini: 173 Karena t hitung sebesar -0,290 jatuh di daerah penerimaan; maka H0 diterima dan H1 ditolak. Dengan demikian keputusannya ialah:  Tidak ada hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous proses layanan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar -0,053 atau jika dibuat persen menjadi sebesar -5,3% menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,772 > 0,05. Sedang nilai negatif menunjukkan hubungan antara kedua variabel tersebut tidak searah artinya jika proses layanan dinilai rendah; loyalitas pelanggan malah akan dinilai tinggi. Hubungan antara Variabel Exogenous Penanganan Keluhan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel variabel exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel exogenous proses layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 1,449 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 174 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 1,449 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel exogenous penanganan keluhan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous penanganan keluhan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,281 atau jika dibuat persen menjadi sebesar 28,1 % menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,151 > 0,05. Hubungan antara Variabel Exogenous Kualitas Layanan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan  H1: Ada hubungan linear antara variabel variabel exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan ialah sebesar 0,377 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 175 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:  Jika sig < 0,05, maka pengaruh signifikan  Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 0,377 < t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 diterima dan H1 ditolak. Artinya tidak ada hubungan linear antara variabel exogenous kualitas layanan dengan variabel endogenous loyalitas pelanggan. Karena tidak ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous proses layanan tidak mempengaruhi variabel endogenous loyalitas pelanggan. Nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) sebesar 0,034 atau jika dibuat persen menjadi sebesar 3,4 % menunjukkan bahwa pengaruh sebesar ini tidak signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,707 > 0,05. Hubungan antara Variabel Exogenous Kepuasan Pelanggan dengan Variabel Endogenous Loyalitas Pelanggan Untuk melihat apakah ada hubungan linear antara variabel exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Menentukan hipotesis yang akan diuji dengan bunyi seperti di bawah ini.  H0: Tidak ada hubungan linear antara variabel exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan`  H1: Ada hubungan linear antara variabel exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan Kedua: Menghitung besarnya angka t penelitian Nilai t dari hasil penghitungan IBM SPSS yang tertera dalam kolom t pada tabel Coefficients di atas untuk menunjukkan adanya hubungan linear variabel exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan ialah sebesar 3,236 Ketiga: Menghitung besarnya angka t tabel / nilai kritis dari tabel t dengan ketentuan sebagai berikut:  Menetukan besarnya taraf signifikansi sebesar 0,05 dan Degree of Freedom (DF) / Derajat Kebebasan (DK) dengan ketentuan: DK = n –2, atau 100 – 2 = 98. Dari ketentuan tersebut diperoleh angka t tabel sebesar 1,980 176 Keempat: Menentukan kriteria pengambilan keputusan seperti di bawah ini Untuk pengujian hipotesis t kriterianya sebagai berikut:   Jika t penelitian > t tabel, maka H0 ditolak dan H1 diterima; Jika t penelitian < t tabel, maka H0 diterima dan H1 ditolak Untuk menunjukkan pengaruh signifikan atau tidak kriterianya sebagai berikut:   Jika sig < 0,05, maka pengaruh signifikan Jika sig > 0,05, maka pengaruh tidak signifikan Kelima: Membuat keputusan hasil pengujian hipotesis Hasil penghitungan dengan IBM SPSS menunjukkan angka t penelitian sebesar 3,236 > t tabel sebesar 1,980; dengan demikian keputusannya ialah H0 ditolak dan H1 diterima. Artinya ada hubungan linear antara variabel exogenous kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Karena ada hubungan linier antara kedua variabel tersebut; maka variabel independen exogenous kepuasan pelanggan mempengaruhi variabel endogenous loyalitas pelanggan. Besarnya pengaruh variabel exogenous kepuasan pelanggan terhadap variabel endogenous loyalitas pelanggan dapat diketahui dari nilai koefesien Beta (dalam kolom Standardized Coefficient Beta) ialah sebesar 0,344 atau jika dibuat persen menjadi sebesar 34,4%. Pengaruh sebesar ini signifikan karena nilai signifikansi / probabilitas hasil penghitungan yang tertera dalam kolom Sig sebesar 0,002 < 0,05. Bagian Korelasi Bagian ini akan menganalisis korelasi antara variabel exogenous independen penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan. Hasil penghitungan IMB SPSS untuk korelasi antar variabel tersebut tertera dibawah ini : 177 Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Fasilitas Pendukung Layanan Nilai koefesisen korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan dapat diinterpretasi didasarkan pada kriteria sebagai berikut (Sarwono:2006): o o o o o o 0 : Tidak ada korelasi antara dua variabel >0 – 0,25: Korelasi sangat lemah >0,25 – 0,5: Korelasi cukup >0,5 – 0,75: Korelasi kuat >0,75 – 0,99: Korelasi sangat kuat 1: Korelasi sempurna Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel penanganan keluhan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Ketentuannya jika angka signifikansi (sig) < 0,05 hubungan kedua variabel signifikan; sebaliknya jika angka signifikansi (sig) > 0,05 hubungan kedua variabel tidak signifikan. Korelasi Antara Variabel Independen Exogenous Proses Layanan dan Fasilitas Pendukung Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous proses layanan dan fasilitas pendukung layanan sebesar 0,933. Korelasi sebesar 0,933 bermakna hubungan antara variabel proses layanan dan fasilitas pendukung layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel proses layanan nilainya tinggi maka variabel fasilitas pendukung layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Korelasi Antara Variabel Independen Exogenous Penanganan Keluhan dan Proses Layanan Perhitungan dengan menggunakan IBM SPSS diperoleh angka koefesien korelasi antara variabel independen exogenous penanganan keluhan dan proses layanan sebesar 0,854. Korelasi sebesar 0,854 bermakna hubungan antara variabel penanganan keluhan dan proses layanan sangat kuat dan searah (karena hasil koefesien korelasi positif). Searah artinya jika variabel penanganan keluhan nilainya tinggi maka variabel proses layanan juga dinilai tinggi dan berlaku juga sebaliknya. Korelasi dua variabel tersebut bersifat signifikan karena angka signifikansi (sig) penelitian adalah sebesar 0,000 < 0,05. Jika diamati nilai korelasi dalam sub – struktur ini sangat tinggi karena mendekati satu. Dengan demikian dapat disimpulkan terjadi multikolinieritas antara variabel independennya. Itulah sebabnya nilai koefesien regresi atau bobot beta dari variabel fasilitas pendukung layanan dan proses layanan ke kualitas layanan menjadi tidak signifikan. 178 Catatan: Bagian korelasi untuk variabel – variabel independen lainnya penafsirannya sama. Di bawah ini diberikan tabel ringkasan untuk semua korelasi dalam sub – struktur III. 12.9 Validitas Hasil Riset untuk Sub – Struktur III 12.9.1 Melihat Kelayakan Model Regresi Untuk mengetahui apakah model regresi di atas sudah benar kita akan melakukan pengujian model yang sudah kita buat dengan. Pengujian model dapat dilakukan dengan dua cara, yaitu pertama menggunakan nilai F pada tabel keluaran ANOVA; yang kedua dengan cara menggunakan nilai probabilitas / nilai sig pada tabel keluaran ANOVA. Tabel ANOVA tertera di bawah ini. Berikut ini akan dilakukan pengujian hipotesis dengan dua cara tersebut. Bagian pertama menggunakan nilai F sedang bagian kedua akan menggunakan nilai sig. Penghitungan akan menghasilkan keputusan yang sama . 179 Uji Hipotesis Menggunakan Angka F Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Kedua: Menghitung nilai F penelitian Nilai F penelitian dari keluaran IBM SPSS ialah sebesar 28,379 Ketiga: Menghitung F tabel dengan ketentuan sebagai berikut:   Tentukan besar nilai taraf signifikansi sebesar 0,05 dan Nilai Degree of Freedom (DF) / Derajat kebebasan (DK) dengan ketentuan numerator / vektor 1: jumlah variabel –1 atau 4 –1 = 3; dan denumerator / vektor 2: jumlah kasus – jumlah variabel atau 100 – 4 = 96. Dengan ketentuan tersebut diperoleh angka F tabel sebesar 2,68. Keempat: Menentukan kriteria pengambilan keputusan hasil uji hipotesis sebagai berikut:   Jika F penelitian > F tabel, maka H0 ditolak dan H1 diterima; Jika F penelitian < F tabel, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan hasil uji hipotesis Hasil perhitungan dengan IBM SPSS didapatkan angka F penelitian sebesar 28,379 > F tabel sebesar 2,68. Dengan demikian H0 ditolak dan H1 diterima. Artinya, ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Kesimpulannya ialah model regresi di atas sudah layak dan benar. Uji Hipotesis Menggunakan Angka Probabilitas (sig) Penelitian Untuk melakukan pengujian hipotesis langkahnya sebagai berikut: Pertama: kita harus membuat hipotesis yang berbunyi sebagai berikut: H0: Tidak ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. H1: Ada hubungan linear antara variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. 180 Kedua: Menghitung nilai probabilitas (sig) penelitian Nilai probabilitas (sig) penelitian dari keluaran IBM SPSS ialah sebesar 0,000 Ketiga: Menenetukan nilai probabilitas kriteria sebesar 0,05 (Catatan: Sig default IBM SPSS ialah sebesar 0,05; tentunya nilai ini dapat kita sesuaikan dengan tingkat kepercayaan (confidence interval) yang kita inginkan.) Keempat: Menentukan kriteria pengambilan keputusan Kriteria pengambilan keputusannya sebagai berikut:  Jika probabilitas / sig penelitian < 0,05, maka H0 ditolak dan H1 diterima  Jika probabilitas / sig penelitian > 0,05, maka H0 diterima dan H1 ditolak Kelima: Mengambil keputusan Hasil perhitungan dengan IBM SPSS menunjukkan angka probabilitas / signifikansi sebesar 0,000 < 0,05; dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara linear variabel independen exogenous penanganan keluhan, proses layanan, fasilitas pendukung layanan, kualitas layanan dan kepuasan pelanggan dengan variabel endogenous loyalitas pelanggan. Dari hasil pengujian hipotesis di atas membuktikan bahwa model regresi yang kita buat sudah layak / benar. 12.9.2 Menguji Ketepatan Predictor yang Digunakan dalam Riset Untuk menguji ketepatan predictor (variabel exogenous) yang digunakan untuk memprediksi variabel endogenous dapat digunakan angka standard deviasi dan angka standard error of estimate. Ketentuannya ialah sebagai berikut:   Jika nilai angka standard error of estimate < standard deviasi; maka predictor layak / benar Jika nilai angka standard error of estimate > standard deviasi; maka predictor tidak layak / salah 181 Jika dilihat hasil penghitungan di atas nilai standard error of estimate sebagai berikut:  Variabel fasilitas pendukung layanan sebesar 2,559 > standard error of estimate 2,355  Variabel proses layanan sebesar 2,050 < standard error of estimate 2,355  Variabel penanganan keluhan sebesar 3,135 > standard error of estimate 2,355  Variabel kepuasan pelanggan sebesar 2,954 > standard error of estimate 2,355 Dengan demikian terdapat satu predictor yang tidak tepat, yaitu variabel independen proses layanan karena nilai standard error of estimate 2,355 > dari standard deviasinya sebesar 2,050 12.9.3 Menguji Kelayakan Koefesien Regresi / Bobot Beta Jika dilihat pada tabel di atas maka koefesien regresi untuk yang signifkan ialah terdapat pada variabel kepuasan pelanggan sebesar 0,002 < 0,05. Kesimpulannya variabel ini mempunyai koefesien regresi yang signifkan, karena nilai sig-nya dibawah 0,05. Sedang untuk ketiga variabel lainnya koefesien regresinya tidak signifikan karena nilai sig > 0,05. 182 12.9.4 Menguji Otokorelasi Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi di atas, ketentuannya ialah: Terjadi otokorelasi jika nilai Durbin and Watson= 1< DW >3. Dari hasil penghitungan di atas, kita peroleh nilai Durbin – Watson sebesar 1,821. Berarti tidak terjadi otokorelasi dalam model regresi berganda yang sudah kita buat. 12.9.5 Menguji Multikolinieritas Terjadi multikolinieritas karena korelasi antar variabel independen mendekati satu, yaitu dengan nilai koefesien korelasi sebesar 0,933 (Fasilitas Pendukun Layanan dan Proses Layanan), 0,933 (Fasilitas Pendukun Layanan dan Penanganan Keluhan) dan 0,854( Proses Layanan dan Penanganan Keluhan). Sedang untuk variabel lainnya tidak ada multikolinieritas. 183 12.9.6 Menguji Linieritas Dari gambar di atas dapat disimpulkan data sudah membentuk garis lurus dari sisi kiri bawah ke kanan atas sesuai dengan teori linieritas, sehingga dapat disimpulkan bahwa linieritas dalam model regresi ini sudah dipenuhi. 12.9.7 Menguji Normalitas Data Data berdistribusi normal jika data tersebut membentuk kurva bel. Jika dilihat gambar diatas, meski tidak sempurna data yang digunakan ada kecenderungan membentuk kurva bel; dengan demikian data dianggap berdistribusi normal. Kesimpulannya ialah model regresi yang sudah kita buat sudah memenuhi semua persyaratan yang diharuskan dengan demikian model regresi dalam Analisis Jalur ini sudah layak / benar. 184 12.10 Menghitung Pengaruh Langsung (Direct Effect atau DE) a. Pengaruh variabel penanganan keluhan terhadap kualitas layanan X1 ke Y 1 = 0,503 b. Pengaruh variabel fasilitas pendukung layanan terhadap kualitas layanan X2 ke Y 1 = 0,118 c. Pengaruh variabel proses layanan terhadap kualitas layanan X3 ke Y 1 = -0,015 d. Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan X1 ke Y2 = 0,460 e. Pengaruh variabel fasilitas pendukung layanan terhadap kepuasan pelanggan X2 ke Y2 = -0,114 f. Pengaruh variabel proses layanan terhadap kepuasan pelanggan X3 ke Y2 = 0,161 g. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan X1 ke Y3 = 0,281 h. Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan X2 ke Y3 = 0,240 i. Pengaruh variabel proses layanan terhadap loyalitas pelanggan X3 ke Y3 = -0,053 j. Pengaruh variabel kualitas layanan terhadap kepuasan pelanggan Y1 ke Y2 = 0,388 k. Pengaruh variabel kepuasan pelanggan terhadap loyalitas pelanggan Y2 ke Y3 = 0,344 12.11 Menghitung Pengaruh Tidak Langsung (Indirect Effect atau IE) a. Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan melalui kualitas layanan X 1 ke Y2 melalui Y 1 = (0,503 x 0,388) = 0,195 b. Pengaruh variabel fasilitas pendukung layanan terhadap kepuasan pelanggan melalui kualitas layanan X2ke Y2 melalui Y 1 = (0,118 x 0,388) = 0,045 c. Pengaruh variabel proses layanan terhadap kepuasan pelanggan melalui kualitas layanan X3ke Y2 melalui Y 1 = (-0,015 x 0,388) = -0,0058 d. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan X 1 ke Y3 melalui Y 1 = (0,503 x 0,034) = 0,017 e. Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan X2ke Y3 melalui Y 1 = (0,118 x 0,034) = 0,0040 f. Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan X3ke Y3 melalui Y 1 = (-0,015 x 0,034) = -0,0005 185 g. h. i. j. k. l. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = (0,460 x 0,344) = 0,158 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = (0,118 x 0,344) = 0,040 Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = (0,161 x 0,344) = 0,055 Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X 1 ke Y3 melalui Y1 dan Y2 = (0,503 x 0,388 x 0,344) = 0,067 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X2ke Y3 melalui Y1 dan Y2 = (0,118 x 0,388 x 0,344) = 0,015 Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X 1 ke Y3 melalui Y1 dan Y2 = (-0,015 x 0,388 x 0,344) = -0,002 12.13 Pengaruh Total (Total Effect / TE) a. Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan melalui kualitas layanan X1 ke Y2 melalui Y 1 = 0,503 + (0,503 x 0,388) = 0,698 b. Pengaruh variabel fasilitas pendukung layanan terhadap kepuasan pelanggan melalui kualitas layanan X2 ke Y2 melalui Y 1 = 0,118 + (0,118 x 0,388) = 0,0,164 c. Pengaruh variabel proses layanan terhadap kepuasan pelanggan melalui kualitas layanan X3 ke Y2 melalui Y 1 = -0,015 + (-0,015 x 0,388) = -0,020 d. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan X1 ke Y3 melalui Y 1 = 0,503 + (0,503 + 0,034) = 0,520 e. Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan X2 ke Y3 melalui Y 1 = 0,118 + (0,118 x 0,034) = 0,122 f. Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan X3 ke Y3 melalui Y 1 = -0,015 + (-0,015 x 0,034) = -0,015 g. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = 0,460 + (0,460 x 0,344) = 0,618 h. Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = 0,118 + (0,118 x 0,344) = 0,158 186 i. Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan X 1 ke Y3 melalui Y2 = 0,161 + (0,161 x 0,344) = 0,216 j. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X 1 ke Y3 melalui Y1 dan Y2 = 0,503 + 0,388 + (0,503 x 0,388 x 0,344) = 0,958 k. Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X2 ke Y3 melalui Y1 dan Y2 = 0,118 + 0,388 + (0,118 x 0,388 x 0,344) = 0,522 l. Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan X 1 ke Y3 melalui Y1 dan Y2 = -0,015 + 0,388 + (-0,015 x 0,388 x 0,344) = 0,371 12.14 Diagram Jalur untuk Model IV Diagram jalur untuk model IV seperti di bawah ini: Persamaan strukutral untuk model kompleks diatas ialah: sub struktur 1: Y1 = 0,503 X1+ 0,118 X2 - 0,015 X3 + e 1 sub struktur 2: Y2 = 0,460 X1- 0,114 X2+ 0,161 X3+ 0,388Y1 + e 2 sub struktur3: Y3 = 0,281 X1+0,240 X2 - 0,053 X3 + 0,344 Y2+ 0,034 Y1 + e 3 12.15 Kesimpulan Kesimpulan untuk analisis ke tiga sub – struktur diatas ialah: a. Pengaruh variabel penanganan keluhan terhadap kualitas layanan sebesar 0,503 b. Pengaruh variabel fasilitas pendukung layanan terhadap kualitas layanan sebesar 0,118 c. Pengaruh variabel proses layanan terhadap kualitas layanan sebesar -0,015 d. Pengaruh variabel penanganan keluhan, fasilitas pendukung layanan dan proses layanan terhadap kualitas layanan sebesar 0,362 e. Pengaruh faktor lain diluar model sebesar 0,638 f. Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan sebesar 0,460 187 g. Pengaruh variabel fasilitas pendukung layanan terhadap kepuasan pelanggan sebesar 0,114 h. Pengaruh variabel proses layanan terhadap kepuasan pelanggan sebesar 0,161 i. Pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan dan kualitas layanan terhadap kepuasan pelanggan sebesar 0,625 j. Pengaruh faktor lain diluar model sebesar 0,375 k. l. m. n. o. p. q. r. s. t. u. v. w. x. y. z. aa. Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan 0,281 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan 0,240 Pengaruh variabel proses layanan terhadap loyalitas pelanggan -0,053 Pengaruh variabel penanganan keluhan, fasilitas pendukung layanan, proses layanan, kualitas layanan dan kepuasan pelanggan terhadap loyalitas pelanggan sebesar 0,602 Pengaruh faktor lain diluar model sebesar 0,398 Pengaruh variabel penanganan keluhan terhadap kepuasan pelanggan melalui kualitas layanan sebesar 0,195 Pengaruh variabel fasilitas pendukung layanan terhadap kepuasan pelanggan melalui kualitas layanan sebesar 0,045 Pengaruh variabel proses layanan terhadap kepuasan pelanggan melalui kualitas layanan sebesar -0,0058 Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan sebesar 0,017 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan sebesar 0,0040 Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan sebesar -0,0005 Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kepuasan pelanggan sebesar 0,158 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan sebesar 0,040 Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kepuasan pelanggan sebesar 0,055 Pengaruh variabel penanganan keluhan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan sebesar 0,067 Pengaruh variabel fasilitas pendukung layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan sebesar 0,015 Pengaruh variabel proses layanan terhadap loyalitas pelanggan melalui kualitas layanan dan kepuasan pelanggan sebesar -0,002 188 BAB 13 APLIKASI UNTUK RISET SKRIPSI 13.1 Masalah Penelitian Dalam contoh ini, penulis menggunakan penelitian yang pernah dilakukan oleh mahasiswa pascasarjana dengan topik “Pengaruh Persepsi Kegunaan dan Kemudahan Efiling dan Dampaknya Terhadap Ketaatan Wajib Pajak di Jakarta Pusat”. Sedangkan variabel eksogen adalah persepsi penggunaan dan variabel endogen adalah kepatuhan wajib pajak. Sedangkan variabel persepsi kemudahan diperlakukan sebagai variabel intervening. Model hubungan antar variabel yang diteliti adalah sebagai berikut. Gambar 13.1 Hubungan Variabel Persepsi Kegunaan, Persepsi Kemudahan, Kegunaan E-filing dan Wajib Pajak Berdasarkan Teori Rumusan masalah dalam penelitian ini adalah sebagai berikut: 1. Apakah persepsi kegunaan mempengaruhi utilitas e-filing? 2. Apakah persepsi kemudahan mempengaruhi utilitas e-filing? 3. Apakah persepsi kemanfaatan berpengaruh terhadap kepatuhan wajib pajak? 4. Apakah persepsi kemudahan mempengaruhi kepatuhan wajib pajak? 5. Apakah utilitas e-filing mempengaruhi kepatuhan wajib pajak? 6. Apakah persepsi kegunaan mempengaruhi kepatuhan wajib pajak melalui utilitas e-filing? 7. Apakah persepsi kemudahan mempengaruhi kepatuhan wajib pajak melalui utilitas e-filing? 10.2 Metodologi Penelitian ini menggunakan pendekatan kuantitatif, desain deskriptif dan metode survei. Populasi dalam penelitian ini adalah wajib pajak orang pribadi di Jakarta Barat. Sampel yang digunakan dalam penelitian sebanyak 390 responden diambil dengan menggunakan teknik probabilitas. Prosedur analisis jalur digunakan untuk menganalisis data primer yang telah dikumpulkan dengan menggunakan kuesioner. Berikut ini adalah model analisis jalur hubungan antara variabel persepsi kegunaan, persepsi kemudahan, utilitas e-filing dan wajib pajak 189 Gambar 13.2 Model Diagram Jalur Hubungan Variabel Persepsi Kegunaan, Persepsi Kemudahan, Utilitas E-filing dan Wajib Pajak Model analisis jalur di atas memiliki diagram jalur sebagai berikut Gambar 13.3 Diagram Jalur Hubungan Variabel Persepsi Kegunaan, Persepsi Kemudahan, Utilitas E-filing dan Wajib Pajak Di mana:     X1: Persepsi Kegunaan X2: Persepsi Kemudahan Y1: Utilitas E-Filing Y2: Ketaatan Wajib Pajak Diagram jalur di atas memiliki tiga persamaan struktural. Persamaan struktur dapat dilihat sebagai berikut: • Y1 = PY1X1 + PY1 X2 + e1 (Persamaan struktur pertama) • Y2 = PY2 Y1 + e2 (Persamaan struktur kedua) • Y3 = PY2X1 + PY2 X2 + e3 (Persamaan struktur ketiga) 190 13.3 Hasil Penelitian Hasil penelitian berdasarkan data lapangan adalah sebagai berikut: Sub Pertama – Struktur Pembahasan selanjutnya adalah hasil dari perhitungan struktur pertama. Pada bagian ini, kita akan membahas efek gabungan dan efek parsial dari variabel persepsi kegunaan eksogen dan persepsi kemudahan pada variabel utilitas e-filing . Pengaruh Gabungan Variabel Persepsi Kegunaan Kemudahan pada Variabel Utilitas E-Filing Eksogen dan Variabel Persepsi Efek gabungan dari persepsi kegunaan eksogen dan variabel persepsi kemudahan pada utilitas e-filing variabel dapat dilihat pada output di Summary Model meja, nilai R square. Nilai R square (R 2) pada tabel di atas adalah 0,375. Angka ini menunjukkan besarnya variasi variabel utilitas e-filing yang dapat dijelaskan oleh variabel eksogen persepsi kegunaan dan persepsi kemudahan. Dapat juga dikatakan bahwa R square (R 2) sebesar 0,375 menunjukkan besarnya pengaruh variabel eksogen persepsi kegunaan dan persepsi kemudahan terhadap variabel utilitas e-filing endogen . R square juga dapat dinyatakan dalam bentuk Koefisien Determinasi. Dalam hal ini besarnya Koefisien Determinasi adalah sebesar 37,5% . Sedangkan sisanya sebanyak 62,5% disebabkan oleh variabel asing. Pengujian Hipotesis Simultan Pengujian hipotesis ini digunakan untuk melihat pengaruh simultan variabel persepsi kegunaan dan persepsi kemudahan terhadap variabel utilitas e-filing. Pengujian menggunakan nilai signifikansi (sig) dari tabel output ANOVA. 191 Hubungan Persepsi Kegunaan dan Persepsi Kemudahan dengan Utilitas E-Filing Untuk melihat apakah ada hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan utilitas e-filing kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan utilitas e-filing H1: Ada hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan utilitas efiling Kedua: Hitung nilai signifikansi (sig) atau pvalue Nilai sig yang ditunjukkan pada kolom Sig adalah 0,000 Ketiga: gunakan kriteria berikut: Jika nilai sig < 0,05 tolak H0 dan terima H1 Jika nilai sig > 0,05 terima H0 dan tolak H1 Keempat: mengambil keputusan pengujian hipotesis Karena nilai sig adalah 0,000 < 0,05; oleh karena itu tolak H0 dan terima H1. Dengan demikian terdapat hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan utilitas e-filing. Dengan demikian persepsi kegunaan dan persepsi kemudahan mempengaruhi utilitas e-filing secara signifikan. Pengaruh Parsial Variabel Persepsi Kegunaan dan Persepsi Kemudahan pada Variabel Utilitas E-Filing Berikut ini akan dibahas pengaruh parsial variabel persepsi kegunaan eksogen dan persepsi kemudahan terhadap variabel utilitas e-filing satu per satu. 192 Hubungan antara Persepsi Kegunaan dan Utilitas E-Filing Untuk melihat apakah ada hubungan linier antara persepsi kegunaan dan utilitas efiling kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linier antara persepsi kegunaan dan utilitas e-filing H1 : Ada hubungan linier persepsi kegunaan dan utilitas e-filing Kedua : Hitung nilai observasi t ( t o ) Nilai t o pada tabel Koefisien diatas adalah yang ditunjukkan pada kolom t 2,956 Ketiga: Hitung jumlah t tabel (t α ) The t α adalah sebanyak 1.960 Keempat: Tentukan kriteria pengambilan keputusan seperti yang telah dibahas di atas. Kelima: Membuat keputusan hasil pengujian hipotesis Hasil perhitungan dengan IBM SPSS menunjukkan t o sebanyak 2,956 lebih besar dari t α sebanyak 1.960; dengan demikian keputusannya adalah menolak H0 dan menerima H1. Artinya ada hubungan linier antara persepsi kegunaan dan utilitas e-filing. Karena ada hubungan linier antara kedua variabel; maka persepsi kegunaan mempengaruhi utilitas e-filing secara signifikan. Besarnya pengaruh dapat diketahui dari nilai koefisien Beta (pada kolom Standardized Coefficient Beta ) sebesar 0,156. Pengaruh besaran ini signifikan karena nilai signifikansi pada kolom Sig adalah 0,003 yang lebih kecil dari 0,05. Hubungan antara Persepsi Kemudahan dan Utilitas E-Filing Untuk melihat apakah ada hubungan linear antara persepsi kemudahan dan e-filing utilitas kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linear antara persepsi kemudahan dan e-filing utilitas H1: Ada adalah hubungan linier kemudahan persepsi dan utilitas e-filing Kedua : Hitung nilai observasi t ( t o ) Nilai t o yang ditunjukkan pada kolom t pada tabel Koefisien di atas adalah 9,444. Ketiga: Hitung jumlah t tabel (t α ) T α adalah sebanyak 1.960 Keempat: Tentukan kriteria pengambilan keputusan seperti yang telah dibahas di atas. 193 Kelima: Membuat keputusan hasil pengujian hipotesis Hasil perhitungan dengan IBM SPSS menunjukkan t o sebanyak 9,444 lebih besar dari t α sebanyak 1.960; dengan demikian keputusannya adalah menolak H0 dan menerima H1. Ini berarti bahwa ada hubungan linear antara persepsi kemudahan dan e-filing utilitas. Karena ada hubungan linier antara kedua variabel; maka persepsi kemudahan mempengaruhi utilitas e-filing secara signifikan. Besarnya pengaruh dapat diketahui dari nilai koefisien Beta (pada kolom Standardized Coefficient Beta ) sebesar 0,499. Pengaruh besaran ini signifikan karena nilai signifikansi pada kolom Sig adalah 0,000 yang lebih kecil dari 0,05. Sub Kedua – Struktur Pada struktur kedua ini akan dibahas pengaruh utilitas e-filing terhadap kepatuhan wajib pajak. Pengaruh utilitas e-filing terhadap kepatuhan wajib pajak dapat dilihat pada output pada tabel Model Summary , pada nilai R square. Nilai R square (R 2) pada tabel di atas adalah 0,512. Angka ini menunjukkan besarnya variasi kepatuhan wajib pajak yang dapat dijelaskan oleh utilitas e-filing. Dapat juga dikatakan bahwa R square (R 2) sebesar 0,512 menunjukkan besarnya pengaruh utilitas e-filing terhadap kepatuhan wajib pajak. R square juga dapat dinyatakan dalam bentuk Koefisien Determinasi. Dalam hal ini besarnya Koefisien Determinasi adalah sebesar 51,2% . Sedangkan sisanya sebanyak 48,8% disebabkan oleh variabel asing. Hubungan Utilitas E-Filing dengan Ketaatan Wajib Pajak Untuk melihat ada tidaknya hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak dapat dilakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak H1 : Ada hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak Kedua : Hitung nilai signifikansi (sig) atau pvalue Nilai sig yang tertera pada kolom Sig adalah 0,000 194 Ketiga: gunakan kriteria berikut: Jika nilai sig < 0,05 tolak H0 dan terima H1 Jika nilai sig > 0,05 terima H0 dan tolak H1 Keempat: mengambil keputusan pengujian hipotesis Karena nilai sig adalah 0,000 < 0,05; oleh karena itu tolak H0 dan terima H1. Dengan demikian terdapat hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak. Dengan demikian utilitas e-filing mempengaruhi kepatuhan wajib pajak secara signifikan. Untuk melihat apakah ada hubungan linear antara persepsi kemudahan dan utilitas e-filing kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji. H0: Tidak ada hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak H1: Ada hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak Kedua: Hitung nilai observasi t (t o ) Nilai to yang ditunjukkan pada kolom t pada tabel Koefisien di atas adalah 20,193 Ketiga: Hitung jumlah t tabel (t α ) T α adalah sebanyak 1.960 Keempat: Tentukan kriteria pengambilan keputusan seperti yang telah dibahas di atas. Kelima: Membuat keputusan hasil pengujian hipotesis Hasil perhitungan dengan IBM SPSS menunjukkan t o sebanyak 20,193 lebih besar dari t α sebanyak 1.960; dengan demikian keputusannya adalah menolak H0 dan menerima H1. Artinya ada hubungan linier antara utilitas e-filing dengan kepatuhan wajib pajak. Karena ada hubungan linier antara kedua variabel; maka utilitas e-filing mempengaruhi kepatuhan wajib pajak secara signifikan. Besarnya pengaruh dapat diketahui dari nilai koefisien Beta (pada kolom Standardized Coefficient Beta ) sebesar 0,716. Pengaruh besaran ini signifikan karena nilai signifikansi pada kolom Sig adalah 0,000 yang lebih kecil dari 0,05. Nilai sebesar 0,716 berarti peningkatan kepatuhan wajib pajak ketika utilitas e-filing menunjukkan peningkatan satu satuan. 195 Sub Ketiga – Struktur Pembahasan selanjutnya adalah hasil dari perhitungan struktur pertama. Pada bagian ini, akan dibahas pengaruh gabungan dan pengaruh parsial variabel persepsi kegunaan eksogen dan persepsi kemudahan terhadap variabel kepatuhan wajib pajak . Gabungan Pengaruh Variabel Persepsi Kegunaan Eksogen dan Kemudahan Terhadap Variabel Kepatuhan Wajib Pajak Variabel Persepsi Gabungan pengaruh variabel persepsi kegunaan eksogen dan variabel persepsi kemudahan terhadap variabel kepatuhan Wajib Pajak dapat dilihat pada output pada tabel Model Summary , pada nilai R square. Nilai R square (R 2) pada tabel di atas adalah 0,486. Angka ini menunjukkan besarnya variasi variabel kepatuhan wajib pajak yang dapat dijelaskan oleh variabel eksogen persepsi kegunaan dan persepsi kemudahan. Dapat juga dikatakan bahwa R square (R 2) sebesar 0,486 menunjukkan besarnya pengaruh variabel eksogen persepsi kegunaan dan persepsi kemudahan terhadap variabel kepatuhan wajib pajak endogen . R square juga dapat dinyatakan dalam bentuk Koefisien Determinasi. Dalam hal ini besarnya Koefisien Determinasi adalah sebesar 48,6% . Sedangkan sisanya sebanyak 51,4% disebabkan oleh variabel asing. Pengujian Hipotesis Simultan Pengujian hipotesis ini digunakan untuk melihat pengaruh simultan variabel persepsi kegunaan dan persepsi kemudahan terhadap variabel kepatuhan wajib pajak. Pengujian menggunakan nilai signifikansi (sig) dari tabel output ANOVA. Hubungan Persepsi Kegunaan dan Persepsi Kemudahan dengan Kepatuhan Wajib Pajak 196 Untuk melihat ada tidaknya hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan kepatuhan wajib pajak dapat dilakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0 : Tidak ada hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan kepatuhan wajib pajak H1: Ada hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan kepatuhan wajib pajak Kedua: Hitung nilai signifikansi (sig) atau pvalue Nilai sig yang ditunjukkan pada kolom Sig adalah 0,000 Ketiga: gunakan kriteria berikut: Jika nilai sig < 0,05 tolak H0 dan terima H1 Jika nilai sig > 0,05 terima H0 dan tolak H1 Keempat: mengambil keputusan pengujian hipotesis Karena nilai sig adalah 0,000 < 0,05; oleh karena itu tolak H0 dan terima H1. Dengan demikian terdapat hubungan linier antara persepsi kegunaan dan persepsi kemudahan dengan kepatuhan wajib pajak. Dengan demikian persepsi kegunaan dan persepsi kemudahan mempengaruhi kepatuhan wajib pajak secara signifikan. Pengaruh Parsial Variabel Persepsi Kegunaan dan Persepsi Kemudahan Terhadap Variabel Kepatuhan Wajib Pajak Berikut ini akan dibahas pengaruh parsial variabel persepsi kegunaan eksogen dan variabel persepsi kemudahan terhadap variabel kepatuhan wajib pajak satu per satu. Hubungan antara Kegunaan Persepsi dan Wajib Pajak Ketaatan 197 Untuk melihat apakah ada hubungan linear antara persepsi kegunaan dan kepatuhan wajib pajak kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linear antara persepsi kegunaan dan ketaatan wajib pajak H1 : Ada hubungan linier persepsi kegunaan dan kepatuhan wajib pajak Kedua : Hitung nilai pengamatan t ( t o ) Nilai t o yang ditunjukkan pada kolom t pada tabel Koefisien di atas adalah 3,799. Ketiga: Hitung jumlah t tabel (t α ) T α adalah sebanyak 1.960 Keempat: Tentukan kriteria pengambilan keputusan seperti yang telah dibahas di atas. Kelima: Membuat keputusan hasil pengujian hipotesis Hasil perhitungan dengan IBM SPSS menunjukkan t o sebanyak 3,799 lebih besar dari t α sebanyak 1.960; dengan demikian keputusannya adalah menolak H0 dan menerima H1. Ini berarti bahwa ada hubungan linear antara persepsi kegunaan dan ketaatan wajib pajak. Karena ada hubungan linier antara kedua variabel; maka persepsi kegunaan mempengaruhi kepatuhan wajib pajak secara signifikan. Besarnya pengaruh dapat diketahui dari nilai koefisien Beta (pada kolom Standardized Coefficient Beta ) sebesar 0,182. Pengaruh besaran ini signifikan karena nilai signifikansi pada kolom Sig adalah 0,000 yang lebih kecil dari 0,05. Hubungan antara Kemudahan Persepsi dan ketaatan Wajib Pajak Untuk melihat apakah ada hubungan linear antara persepsi kemudahan dan kepatuhan wajib pajak kita dapat melakukan langkah-langkah analisis sebagai berikut: Pertama: Tentukan hipotesis yang akan diuji H0: Tidak ada hubungan linear antara persepsi kemudahan dan ketaatan wajib pajak H1 : Ada hubungan linier persepsi kemudahan dan kepatuhan wajib pajak Kedua : Hitung nilai observasi t ( t o ) Nilai t o yang ditunjukkan pada kolom t pada tabel Koefisien diatas adalah 11,768 Ketiga: Hitung jumlah t tabel (t α ) T α adalah sebanyak 1.960 Keempat: Tentukan kriteria pengambilan keputusan seperti yang telah dibahas di atas. 198 Kelima: Membuat keputusan hasil pengujian hipotesis Hasil perhitungan dengan IBM SPSS menunjukkan t o sebanyak 11,768 lebih besar dari t α sebanyak 1.960; dengan demikian keputusannya adalah menolak H0 dan menerima H1. Ini berarti bahwa ada hubungan linear antara persepsi kemudahan dan ketaatan wajib pajak. Karena ada hubungan linier antara kedua variabel; maka persepsi kemudahan mempengaruhi kepatuhan wajib pajak secara signifikan. Besarnya pengaruh dapat diketahui dari nilai koefisien Beta (pada kolom Standardized Coefficient Beta ) sebesar 0,565. Pengaruh besaran ini signifikan karena nilai signifikansi pada kolom Sig adalah 0,000 yang lebih kecil dari 0,05. Kesimpulan Dari perhitungan di atas, maka kesimpulan dari penelitian ini adalah sebagai berikut: 1. Persepsi kegunaan berpengaruh signifikan terhadap utilitas e-filing sebesar 0,156 2. Persepsi kemudahan berpengaruh signifikan terhadap utilitas e-filing sebesar 0,499 3. Persepsi kegunaan berpengaruh signifikan terhadap kepatuhan wajib pajak sebesar 0,182 4. Persepsi kemudahan berpengaruh signifikan terhadap kepatuhan wajib pajak kepatuhan signifikan sebesar 0,565 5. Utilitas e-filing berpengaruh terhadap kepatuhan wajib pajak sebesar 0,716 6. Persepsi kegunaan berpengaruh terhadap kepatuhan wajib pajak melalui utilitas e-filing sebesar 0,0283 (0,156 x 0,182) 7. Persepsi kemudahan berpengaruh terhadap kepatuhan wajib pajak. kepatuhan wajib pajak melalui utilitas e-filing sebanyak 0,2819 (0,499 x 0,565). Diagram jalur dari model di atas adalah sebagai berikut: Gambar 13.4 Diagram Jalur Hubungan Variabel Persepsi Kegunaan, Kemudahan, Utilitas E-filing dan Wajib Pajak dengan Nilai Parameter Persamaan struktur untuk model di atas adalah: sub struktur 1: Y1 = 0,156 X1 + 0,499 X2 + e1 sub struktur 2: Y2 = 0,716 X1+ e 2 sub struktur 3: Y2 = 0,182 X1 + 0,565X2 + e 199 Persepsi BAB 14 MENGUBAH DATA NON-METRIK KE DATA METRIK DENGAN METHOD OF SUCCESSIVE INTERVAL (MSI) 14.1 Pengantar Karena Analisis Jalur memerlukan data berskala metrik (interval), maka jika data belum berskala interval, misalnya ordinal seperti dalam contoh ini. Maka langkah pertama sebelum menggunakan Analisis Jalur data harus diubah menjadi data yang berskala interval dengan menggunakan Method of Successive Interval (MSI). Caranya dapat menggunakan software Microsoft Excel. Karena tidak semua program Excel mempunyai program tambahan ini; maka carilah dulu program tambahan ini yang dapat di cari di Internet, melalui Google Search. Nama fileny ialah stat97.xla. Kalau sudah ketemu, lakukan langkah berikutnya, yaitu mengubah data ordinal ke data interval. 14.2 Cara Mengubah Data Ordinal Menjadi Data Interval dalam Excell Cara mengubah data dapat dilakukan dengan cara sebagai berikut:  Buka excel  Klik file stat97.xla > klik enable macro  Masukkan data yang akan diubah. Dapat diketikkan atau kopi (dengan menggunakan perintah Copy - Paste) dari word atau SPSS di kolom A baris 1  Pilih Add In >Statistics>Successive Interval  Pilih Yes  Pada saat kursor di Data Range Blok data yang ada sampai selesai, misalnya 15 data  Kemudian pindah ke Cell Output.  Klik di kolom baru untuk membuat output, misalny di kolom B baris 1  Tekan Next  Pilih Select all  Isikan minimum value 1 dan maksimum value 9  Tekan Next  Tekan Finish 200 Keluaran akan menjadi seperti di bawah ini: 3 3 3 2 2 3 3 2 2 3 3 2 2 3 3 Succesive Interval 3 2,610 2,610 2,610 1,000 1,000 2,610 2,610 1,000 1,000 2,610 2,610 1,000 1,000 2,610 2,610 Lakukan editing dengan membuang kata Succesive Interval dan angka 3. Hasilnya akan seperti di bawah ini. No Data Ordinal Data Sesudah MSI 2,610 3 2,610 3 2,610 3 1,000 2 1,000 2 2,610 3 2,610 3 1,000 2 1,000 2 2,610 3 2,610 3 1,000 2 1,000 2 2,610 3 2,610 3 201 14.3 Akibat-Akibat Kalau Bukan Data Interval Digunakan Dalam Analisis Jalur Penggunaan data ordinal atau nominal akan mengecilkan koefesien korelasi yang digunakan dalam Analisis Jalur. Akibatnya model yang dibuat peneliti salah dan tidak memenuhi persyaratan sebagaimana diharuskan dalam model fit. Hal ini dapat dipahami dalam konteks regresi linier. Salah satu cara melihat kelayakan model regresi ialah dengan cara melihat nilai r2 dalam regresi. Semakin mendekati 1 nilai r2 maka kesesuaian model semakin tingi sebaliknya nilai r2 semakin rendah kecocokan model makin rendah. Nilai r2 merupakan nilai koefesien korelasi Pearson yang dikuadratkan. Oleh karena itu, jika koefesien korelasi kecil maka nilai r2 juga akan kecil. Kesimpulannya dengan menggunakan data ordinal atau nominal akan berakibat model yang dibuat oleh peneliti tidak layak atau salah. Itulah sebabnya jika data ordinal yang digunakan maka sebelum di analisis dengan SEM, data harus diubah ke interval dengan menggunakan method of successive interval (MSI). 202 Daftar Pustaka Denis, Daniel J. and Joanna Legerski. (2006). Causal Modeling and the Origins of Analisis Jalur. University of Montana Duncan, O. D., & Hodge, R. W. (1963). Education and occupational mobility: A regression analysis. The American Journal of Sociology, 68, 629-644. Garson, David (2011) Analisis Jalur. Diunduh dari http://faculty.chass.ncsu.edu/garson Hair, Joseph F. et al. (2010). Multivariate Data Analysis: A Global Perspective. New Jersey: Pearson Prentice Hall Johnson, Richard A. and Wichern, Dean W.(2002). Applied Multivariate Statistical Analysis. New Jersey: Prentice Hall Lleras , Christy (2011) Analisis Jalur Pennsylvania State University University Park Pennsylvania USA Olabutiyi, Moses. E.( 2006). A User’s Guide to Analisis Jalur.. Maryland: University Press of America Perdana, M.S.P. (2011). Uji Utilitas Multidimensional Self Concept Scale. Skripsi. Jakarta: Universitas Kristen Krida Wacana Sarwono, Jonathan.(2010). Analisis Jalur Untuk Riset Bisnis dengan SPSS. Edisi 5. Yogyakarta: Penerbit Andi. Streiner, David L. Finding Our Way: An Introduction to Analisis Jalur. Can J Psychiatry, Vol 50, No.2 February 2005 Schumacker, Randall E. and Richard G. Lomax .(1996) A beginner's guide to structural equation modeling . New Jersey: Lawrence Erlbaum Associates Inc Wright, Sewal. (1920). The relative importance of heredity and environment in determining the piebald pattern of guinea-pigs. Proceedings of the National Academy of Sciences, 6 , 320332. Wolfle, L. M. (2003). The introduction of Analisis Jalur to the social sciences, and some emergent themes: An annotated bibliography. Structural Equation Modeling,10, 1- 34. Wuensch, Karl L. (2008). An Introduction to Analisis Jalur 203