Pengaruh brand image IM3terhadap keputusan pembelian simcard Gambar 7. Kerangka pemikiran

22

III. METODOLOGI PENELITIAN

3.1 Kerangka Pemikiran Perusahaan memiliki strategi tertentu untuk memenangkan persaingan dalam pasar yang mereka hadapi. Perusahaan yang ketat dalam pasar operator seluler membuat operator harus membuat bauran pemasaran yang baik agar dapat memenuhi kebutuhan pelanggan sasarannya. Persaingan yang dialami IM3 membuat IM3 harus berusaha menjaga brand image-nya ditengah-tengah banyaknya pemain dalam pasar operator seluler. Brand image menjadi hal yang penting

karena

konsumen

cenderung

mengambil

keputusan

pembelian

berdasarkan persepsi mereka akan suatu produk. Gambar 7 adalah kerangka pemikiran penelitian ini. Persaingan dan tekanan yang dialami Indosat (IM3)

Strategi yang dilakukan IM3

Brand image IM3

IM3 pada pasar GSM prabayar Analisis deskriptif Uji Cochran

Multidimensional scaling

Keputusan pembelian simcard IM3

Analisis regresi logistik

Pengaruh brand image IM3terhadap keputusan pembelian simcard Gambar 7. Kerangka pemikiran

23

3.2 Metode penelitian 3.2.1 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan di kampus Dramaga Institut Pertanian Bogor (IPB). Hal ini dikarenakan hampir seluruh mahasiswa S1 IPB melakukan kegiatan belajar-mengajar di kampus Dramaga. Penelitian dilaksanakan dari bulan Maret sampai dengan April 2010.

3.2.2 Pengumpulan Data Data yang digunakan dalam penelitian ini terdiri dari data primer dan data sekunder. Data primer diperoleh dari sumber pertama melalui prosedur dan teknik pengambilan data yang dapat berupa wawancara (interview), observasi, maupun penggunaan instrument pengukuran yang khusus dirancang sesuai tujuannya. Data primer untuk penelitian didapat dari penyebaran kuesioner kepada responden serta melakukan wawancara. Responden adalah mahasiswa strata satu IPB. Kuesioner yang digunakan dapat dilihat pada Lampiran 1. Data sekunder merupakan kumpulan data yang berisikan informasi yang telah ada dan sebelumnya telah dikumpulkan untuk tujuan yang lain. Data ini biasanya berupa data dokumentasi, arsip-arsip, studi pustaka, maupun artikel dari media cetak atau internet. Data sekunder didapat dari data internal yang dimiliki perusahaan, studi pustaka dan internet.

3.2.3 Metode Pemilihan Sampel Pengambilan contoh sampel dilakukan dengan quota sampling. Quota sampling adalah teknik sampling nonprobabilitas yang berupa judgment sampling dua tahap. Tahap pertama terdiri dari mengembangkan kategori kendali atau kuota elemen populasi. Tahap kedua elemen sampel dipilih berdasarkan kemudahan atau judgment (Malhotra, 2005). Populasi dari sampel adalah jumlah mahasiswa strata satu. Populasi mahasiswa S1 IPB per 31 Desember 2010 terlihat pada Tabel 3. Pertama, penentuan jumlah sampel dilakukan berdasarkan rumus Slovin (Umar, 2003), yaitu: 𝑁

n = 1+𝑁(𝑒)2 ……………………………………………………(1)

24

Keterangan: n = jumlah contoh

N = jumlah populasi

e = nilai kritis yang digunakan 10 persen Berdasarkan rumus Slovin didapat jumlah responden sebanyak 100 responden. 𝑛=

14178 = 99,29 ≈ 100 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛 1 + 14178 (0,1)2

Tabel 3. Populasi mahasiswa S1 Institut Pertanian Bogor Fakultas

Laki-laki Perempuan 791 1074 275 403 795 819 377 585 774 824 837 894 1274 1567

Pertanian Kedokteran Hewan Perikanan dan Ilmu Kelautan Peternakan Kehutanan Teknologi Pertanian Matematika dan Ilmu Pengetahuan Alam Ekonomi dan Manajemen 556 1195 Ekologi Manusia 238 900 Jumlah 5917 8261 Sumber: Direktorat AJMP-IPB (31 Desember 2009)

Jumlah 1865 678 1614 962 1598 1731 2841 1751 1138 14178

Selanjutnya dilakukan pembagian jumlah responden dari setiap fakultas yang ada agar respondennya terwakili. 1865

FAPERTA

: 14178 𝑥 100 = 13,15 ≈ 13 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FKH

: 14178 𝑥 100 = 4,78 ≈ 5 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FPIK

:

FAPET

: 14178 𝑥 100 = 6,78 ≈ 7 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FAHUTAN

: 14178 𝑥 100 = 11,27 ≈ 11 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FATETA

:

FMIPA

: 14178 𝑥 100 = 20,03 ≈ 20 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FEM

: 1417 8 𝑥 100 = 12,35 ≈ 12 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

FEMA

:

678

1614 14178

𝑥 100 = 11,38 ≈ 12 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

962

1598 1731

14178

𝑥 100 = 12,20 ≈ 12 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

2841 1751

1138 14178

𝑥 100 = 8,02 ≈ 8 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛

25

Berdasarkan hasil perhitungan quota sampling maka didapat jumlah mahasiswa yang akan dijadikan responden untuk tiap fakultas. Hasil dapat dilihat pada Tabel 4. Tabel 4. Jumlah responden tiap-tiap fakultas Fakultas Pertanian Kedokteran Hewan Perikanan dan Ilmu Kelautan Peternakan Kehutanan Teknologi Pertanian Matematika dan Ilmu Pengetahuan Alam Ekonomi dan Manajemen Ekologi Manusia Jumlah Sumber: Hasil pengolahan data primer

Jumlah Responden 13 5 12 7 11 12 20 12 8 100

3.2.4 Pengolahan dan Analisis Data Data yang telah didapat melalui penyebaran kuesioner dan wawancara selanjutnya diolah dengan software agar kesalahan dalam penilitian akan terminimalisir. Namun sebelum data diolah, alat pengumpul data (kuesioner) diuji dulu validitas dan reabilitasnya. Validitas adalah ukuran yang menunjukkan tingkat kevalidan atau keabsahan suatu instrument penelitian. Instrument dianggap valid apabila mamu mengukur apa yang diinginkan dan mampu memperoleh data yang tepat dari variabel yang diteliti. Uji validasi digunakan untuk menentukan suatu besaran yang menyatakan bagaimana kuat hubungan suatu variabel dengan variabel lain. Untuk mengukur korelasi antar pertanyaan dengan skor total digunakan rumus korelasi product moment (Umar, 2001), yaitu: n( XY )−( X

r= [n

2

X 2 −( X) ][n

Y) 2

………………………………(2)

Y 2 −( Y) ]

Keterangan : n = jumlah responden

x = skor masing-masing pertanyaan

y = skor total

r = indeks validitas

Bila diperoleh r hitung lebih besar dari r tabel pada tingkat signifikansi (α) 0,10 maka pertanyaan pada kuesioner mempunyai validitas konstruk atau

26

terdapat kosistensi internal dalam pernyataan tersebut dan layak digunakan. Reliabilitas adalah suatu nilai yang menunjukkan konsistensi suatu alat pengukur di dalam mengukur gejala yang sama. Setiap alat pengukur seharusnya memiliki kemampuan untuk memberikan hasil pengukuran yang konsisten (Umar, 2003). Uji reliabilitas alat untuk penelitian kali ini menggunakan teknik Spearman-Brown dan metode Cronbach. Metode Spearman-Brown digunakan dengan syarat: 1. Bentuk pertanyaan hanya terdiri atas dua pilihan jawaban, misalnya, Ya diisi dengan 1 dan Tidak diisi dengan 0. 2. Jumlah butir pertanyaan harus genap, agar dapat dibelah. 3. Antara belahan pertama dengan belahan kedua harus seimbang. Dalam metode Spearman-Brown, skor yang diperoleh kemudian dikelompokkan menjadi dua belahan bagian. Teknik pembelahan yang digunakan dalam penelitian ini adalah teknik pembelahan ganjil-genap. Dengan teknik belah dua ganjil-genap, periset mengelompokkan skor butir bernomor ganjil sebagai belahan pertama dan kelompok skor butir bernomor genap sebagai belahan kedua. Langkah selanjutnya adalah mengkorelasikan skor belahan pertama dengan skor belahan kedua, akan diperoleh harga rxy. Oleh karena indeks korelasi yang diperoleh baru menunjukkan

hubungan antara

belahan

instrument,

maka

untuk

memperoleh indeks realibilitas masih harus menggunakan rumus Spearman-Brown, yaitu: 2𝑟

r11 = (1+𝑟𝑥𝑦 )…………………………………………………......(3) 𝑥𝑦

Tapi terlebih dahulu dihitung korelasi antara belahan ganjil-genap dengan rumus: 𝑛

rxy = 𝑛

𝑋𝑌−( 𝑋)( 𝑌)

𝑋2−

𝑋 2 [𝑛

2

………………………(4)

𝑌 2 −( 𝑌) ]

Metode Cronbach digunakan untuk mencari reliabilitas instrument yang skornya merupakan rentangan antara beberapa nilai, misalnya 0-10 atau 0-100 atau bentuk skala 1-3, 1-5, atau 1-7. Rumus ini ditulis sebagai berikut (Umar, 2003):

27

r11 =

𝑘 𝑘−1

(1 −

𝑏 2 )…………………………………………(5) 𝑡 2

Keterangan: r11 = reliabilitas instrument

k = banyak butir pertanyaan

t2 = varian total

b2 = jumah varian butir

Jumlah varian butir dicari dulu dengan cara mencari nilai varian tiap butir, kemudian jumlahkan, (Umar, 2003) seperti yang dipaparkan berikut ini:  = 2

𝑋2

( 𝑋 )2 𝑛

𝑛

………………………………………………….(6)

Keterangan: n = jumlah responden X = nilai skor yang dipilih (total nilai dari nomor-nomor butir pertanyaan) Pengolahan dan analisis data menggunakan software Microsoft Excel 2007, Minitab 14, Permap 11.8 dan SPSS 15.0 for Windows. Alat analisis yang akan digunakan pada penelitian kali ini adalah analisis deskriptif, uji Cochran, multidimensional scaling dan regresi logistik.

3.2.4.1 Analisis Deskriptif Analisis deskriptif merupakan suatu metode dalam meneliti status kelompok manusia, suatu objek, suatu sistem pemikiran, ataupun suatu kelas peristiwa pada masa sekarang. Tujuannya adalah untuk membuat deskripsi, gambaran atau lukisan secara sistematis, faktual dan akurat, mengenai fakta-fakta, sifat-sifat serta hubungan antar fenomena yang diselidiki (Nazir, 1988)

3.2.4.2 Uji Cochran Uji cochran digunakan pada data dengan skala pengukuran nominal atau untuk informasi dalam bentuk terpisah dua (dikotomi). Pengujian ini adalah untuk mengetahui keberadaan hubungan antara beberapa variabel. Langkah-langkah dalam uji cochran (Umar, 2003) adalah sebagai berikut:

28

1. Hitung statistik Q dengan rumus: Q=

𝐶(𝐶−1)

𝐶𝑗 2 −(𝐶−1)𝑁 2

𝐶𝑁− 𝑅𝑖 2

………………………………(7)

Keterangan: C = banyakya variabel (asosiasi)

Ri = jumlah baris jawaban “ya”

Cj = jumlah kolom jawaban “ya”

N = total besar

2. Tolak Ho bila Q > X2(,v)

V = C-1

3.2.4.3 Multidimensional scaling Sebagai

teknik

multivariat

dalam

golongan

interdependence technique, MDS adalah salah satu prosedur yang digunakan untuk memetakan persepsi dan preferensi para responden secara visual dalam peta geometri. Peta geometri yang biasa disebut spatial map atau perceptual map, merupaan penjabaran berbagai dimensi yang berhubungan. Informasi yang diberikan MDS juga dipakai dalam berbagai aplikasi pemasaran seperti: pengukuran citra, segmentasi pasar, pengembangan produk baru, menilai efektivitas iklan, analisis harga, keputusan saluran distribusi dan konstruksi skala sikap. (Simamora, 2005) Hasil dari MDS berupa perceptual map, berupa peta geometris yang menyatakan hubungan atau perbandingan antar merek berdasarkan atribut/dimensi yang diukur. Baik atau buruknya perceptual map yang dihasilkan dapat dilihat dari nilai RSQ dan stres yang didapat. RSQ adalah indeks korelasi pangkat dual yang menyatakan varians data yang dapat dijelaskan oleh model.

Sedangkan

stres

adalah

skor

yang

menyatakan

ketidaktepatan pengukuran. (Simamora, 2005).

3.2.4.4 Regresi Logistik Regresi logistik adalah suatu teknik analisis statistik yang digunakan untuk menganalisis data peubah responsnya berupa data

29

berskala biner atau dikotom yakni memiliki nilai yang diskontinu 1 dan 0. Pada model ini, respon variabel tak bebasnya (Y) bersifat memihak kepada 1 dari 2 atau lebih pilihan yang ada. Peubah penjelasnya berupa peubah kontinu ma upun kategorik. Selain peubah responnya perbedaan lain antara regresi linear dan regresi logistik tercermin pada pemilihan model parametrik dan asumsiasumsi yang mendasari kedua model. Namun, prinsip pendugaan parameter yang digunakan dalam analisis model regresi logistik sama dengan regresi linear. (Hosmer dan Lemeshow, 1989) Model regresi logistik dengan p buah peubah bebas dapat digambarkan dengan menghitung peluang atau kemungkinan kejadian, yaitu sebagai berikut: 𝑒 𝑔(𝑥 )

𝜋 𝑥 = 1+𝑒 𝑔(𝑥 )…………………………………………(8) Dalam model regresi logistik diperlukan suatu fungsi penghubung yang sesuai dengan model regresi logistik yaitu fungsi logit. Transformasi logit sebagai fungsi dari π(x) dinyatakan sebagai berikut (Hosmer dan Lemeshow, 1989): 𝑔 𝑥 = ln

𝜋(𝑥) 1 − 𝜋(𝑥)

Sedangkan, 𝑔 𝑥 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝 ………………(9) Parameter model dapat diduga dengan menggunakan metode

kemungkinan

maksimum,

metode kuadrat

terkecil

terboboti tak iteratif dan analisis diskriminan (Hosmer dan Lemeshow, 1989). Model regresi logistik yang digunakan untuk mendapatan koefisien regresi logistik pada penelitian ini adalah dengan metode kemungkinan maksimum (Maximum Likehood). Untuk memudahkan perhitungan, dilakukan pendekatan logaritma sehingga fungsi log-kemungkinan (log-likehood) adalah sebagai berikut: 𝐿 𝛽 = ln 𝑙(𝛽) =

𝑛 𝑖=1

𝑦𝑖 + ln 𝜋𝑖 + 1 − 𝑦𝑖 ln⁡ (1 − 𝜋𝑖 ) ……..(11)

30

Nilai dugaan βi dapat diperoleh dengan membuat turunan pertama L(β) terhadap βi=0, dengan i=0,1,2,…,p.

1. Pengujian Keberartian Model Pengujian keberartian model dibuat untuk memastikan keterkaitan antara peubah-peubah penjelas dalam model dengan peubah responnya. Pengujian keberartian ini dilakukan dengan menggunakan statistik Uji-G dengan rumus: 𝐺 = −2𝑙𝑛

𝐿0 𝐿1

…………………………………………..(12)

L0 = nilai likelihood tanpa peubah bebas L1 = nilai likehood dengan peubah bebas Adapun hipotesis uji-G adalah jika hipotesis nol, β1= β2=…= βp=0, benar maka statistik uji-G menyebar mengikuti sebaran x2 dengan derajar bebeas p. hipoteisi nol ditolak jika G> x2p(α) atau nilai p<α (Hosmer dan Lemeshow, 1989)

2. Uji nyata parameter Adapun peranan dari peubah penjelas yang ada dalam model, dapat diuji secara parsial dengan menggunakan uji-Wald. Statistik uji-Wald didefinisikan sebagai berikut: 𝛽

𝑊𝑖 = 𝑆𝐸 (𝛽𝑖 ) ……………………………………………(13) 𝑖

Dimana 𝛽 merupakan penduga bagi 𝛽, dan 𝑆𝐸 (𝛽 ) merupakan penduga galat baku dari 𝛽 . Asumsi H0 benar maka statistik uji akan mengikuti sebaran normal baku, dengan kriteria uji (Hosmer dan Lemeshow, 1989) : 𝑊 =

< 𝑍𝛼 2,𝑡𝑒𝑟𝑖𝑚𝑎 𝐻0 ……………………………...(14) ≥ 𝑍𝛼 2,𝑡𝑜𝑙𝑎𝑘 𝐻0

3. Interpretasi koefisien Interpretasi koefisien dilakukan pada peubah-peubah yang berpengaruh nyata. Interpretasi dilakukan dengan melihat tanda

31

dari koefisien tersebut. Interpretasi koefisien menggunakan radio odds. Radio odds didefinisikan sebagai berikut: 𝜓 = exp 𝛽 …………………………………………...(15) Dimana β adalah koefisien dari model regresi logistik. Rasio odds memiliki selang kepercayaan sebagai berikut: 𝑒𝑥𝑝 𝛽𝑖 ± 𝑍1−𝛼

2

× 𝑆𝐸 (𝛽𝑖 ) …………………………...(16)

Dalam interpretasi koefisien dari rasio odds untuk peubah penjelas yang berskala nominal, x=1 nemiliki kecenderungan untuk y=1 sebesar ψ kali dibandingkan peubah x=0. Sedangkan untuk peubah penjelas berskala kontinu, jika ψ≥1, maka semakin besar nilai peubah x diikuti dengan semakin besarnya kecenderungan untuk y=1.