Disusun Oleh:
Rahmi Wahyuni | 16/394203/PA/17294
Maria Gaetana Agnesi Tois | 16/406182/PA/17635
Dosen Pengampu :
Abdurrakhman S.Si., M.Si.
Kualitas pelayanan merupakan gambaran atas seberapa jauh perbedaan antara kenyataan
pelayanan dengan harapan para pengguna layanan atas pelayanan yang seharusnya mereka
terima. Kualitas pelayanan dalam suatu perusahaan jasa meliputi tiga dimensi yakni tangibles
(bukti fisik), reliability (kehandalan) dan emphaty. Bank merupakan salah satu perusahaan di
bidang jasa dimana saat ini pelayanannya hampir digunakan oleh semua kalangan masyarakat.
Di Indonesia sendiri sudah terdapat banyak bank, baik swasta maupun negeri. Bank-bank
tersebut berlomba-lomba memberikan pelayanan yang terbaik kepada nasabahnya agar selalu
setia menggunakan pelayanan mereka.
Penelitian ini dilakukan untuk mengkonfirmasi kontribusi dari tangibles (bukti fisik), reliability
(kehandalan) dan emphaty (empati) dalam mengukur variabel kualitas pelayanan dan juga
mengkonfirmasi kontribusi dari setiap indikator dalam mengukur dimensinya masing-masing.
Tiga dimensi dari kualitas pelayanan yakni bukti fisik, kehandalan dan empati merupakan
indikator dari variabel laten kualitas pelayanan, akan tetapi ketiga dimensi yang dipandang
sebagai indicator tersebut tidak dapat diukur secara langsung, karena ketiga dimensi tersebut
memerlukan beberapa indicator lagi. Keadaan tersebut sesuai dengan prinsip analisis
konfirmatori dua tingkat, sehingga penelitian ini akan dianalisis menggunakan analisis
konfirmatori tingkat kedua (Second-Order Confirmatory Factor Analysis).
1. Pengertian
Analisis Faktor Konfirmatori (Confirmatory Factor Analysis) adalah salah satu metode
analisis faktor yang digunakan ketika peneliti telah memiliki pengetahuan mengenai
struktur suatu faktor laten. Struktur tersebut diperoleh berdasarkan kajian teoritis, hasil
penelitian mengenai hubungan antara variabel yang di observasi dengan variabel laten.
Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA) dibedakan menjadi
First-Order Confirmatory Factor Analysis dan Second-Order Confirmatory Factor
Analysis.
Pada First-Order CFA, suatu variabel laten yang diukur berdasarkan beberapa indicator
dan dapat diukur secara langsung. Sedangkan pada Second-Order CFA, variabel laten
tidak dapat diukur secara langsung melalui variabel-variabel indikatornya. Namun
memiliki beberapa indikator dimana indikator tersebut tidak dapat diukur secara
langsung, serta memerlukan beberapa indikator lagi.
B
Gambar (1) : Second-Order Model Confirmatory Factor Analysis
Menurut Bollen (1989, hubungan antara first order CFA, second-order CFA dan higher
order factors ditunjukkan pada persamaan berikut (1) :
η = Βη + Γξ + ζ (1)
Sementara model pengukurannya ditunjukkan sebagai berikut :
y = Λyη + ε (2)
x = Ʌx ξ + δ (3)
Komponen Γξ pada persamaan (1) tidak diperlukan jika higher order factors sebagai
bagian dari η dengan koefisien masing-masing di Β. Sebagai alternatifnya,
komponen Βη pada persamaan (1) dihapus jika hanya diperlukan second-order CFA
dan tidak ada factor tingkat pertama yang mempunyai efek langsung satu sama lain
(x=0).
Keterangan persamaan (1), (2) dan (3) :
Β : koefisien loading
Γ, Λ : loading factor first dan second order
ξ : vektor bagi peubah-peubah laten berukuran nxl
ζ : vektor variabel tunggal (unique)
x : vektor bagi peubah-peubah indikator berukuran pxl
δ : vektor bagi galat pengukuran berukuran pxl
ε : vektor bagi galat pengukuran berukuran nxl
η : variabel laten endogenus yang merangkap sebagai laten eksogenus
λ : nilai loading factor
2. Pemodelan
Menurut Agusty Ferdinand, pemodelan Structural Equation Model (SEM) secara umum
dapat dibuat melalui tahapan-tahapan berikut :
a. Pengembangan berbasis teori.
Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai
pengesahan model yang dibuat oleh peneliti. Dengan kata lain, teori yang digunakan
akan berfungsi sebagai justifikasi model yang akan dikembangkan. Jika tidak ada
teori yang sesuai, maka kemungkinan besar model yang dibuat akan salah. SEM
pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas, tetapi
digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris dengan
menggunakan data yang diobservasi.
d. Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang dibuat.
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan
untuk membuat model dan estimasinya. Dalam SEM data yang akan dimasukkan
untuk diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi
sebagai data untuk pembuatan model dan estimasi yang akan dikembangkan.
Dikarenakan fokus SEM bukan pada data individual hasil observasi, maka setiap
data individual hasil observasi yang dimasukkan kedalam program akan diubah
dalam bentuk matriks kovarian atau matriks korelasi terlebih dahulu baru kemudian
dilakukan estimasi. Penekanan SEM ialah pola hubungan antar responden.
f. Mengevaluasi model
Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria
keselarasan (goodness of fit). Pertama kali yang harus dilakukan oleh peneliti ialah
melakukan evaluasi bahwa data yang akan digunakan untuk pembuatan model dan
estimasi dapat memenuhi asumsi-asumsi dalam SEM yaitu :
Ukuran sampel sebaiknya di atas 100
Memenuhi asumsi normalitas multivariat
Memeriksa kenormalan data dapat dilakukan dengan menghitung jarak
kuadrat untuk setiap pengamatan. Langkah-langkah yang dilakukan adalah
menghitung nilai jarak kuadrat d2j dengan menggunakan rumus :
Kemudian mengurutkan nilai d2j dari yang terkecil sampai terbesar. Data
tidak berdistribusi normal multivariat apabila jarak d2j ≤ χ (p;0,50) terdapat
kurang lebih sama dengan 50%.
Hindari outliers dengan nilai-nilai ekstrim muncul secara univariat dan
multivariat
Hindari munculnya multikolinieritas dan singularitas karena data tidak
mempunyai kombinasi linear dalam variabel-variabel yang diteliti. Adanya
multikolinieritas dan singularitas dapat dideteksi dengan melihat kecilnya
angka determinan matriks kovarian
Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria
untuk melakukan evaluasi model, yaitu:
1. Uji kelayakan model (model fit)
Kebaikan model (goodness of fit) secara menyeluruh (overall model fit) atau
disebut dengan uji kelayakan model, memiliki beberapa metode pengujian
diantaranya :
Chi-Square Statistic
Model dikatakan sesuai dan semakin baik jika nilai chi-square (χ2) yang
dihasilkan semakin kecil.
Goodness of Fit Index (GFI)
Nilai indeks keselarasan (goodness of fit index) berkisar antara 0 – 1. Jika
nilainya mendekati 0 maka model mempunyai kecocokan yang rendah
sedangkan jika nilai mendekati 1 maka model mempunyai kecocokan yang
baik. Berikut ini persamaan matematis dari GFI :
tr [ ( ^Σ−1 S−I ) ]
2
GFI = 1 - (5)
tr [ ( Σ
^ −1 S )2 ]
k (k −1)
¿
AGFI = 1 - ¿ [ 1−GFI ] (6)
¿
¿
RMSEA =
√ χ2
( n−1 ) df
−
1
n−1
(7)
^ρc =
( ) ∑ ^λi
i=1
k 2 k
(∑ ) (∑ )
i=1
^λ i +
i=1
δ^ i
B. VARIABEL PENELITIAN
Tabel 1
VARIABEL YANG DIGUNAKAN DALAM PENELITIAN
Gambar (2) : Model Analisis Faktor Konfirmatori Tingkat Kedua dari Kualitas Pelayanan
Gambar diatas memberikan informasi bahwa nilai derajat bebas (df) dari model yang terbentuk
adalah sebesar 24 (df positif), yang menunjukkan model over-identified. Sehingga pada model
ini dapat dilakukan beberapa tingkat generalisasi untuk mendapatkan model yang paling sesuai.
Selanjutnya, akan dilakukan evaluasi model dengan menggunakan kriteria keselarasan (goodness
of fit). Pertama kali yang harus dilakukan dalam evaluasi model adalah memastikan bahwa data
yang akan digunakan untuk pembuatan model dan estimasi dapat memenuhi asumsi-asumsi
dalam SEM. Asumsi-asumsi yang harus dipenuhi dalam SEM adalah :
1. Ukuran sampel sebaiknya di atas 100
Pada penelitian mengenai kepuasan pelayanan di bank ini, responden yang diambil
adalah sebanyak 145 orang, sehingga asumsi mengenai ukuran sampel sebaiknya > 100
terpenuhi.
Tabel 2
NORMALITAS
3. Hindari outliers
Suatu data penelitian dikatakan terdapat outlier jika nilai p1 dan p2 < 5%. Nilai p1 dan p2
dapat dilihat pada tabel observations farthest from the centroids (mahalanobis distance).
Dari tabel tersebut dapat dilihat bahwa terdapat 100 data yang diobservasi, dan ada 14
data obeservasi yang nilai p1 dan p2 lebih kecil dari 5%, sehingga 14% data observasi
merupakan data outlier. Walaupun masih ada 14% data yang outlier, namun asumsi tidak
terdapat outlier pada data penelitian ini diasumsikan terpenuhi,
Tabel 3
NILAI SIGNIFIKANSI LOADING FACTOR
Estimate
BF <--- K_P .614
KH <--- K_P .826
EM <--- K_P .974
X1 <--- BF .861
X2 <--- BF .810
X3 <--- BF .254
X4 <--- KH .547
X5 <--- KH .309
X6 <--- KH .699
X7 <--- EM .694
X8 <--- EM .679
X9 <--- EM .036
c. Uji Reliabilitas
Tabel 5
NILAI RELIABILITAS INDIKATOR
Estimate
EM .948
KH .683
BF .377
X9 .001
X8 .461
X7 .481
X6 .489
X5 .096
X4 .299
X3 .064
X2 .656
X1 .744
Suatu indikator dinyatakan reliabel jika memiliki nilai estimate > 0,5.
Berdasarkan hasil perhitungan yang disajikan dalam tabel di atas, indikator
yang reliabel adalah empati (EM), kehandalan (KH), serta sub indicator yang
reliabel adalah gedung yang dimiliki (X1) dan kelengkapan fasilitas fisik
(X2) Sedangkan indikator dan sub indicator yang lain dinyatakan tidak
reliabel karena memiliki nilai estimate di bawah 0,05.
Setelah dilakukan evaluasi model, selanjutnya dapat dilakukan interpretasi dan pengambilan
kesimpulan. Penelitian ini ditujukan untuk melihat seberapa besar peran dari pegawai bank
dalam menjalankan perannya dalam meningkatkan tingkat pelayananmya. Variable kualitas
pelayanan ini merupakan variabel laten yang harus memiliki indikator untuk menilainya.
Indikator yang dimaksud adalah bukti fisik, kehandalan dan empati. Masing-masing dari
indikator ini memiliki sub indikator lain yang harus diuji peranannya bagi indikator tersebut,
dimana pengujian yang dimaksud disebut dengan second confirmatory order.
Tabel 3
NILAI SIGNIFIKANSI LOADING FACTOR
Pada tabel diatas yakni tabel nilai signifikansi loading factor, dapat dilakukan model pengukuran
dan model structural untuk masing-masing indicator. Nilai estimate menunjukkan seberapa kuat
pengaruh suatu variabel terhadap variabel lainnya.
a. Model Pengukuran
Model pengukuran untuk variabel laten bukti fisik
X1 = BF + e1
X2 = 0.980*BF + e2
X3 = 0.375*BF + e3
Indikator X1 (gedung yang dimiliki) merupakan indikator yang memberikan
kontribusi terbesar bagi variabel laten bukti fisik sebesar 100%.
b. Model Struktural
BF = KP + e10
KH = 1.181*KP + e11
EM = 1.669*KP + e12
Indikator EM (empati) merupakan indikator yang memberikan kontribusi terbesar bagi
variabel laten kepuasan pelanggan sebesar 170%.