Library :

> library(knitr)
> library(rmarkdown)
> library(prettydoc)

PENDAHULUAN

Latar Belakang

PT. Telekomunikasi Indonesia atau yang biasa disebut dengan PT. Telkom merupakan Badan Usaha Milik Negara (BUMN) yang bergerak di bidang jasa layanan teknologi informasi dan komunikasi (TIK) dan jaringan telekomunikasi di Indonesia yang memiliki market share terbesar dalam industri internet kabel. Dalam upaya bertransformasi menjadi digital telecommunication company, TelkomGroup mengimplementasikan strategi bisnis dan operasional perusahaan yang berorientasi kepada pelanggan (customer-oriented). Transformasi tersebut akan membuat organisasi TelkomGroup menjadi lebih lean (ramping) dan agile (lincah) dalam beradaptasi dengan perubahan industri telekomunikasi yang berlangsung sangat cepat. Organisasi yang baru juga diharapkan dapat meningkatkan efisiensi dan efektivitas dalam menciptakan customer experience yang berkualitas. Infrastruktur jaringan kabel milik PT. Telkom telah tersebar hampir ke seluruh penjuru nusantara, bahkan terdapat di setiap kecamatan pulau jawa maupun di luar pulau jawa, salah satunya Kota Solo, Jawa Tengah.

Dalam perusahaan yang bergerak di bidang jasa, pelanggan merupakan orang yang menggunakan jasa pelayanan. Pelanggan juga dapat diartikan sebagai orang yang menjadi pembeli atau pengguna produk yang telah dibuat dan dipasarkan oleh seorang perusahaan, dimana orang ini bukan hanya sekali membeli produk tersebut tetapi sudah berulang-ulang kali. Oleh karena itu, kepuasan seorang pelanggan merupakan aspek yang sangat penting dalam berkembangnya suatu perusahaan. Kepuasan pelanggan merupakan hasil dari penilaian pelanggan bahwa kinerja (hasil) produk atau pelayanan telah memberikan tingkat kenikmatan dimana tingkat pemenuhan ini bisa lebih atau kurang. Jika kinerja dari produk atau pelayanan memenuhi ekspektasi atau harapan pelanggan, maka dapat dikatakan bahwa pelanggan tersebut puas. PT. Telkom perlu mengetahui faktor-faktor yang mempengaruhi kepuasan pelanggan agar dapat menyusun strategi yang lebih baik dalam menghadapi persaingan dan mendapatkan kepuasan yang berujung pada loyalitas pelanggan di masa mendatang dan perkembangan perusahaan yang lebih baik.

Rumusan Masalah

Rumusan masalah yang terbentuk berdasarkan latar belakang yang telah disusun adalah sebagai berikut :
1. Faktor-faktor apa saja yang mempengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telekomunikasi Indonesia Kota solo?
2. Faktor-faktor apa saja yang paling dominan dalam mempengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telekomunikasi Indonesia Kota Solo?

Tujuan

Adapun tujuan yang terbentuk, yaitu :
1. Mengidentifikasi faktor-faktor yang mempengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telekomunikasi Indonesia Kota Solo.
2. Mengidentifikasi faktor-faktor yang paling dominan dalam mempengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telekomunikasi Indonesia Kota Solo.

ANALISIS FAKTOR

Analisis faktor adalah sebuah nama umum yang diberikan kepada sebuah kelas dari metode statistika multivariat yang tujuan utamanya adalah menentukan struktur yang mendasari keterkaitan (korelasi) antara sejumlah variabel. Prinsip dasar dari analisis faktor yaitu dengan mengekstrasi sejumlah vaktor dari gugusan variabel asal X sehingga banyaknya faktor lebih sedikit dari banyaknya variabel asal X dan sebagian besar informasi (ragam) variabel asal X tersimpan dalam sejumlah faktor. Faktor merupakan variabel baru yang bersifat tidak bisa diukur atau tidak dapat diamati. Sedangkan X adalah variabel yang dapat diukur atau diamati. Faktor dalam analisis faktor dibentuk untuk memaksimalkan penjelasan dari sekelompok variabel, bukan digunakan untuk memprediksi suatu variabel tidak bebas. Dalam analisis faktor variabel-variabel dikelompokkan berdasarkan korelasinya, yaitu variabel yang mempunyai korelasi tinggi akan berada dalam kelompok tertentu membentuk suatu faktor dan variabel-variabel yang mempunyai korelasi rendah akan membentuk faktor lain. Secara umum dapat dikatakan bahwa analisis ini bertujuan untuk menganalisis hubungan sejumlah besar variabel dengan menentukan satu kelompok dimensi umum yang disebut faktor (Hair, et al. 1995).

Supranto (2004) mengemukakan bahwa langkah-langkah dalam menentukan analisis faktor adalah pertama merumuskan masalah dan mengidentifikasi variabel asli yang akan dianalisis faktor. Kemudian suatu matriks korelasi dari variabel dibentuk dan metode analisis faktor dipilih. Peneliti menentukan banyaknya faktor yang akan dipilih (extracted) dari variabel yang banyak tersebut dan metode rotasi akan dipergunakan. Selanjutnya menginterpretasikan faktor hasil rotasi. Berikutnya tergantung pada tujuan penelitian, menghitung skor faktor ataukah memilih surrogate variable, untuk mewakili faktor yang akan digunakan untuk analisis multivariat selanjutnya. Menurut teori tersebut, langkah langkah dalam analisis faktor adalah sebagai berikut :

  1. Menghitung Matriks Korelasi
    Model analisis faktor mensyaratkan bahwa hubungan antar variabel terobservasi harus linear dan nilai koefisien korelasi tak boleh nol, artinya harus benar-benar ada hubungan. Hal ini dapat dilihat dari matriks korelasi. Pembentukan matriks korelasi ρ merupakan langkah awal dalam analisis faktor. Selain matriks korelasi ρ , proses analisis faktor dapat didasarkan pada matriks kovarian ∑ , tergantung dari kesamaan satuan variabel-variabel yang dianalisis. Matriks kovarian akan digunakan bila seluruh variabel memiliki satuan yang sama, sedangkan matriks korelasi terbebas dari masalah kesamaan satuan pengukuran dan besarnya nilai variabel – variabel yang digunakan sehingga matriks korelasi lebih banyak digunakan (Sigit, 2008).

  2. Uji Hipotesis Matriks Korelasi

    • Uji Bartlett’s
      Uji Bartlett digunakan untuk menguji apakah matriks korelasi yang dihasilkan adalah matriks identitas, dimana matriks identitas mengindikasikan bahwa di antara peubah tidak terdapat korelasi dengan hipotesis pengujiannya sebagai berikut :
      \(H_0\) : Matriks korelasi merupakan matriks identitas
      \(H_1\) : Matriks korelasi bukan merupakan matriks identitas Apabila H0 ditolak, maka analisis faktor dapat diprediksi dan dianalisis lebih lanjut.

    • Uji Kaiser-Meyer-Olkin (KMO)
      Statistik ini digunakan untuk mengetahui apakah data observasi yang ada tersebut layak dianalisis lebih lanjut dengan analisis faktor atau tidak. Syarat untuk dapat melakukan analisis faktor adalah data dari peubah-peubah yang dianalisis harus memiliki nilai statistik KMO minimal sebesar 0,5.

    • Measure of Sampling Adequety (MSA)
      Measure of Sampling Adequacy (MSA) digunakan untuk mengevaluasi sejauh mana data yang digunakan cocok untuk analisis faktor. MSA mengukur seberapa baik variabel-variabel dalam data berkorelasi satu sama lain. Nilai MSA berkisar dari 0 hingga 1.Dasar pengambilan keputusan yaitu jika nilai MSA Indikator < 0.5 maka Indikator tersebut akan tereliminasi dan tidak dapat diikutsertakan dalam analisis komponen utama

  3. Ekstraksi Faktor
    Menurut Sigit (2008) Ekstraksi faktor merupakan langkah inti dari analisis faktor, yaitu mereduksi sejumlah variabel asli (misalkan sebanyak p variabel) menjadi sejumlah kecil faktor (misalkan k faktor), dimana p ≤ k. Ekstraksi faktor dilakukan dengan metode komponen utama. Ada beberapa prosedur heuristic dan objective untuk menentukan k faktor yang akan disarikan (extracted) di dalam analisis faktor, diantaranya yaitu :

    • Penentuan apriori
      Jumlah faktor yang diekstrak ditentukan berdasarkan teori, hipotesis maupun penelitian sebelumnya.

    • Kriteria akar ciri (eigen value)
      Dalam pendekatan dengan kriteria ini, hanya faktor yang memiliki akar ciri lebih dari satu (λ>1) yang dianggap signifikan dan diikutsertakan di dalam model faktor.

    • Kriteria presentase keragaman
      Kriteria ini menentukan banyaknya faktor yang diekstrak berdasarkan kumulatif persentase keragaman yang dijelaskan oleh faktor berurutan mencapai suatu level tertentu yang memuaskan.

    • Scree Plot
      Kriteria ini digunakan untuk menentukan sejumlah faktor yang optimum, dengan membuat scree plot yaitu kurva yang diperoleh dengan membuat plot antara faktor (sebagai sumbu horizontal) dengan akar cirinya (sebagai sumbu vertikal). Kemudian ketajaman kurva dilihat untuk menentukan titik keluaran (out of points) yaitu ketika kurva mulai menyerupai garis horizontal.

  4. Rotasi Faktor
    Pada umumnya faktor-faktor yang telah diperoleh masih sulit diinterpretasikan secara langsung. Oleh karena itu dilakukan rotasi terhadap matriks L atau faktor pembobot dengan mengubah faktor penimbang awal menjadi faktor penimbang baru untuk meningkatkan daya interpretasi. Ada dua macam rotasi, yaitu rotasi ortogonal dan rotasi oblique (Sigit, 2008).

  5. Interpretasi Faktor
    Selanjutnya, dilakukan pemberian nama (interpretasi) faktor yang telah terbentuk. Penamaan faktor didasarkan pada peubah-peubah yang mendominasi faktor tersebut, dilihat dari pola pembobot faktor, baik tanda maupun besarnya. Syarat penamaan faktor adalah subyektif, bahkan sering juga ditemukan faktor yang tidak diberi nama karena peubah-peubah yang dominan pada faktor tidak memiliki ciri yang khas.

DATA

Data yang digunakan dalam tugas ini yaitu data mengenai penelitian tentang “Analisis Faktor-Faktor yang mempengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Terdapat 25 orang responden dengan 5 variabel jawaban yaitu
\(X_1\) = Keandalan (reliability)
\(X_2\) = Ketanggapan (responsiveness)
\(X_3\) = Keyakinan (assurance)
\(X_4\) = Empati (emphaty)
\(X_5\) = Berwujud (tangible)

> library(readr)
> datafaktor = read_csv("C:/Users/ASUS/Downloads/Faktor Kepuasan Pelanggan.csv")
> knitr::kable(datafaktor, caption = "Data Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo")
Data Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo
No. Responden Keandalan Ketanggapan Keyakinan Empati Berwujud
1 5 4 4 4 4
2 5 4 3 4 4
3 4 4 4 3 3
4 4 4 4 4 3
5 4 5 4 4 5
6 5 5 4 3 3
7 4 4 5 4 5
8 4 4 3 4 4
9 3 3 4 3 3
10 4 5 1 4 4
11 4 5 3 5 5
12 4 5 4 3 4
13 5 4 4 5 4
14 3 3 3 3 3
15 5 4 4 4 4
16 5 5 5 4 4
17 3 2 2 3 3
18 4 3 3 3 3
19 3 4 3 3 3
20 3 4 4 4 3
21 4 4 2 5 5
22 4 4 3 3 3
23 3 3 3 5 4
24 5 5 4 5 4
25 4 3 3 3 5

HASIL DAN PEMBAHASAN

Library

> library(readr)
> library(DT)
> library(psych)
> library(corrplot)
> library(ggplot2)
> library(car)

Input Data

> datafaktor = read_csv("C:/Users/ASUS/Downloads/Faktor Kepuasan Pelanggan.csv")
> dat = datafaktor[ , -1]

Korelasi Matriks

> datamatrix = cor(dat)
> corrplot(datamatrix, method="number")

Berdasarkan output tersebut dapat dilihat bahwa hubungan antar variabel terobservasi linear dan nilai koefisien korelasi tidak sama dengan nol, artinya setiap variabel memiliki hubungan sehingga syarat utama model analisisi faktor telah terpenuhi.

Uji Hipotesis Matriks Korelasi

Uji Bartlett’s

> cortest.bartlett(dat)
$chisq
[1] 23.96771

$p.value
[1] 0.00768656

$df
[1] 10
> det(cor(dat))
[1] 0.3279883

Berdasarkan output tersebut, nilai-p adalah 0.0077 < 0.05, sehingga keputusannya adalah tolak H0 dan kesimpulannya adalah matriks korelasi bukan matriks identitas. Maka analisis faktor dalam penelitian ini dapat diprediksi dan dianalisis lebih lanjut karena sudah memenuhi persyaratan.

Uji KMO-MSA

> KMO(r=cor(dat))
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = cor(dat))
Overall MSA =  0.68
MSA for each item = 
  Keandalan Ketanggapan   Keyakinan      Empati    Berwujud 
       0.69        0.72        0.66        0.66        0.66

Berdasarkan output di atas diketahui nilai KMO MSA sebesar 0.68 > 0.5, sehingga dapat disimpulkan bahwa analisis faktor dalam penelitian ini dapat diprediksi dan dianalisis lebih lanjut karena sudah memenuhi persyaratan.

Ekstraksi Faktor

> fafitfree = fa(dat,nfactors = ncol(dat), rotate = "none")
> n_factors = length(fafitfree$e.values)
> scree = data.frame(
+   Factor_n = as.factor(1:n_factors),
+   Eigenvalue = fafitfree$e.values)
> ggplot(scree, aes(x = Factor_n, y = Eigenvalue, group = 1)) +
+   geom_point() + geom_line() +
+   xlab("Number of factor") +
+   ylab("Initial eigenvalue") +
+   labs( title = "Scree Plot",
+   subtitle = "(Based on the unreduced correlation matrix)")

Berdasrkan Scree Plot di atas, ada 2 titik Component yang memiliki Eigen Value > 1 maka dapat diartikan bahwa ada 2 faktor yang dapat dibentuk.

Rotasi Faktor

> X = dat
> fa.none = fa(r=X, nfactors = 2, fm='pa', max.iter=100, rotate='varimax')
> print(fa.none)
Factor Analysis using method =  pa
Call: fa(r = X, nfactors = 2, rotate = "varimax", max.iter = 100, fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
              PA1  PA2   h2   u2 com
Keandalan    0.30 0.73 0.63 0.37 1.3
Ketanggapan  0.35 0.61 0.50 0.50 1.6
Keyakinan   -0.06 0.49 0.25 0.75 1.0
Empati       0.75 0.12 0.57 0.43 1.1
Berwujud     0.75 0.12 0.57 0.43 1.1

                       PA1  PA2
SS loadings           1.33 1.18
Proportion Var        0.27 0.24
Cumulative Var        0.27 0.50
Proportion Explained  0.53 0.47
Cumulative Proportion 0.53 1.00

Mean item complexity =  1.2
Test of the hypothesis that 2 factors are sufficient.

df null model =  10  with the objective function =  1.11 with Chi Square =  23.97
df of  the model are 1  and the objective function was  0 

The root mean square of the residuals (RMSR) is  0 
The df corrected root mean square of the residuals is  0 

The harmonic n.obs is  25 with the empirical chi square  0  with prob <  0.98 
The total n.obs was  25  with Likelihood Chi Square =  0  with prob <  0.98 

Tucker Lewis Index of factoring reliability =  1.801
RMSEA index =  0  and the 90 % confidence intervals are  0 0
BIC =  -3.22
Fit based upon off diagonal values = 1
Measures of factor score adequacy             
                                                   PA1  PA2
Correlation of (regression) scores with factors   0.85 0.82
Multiple R square of scores with factors          0.72 0.68
Minimum correlation of possible factor scores     0.44 0.35

Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka dapat ditentukan dengan melihat nilai korelasi terbesar antara variabel dengan faktor (Component) yang terbentuk. Berdasarkan output di atas maka, model faktor analisis yang terbentuk adalah :
Keandalan (\(X_1\)) = 0.3\(F_1\) + 0.73\(F_2\) + \(ε_1\)
Ketanggapan (\(X_2\)) = 0.35\(F_1\) + 0.61\(F_2\) + \(ε_2\)
Keyakinan (\(X_3\)) = -0.06\(F_1\) + 0.42\(F_2\) + \(ε_3\)
Empati (\(X_4\)) = 0.75\(F_1\) + 0.12\(F_2\) + \(ε_4\)
Berwujud (\(X_5\)) = 0.75\(F_1\) + 0.12\(F_2\) + \(ε_5\)

Interpretasi Faktor

> fa.diagram(fa.none)

maka kesimpulan yang didapatkan pada analisis faktor ini adalah :
- Faktor 1 (Moralitas) = Empati(\(X_4\)) dan Berwujud(\(X_5\))
- Faktor 2 (Kemampuan) = Keandalan(\(X_1\)), Ketanggapan(\(X_2\)), dan Keyakinan(\(X_3\))

> print(fa.none)
Factor Analysis using method =  pa
Call: fa(r = X, nfactors = 2, rotate = "varimax", max.iter = 100, fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
              PA1  PA2   h2   u2 com
Keandalan    0.30 0.73 0.63 0.37 1.3
Ketanggapan  0.35 0.61 0.50 0.50 1.6
Keyakinan   -0.06 0.49 0.25 0.75 1.0
Empati       0.75 0.12 0.57 0.43 1.1
Berwujud     0.75 0.12 0.57 0.43 1.1

                       PA1  PA2
SS loadings           1.33 1.18
Proportion Var        0.27 0.24
Cumulative Var        0.27 0.50
Proportion Explained  0.53 0.47
Cumulative Proportion 0.53 1.00

Mean item complexity =  1.2
Test of the hypothesis that 2 factors are sufficient.

df null model =  10  with the objective function =  1.11 with Chi Square =  23.97
df of  the model are 1  and the objective function was  0 

The root mean square of the residuals (RMSR) is  0 
The df corrected root mean square of the residuals is  0 

The harmonic n.obs is  25 with the empirical chi square  0  with prob <  0.98 
The total n.obs was  25  with Likelihood Chi Square =  0  with prob <  0.98 

Tucker Lewis Index of factoring reliability =  1.801
RMSEA index =  0  and the 90 % confidence intervals are  0 0
BIC =  -3.22
Fit based upon off diagonal values = 1
Measures of factor score adequacy             
                                                   PA1  PA2
Correlation of (regression) scores with factors   0.85 0.82
Multiple R square of scores with factors          0.72 0.68
Minimum correlation of possible factor scores     0.44 0.35

Output di atas menunjukkan bahwa pada faktor 1 nilai korelasinya sebesar 0.72 > 0.5, dan faktor 2 nilai korelasinya sebesar 0.68 > 0.5. Karena nilai korelasi semua komponen > 0.5, maka kedua faktor yang terbentuk ini dapat disimpulkan layak untuk merangkum kelima variabel yang dianalisis.

KESIMPULAN

Berdasarkan hasil yang diperoleh, dapat ditarik kesimpulan sebagai berikut :
1. Berdasarkan analisis faktor, terdapat 2 faktor yang mempengaruhi kepuasan pelanggan terhadap pelayanan PT. Telekomunikasi Indonesia Kota Solo, yaitu faktor moralitas dan faktor kemampuan. Kedua faktor tersebut mampu menjelaskan 77% faktor-faktor yang merupakan faktor yang mempengaruhi kepuasan pelanggan terhadap pelayanan PT. Telekomunikasi Indonesia Kota Solo.
2. Faktor kedua (kemampuan) merupakan faktor yang paling dominan dalam mempengaruhi kepuasan pelanggan terhadap pelayanan PT. telekomunikasi Indonesia Kota Solo dimana faktor tersebut dapat menjelaskan keragaman sebesar 50% sedangkan faktor pertama (moralitas) hanya mampu menjelaskan keragaman sebesar 27%.

DAFTAR PUSTAKA

J. F. Hair, R. E. Anderson, R. I. Tatham., W. C. Black.(1995). “Multivariate Data Analysis With Readings,” no. Edisi ke-4.
Nugroho, Sigit. (2008). Statistika Multivariat Terapan. Bengkulu: UNIB Press.
M. A. Supranto. (2004). “Analisis Multivariat (Arti & Interpretasi)”, Jakarta : Rineka Cipta.