Penerapan Analisis Regresi Linier Berganda untuk Mengetahui Pengaruh Kepercayaan, Keamanan, dan Kualitas Pelayanan dalam Penggunaan GoFood terhadap Kepuasan Pelanggan pada Mahasiswa Universitas Brawijaya di Masa Pandemi

Nadine Gita Cahyani

21 Mei 2022

1 PENDAHULUAN

1.1 Latar Belakang

Coronavirus Disease 2019 (COVID-19) atau penyakit virus korona 2019 merupakan salah satu patogen utama yang menyerang sistem pernafasan manusia. Penyakit virus korona pertama kali dilaporkan terjadi di Kota Wuhan, Provinsi Hubei, China sekitar pada tanggal 1 Desember 2019 (Rothan dan Byrareddy, 2020). Dahulu, penyakit lain virus korona meliputi Severe Acute Respiratory (SARS)-CoV dan Middle East Respiratory Syndrom (MERS)-CoV yang identik sebagai salah satu bentuk ancaman kesehatan masyarakat. Penyakit virus korona diindikasikan berhubungan terhadap makanan laut dan pasar grosir hewan di Kota Wuhan, Provinsi Hubei, China. Hingga saat ini, dunia masih dihebohkan oleh penyakit virus korona yang dimana telah merenggut ratusan ribu nyawa masyarakat, karena memiliki daya virulensi atau penularan tinggi. Penyakit virus korona disebabkan oleh virus yang termasuk sebagai salah satu masalah penyakit menular di dunia, sehingga World Health Organization (WHO) telah menetapkan penyakit ini sebagai pandemi (Suharmanto, 2020). World Health Organization (WHO) menetapkan virus korona sebagai status darurat kesehatan masyarakat yang menjadi perhatian internasional (public health emergency of international concern) pada tanggal 30 Januari 2020 (Sari, dkk., 2020).

Penyebaran penyakit virus korona terjadi hampir di seluruh negara, termasuk di Indonesia. Penyakit virus korona telah terkonfirmasi masuk ke Indonesia sekitar pada awal tahun 2020. Kasus penyakit virus korona pertama di Indonesia dikonfirmasi oleh Presiden Joko Widodo pada tanggal 2 Maret 2020, sehingga sejak saat itu jumlah laporan kasus penyakit virus korona selalu disiarkan setiap hari secara luas melalui berbagai media kepada seluruh masyarakat Indonesia (Ariawan, dkk., 2021). Pemerintah membuat kebijakan hukum dan peraturan undang-undang sebagai bentuk upaya antisipasi penyebaran penyakit virus korona di Indonesia yang dimana telah berlaku hampir di seluruh daerah (Kartika, 2020). Kebijakan hukum dan peraturan undang-undang yang telah dibuat oleh pemerintah meliputi Keputusan Presiden Nomor 11 Tahun 2020 tentang Penetapan Kedaruratan Kesehatan Masyarakat Corona Virus Disease 2019 (COVID-19), Peraturan Pemerintah Nomor 21 Tahun 2020 tentang Pembatasan Sosial Berskala Besar dalam Rangka Percepatan Penanganan Corona Virus Disease 2019 (COVID-19), dan Peraturan Pemerintah Pengganti Undang-Undang Nomor 1 Tahun 2020 tentang Kebijakan Keuangan Negara dan Stabilitas Sistem Keuangan untuk Penanganan Pandemi Corona Virus Disease (COVID-19). Dengan demikian, hal ini berefek membawa banyak perubahan dalam kebiasaan dan aktivitas masyarakat yang dimana sebagian besar aktivitas masyarakat berubah menjadi daring (Novita, dkk., 2014).

Pada era globalisasi saat ini didapati perkembangan teknologi dan informasi mengalami peningkatan pesat di seluruh dunia, terutama selama masa pandemi. Hal ini terlihat pada penggunaan internet dalam segala aspek kehidupan selama masa pandemi. Internet merupakan salah satu bentuk teknologi informasi dan telekomunikasi. Internet berguna sebagai media hiburan, penyedia informasi, penghubung antara satu individu dengan individu lain, dan sarana untuk berkomunikasi (Maharama dan Kholis, 2018). Dengan demikian, sebagian besar masyarakat saat ini menganggap internet sebagai penunjang kegiatan sehari-hari selama masa pandemi yang dimana berakibat terhadap peningkatan pengguna internet di Indonesia. Perkembangan teknologi dan informasi selama masa pandemi mengalami peningkatan perihal pemenuhan kebutuhan akan suatu produk atau jasa hanya melalui kecanggihan telepon seluler. Perkembangan teknologi dan informasi terlihat telah menciptakan suatu terobosan baru yang memberikan kemudahan untuk berhubungan antara pelanggan dengan penyedia layanan jasa melalui aplikasi maupun website pada telepon seluler selama masa pandemi. Teknologi informasi dan komunikasi saat ini berkembang cukup pesat, sehingga terdapat munculnya berbagai macam pilihan penyedia layanan jasa transportasi secara daring di Indonesia (Suryaningsih, dkk., 2019).

Sekarang, penyedia layanan jasa transportasi secara daring tidak hanya memasarkan layanan jasa angkut manusia saja, tetapi sudah merambah kepada layanan jasa pesan-antar makanan dan minuman secara daring (Lisnawati, dkk., 2019). Salah satu penyedia layanan jasa transportasi secara daring yang telah merambah kepada layanan jasa pesan-antar makanan dan minuman secara daring yaitu Gojek dengan fitur layanan yang bernama GoFood. GoFood dapat membawakan makanan dan minuman sesuai pesanan dari para pelanggan kemanapun hingga kapanpun selama masa pandemi. GoFood hadapi kenaikan proses transaksi sebesar 20% selama masa pandemi (Artanti, dkk., 2010) dan GoFood juga hadapi kenaikan pengguna sebesar 30% selama masa pandemi (Catherine, dkk., 2021). Hal ini menunjukkan bahwa terjadi kecenderungan perihal pelanggan untuk melakukan transaksi pemesanan makanan dan minuman secara daring selama masa pandemi.

Penyebaran dari penyakit virus korona dapat mempengaruhi kepercayaan pelanggan perihal risiko kesehatan saat melakukan transaksi pemesanan makanan dan minuman secara daring kepada penyedia layanan jasa. Walaupun selama masa pandemi, kurir dari penyedia layanan jasa telah diwajibkan untuk melakukan penerapan protokol kesehatan, tapi pelanggan tetap merasa cemas mengenai apakah transaksi pemesanan makanan dan minuman secara daring dapat memberikan bahaya bagi kesehatan mereka atau tidak. Dengan demikian, kepercayaan berperan penting dalam hubungan antara penyedia layanan jasa dengan pelanggan. Keamanan yang dihadapi oleh pelanggan menjadi sebuah pertimbangan utama dalam hal melakukan transaksi pemesanan makanan dan minuman secara daring kepada penyedia layanan jasa. Eksistensi dari penyakit virus korona berdampak kepada perilaku pelanggan yang lebih mementingkan kesehatan dan kebersihan dalam kehidupan harian. Dengan demikian, keamanan berperan penting dalam hal mengembangkan keinginan pelanggan. Ketertarikan pelanggan untuk melakukan transaksi pemesanan makanan dan minuman secara daring kepada penyedia layanan jasa disebabkan oleh kualitas layanan yang bersifat baik. Kualitas pelayanan termasuk derajat mutu yang diinginkan untuk mencukupi aspirasi pelanggan (Tjiptono, 2016). Dengan demikian, kualitas pelayanan berperan penting dalam menarik pelanggan. Ikatan hubungan penyedia layanan jasa dengan pelanggan akan terasa kuat apabila kepuasan yang dihadapi oleh mereka terjadi secara konstan dalam selang waktu yang lama. Kepuasan pelanggan termasuk kiat utama untuk menciptakan hubungan antara penyedia layanan jasa dengan pelanggan (Dewi, dkk., 2008). Kepuasan pelanggan akan terikat dengan perkiraan kinerja penyedia layanan jasa dalam memberikan mutu dan relatif terhadap harapan pelanggan (Kotler, 2001).

Mahasiswa di masa kini telah terbiasa menggunakan layanan jasa pesan-antar makanan dan minuman secara daring selama masa pandemi. Mahasiswa sangat menggemari layanan jasa pesan-antar makanan secara daring, karena mahasiswa memiliki sifat selalu mengikuti tren (Kusuma dan Hermawan, 2020). Mahasiswa berperan sebagai agen perubahan yang berarti bahwa mahasiswa bukan hanya menjadi inisiator perubahan, tetapi juga menjadi tokoh dari perubahan tersebut. Perubahan dari pemesanan makanan dan minuman secara luring beralih ke pemesanan makanan dan minuman secara daring.

Berdasarkan uraian latar belakang di atas, maka peneliti tertarik untuk melakukan penelitian tentang penerapan analisis regresi linier berganda untuk mengetahui pengaruh kepercayaan, keamanan, dan kualitas pelayanan dalam penggunaan GoFood terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang di atas, maka rumusan masalah untuk penelitian ini sebagai berikut:

  • Apakah kepercayaan dalam penggunaan GoFood berpengaruh terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial?.
  • Apakah keamanan dalam penggunaan GoFood berpengaruh terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial?.
  • Apakah kualitas pelayanan dalam penggunaan GoFood berpengaruh terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial?.

1.3 Tujuan

Berdasarkan uraian latar belakang di atas, maka tujuan untuk penelitian ini sebagai berikut:

  • Untuk mengetahui pengaruh kepercayaan dalam penggunaan GoFood terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • Untuk mengetahui pengaruh keamanan dalam penggunaan GoFood terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • Untuk mengetahui pengaruh kualitas pelayanan dalam penggunaan GoFood terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.

1.4 Hipotesis

Berdasarkan uraian latar belakang di atas, maka hipotesis untuk penelitian ini sebagai berikut:

  • H0 : Kepercayaan dalam penggunaan GoFood tidak berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • H1 : Kepercayaan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • H0 : Keamanan dalam penggunaan GoFood tidak berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • H1 : Keamanan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • H0 : Kualitas pelayanan dalam penggunaan GoFood tidak berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • H1 : Kualitas pelayanan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.

2 TINJAUAN PUSTAKA

2.1 Analisis Regresi

Analisis regresi merupakan instrumen analisis statistik yang memakai hubungan antara dua variabel atau lebih (Qudratullah, 2013). Analisis regresi bertujuan untuk memperkirakan hal yang dapat dipercaya untuk nilai suatu varibel terikat apabila nilai variabel bebas diketahui. Analisis regresi termasuk suatu analisis yang menerangkan perihal akibat dan jumlah akibat yang tampak dari satu atau lebih variabel bebas terhadap variabel terikat. Regresi dan korelasi adalah bagian dari analisis statistik inferensia dengan pemodelan parametrik. Menurut Wahana Komputer (2009) menerangkan bahwa perbedaan antara analisis regresi terhadap analisis korelasi sangat signifikan, walaupun dalam analisis regresi mengaplikasikan sebuah prinsip pada analisis korelasi. Analisis regresi berfungsi untuk mengukur pengaruh antara variabel bebas terhadap variabel terikat.

Secara umum, analisis regresi terbagi menjadi tiga yaitu analisis regresi parametrik, analisis regresi nonparametrik, dan analisis regresi semiparametrik (gabungan antara analisis regresi parametrik terhadap analisis regresi nonparametrik). Perbedaan utama antara analisis regresi parametrik terhadap analisis regresi nonparametrik yaitu dalam analisis regresi parametrik data cenderung dituntut untuk mengikuti bentuk dari pola tertentu, sehingga data bersifat kaku dan kuat, sedangkan analisis regresi nonparametrik data cenderung diberi kebebasan untuk mencari bentuk dari pola, sehingga data bersifat fleksibel dan obyektif. Tidak semua pemasalahan pola hubungan dapat didekati dengan analisis regresi parametrik, karena tidak semua permasalahan memiliki bentuk hubungan atau kurva regresi antara variabel bebas terhadap variabel terikat. Apabila dipaksakan dengan pendekatan analisis regresi parametrik, maka akan menghasilkan kesimpulan yang salah. Dengan demikian, terdapat alternatif lain yaitu dapat didekati dengan analisis regresi nonparametrik yang tidak perlu pola hubungan antara variabel bebas terhadap variabel terikat. Pada analisis regresi parametrik memerlukan asumsi-asumsi baik dalam bentuk fungsional maupun distribusi residual. Namun, apabila asumsi-asumsi tersebut tidak dapat dipenuhi, maka analisis regresi nonparametrik dapat digunakan.

Bentuk dari model regresi tergantung dengan kurva regresi. Apabila bentuk kurva regresi diketahui, maka model regresi yang digunakan yaitu model regresi parametrik. Apabila bentuk kurva regresi tidak diketahui atau tidak termuat informasi sebelumnya secara lengkap perihal bentuk dari pola data, maka model regresi yang digunakan yaitu model regresi nonparametrik. Apabila sebagian bentuk dari pola data diketahui, tetapi sebagian yang lain bentuk dari pola data tidak diketahui dimana hal tersebut dapat terjadi di dalam beberapa kasus, maka model regresi yang digunakan yaitu model regresi semiparametrik. Contoh dari model regresi parametrik meliputi linier, nonlinier, kuadrat, kubik, logaritma, dll. Contoh dari model regresi nonparametrik meliputi histogram, kernel, spline, polinominal lokal, deret orthogonal, dll. Semua model regresi tersebut memiliki kelebihan dan kekurangan serta motivasi tersendiri dalam hal memodelkan pola.

2.2 Analisis Regresi Linier

Analisis regresi linier merupakan salah satu metode statistika untuk membentuk model hubungan antara variabel terikat dengan satu atau lebih variabel bebas. Apabila jumlah variabel bebas hanya terdapat satu, maka disebut sebagai analisis regresi linier sederhana, sedangkan apabila jumlah variabel bebas terdapat dua atau lebih dari dua, maka disebut analisis regresi linier berganda. Analisis regresi linier diterapkan dalam data penelitian untuk mengetahui bentuk pola hubungan antar variabel penelitian. Analisis regresi linier terbagi menjadi dua jenis persamaan berdasarkan jumlah penggunaan variabel bebas.

2.3 Analisis Regresi Linier Sederhana

Analisis regresi linier sederhana merupakan analisis regresi linier yang digunakan untuk memperoleh pengaruh dan hubungan matematis dalam bentuk persamaan antara variabel bebas tunggal terhadap variabel terikat tunggal. Analisis regresi linier sederhana dilandaskan pada hubungan fungsional atau kausal antara satu variabel bebas terhadap satu variabel terikat (Sugiyono, 2014). Pada analisis regresi linier sederhana hubungan antara dua variabel terbagi menjadi dua macam yaitu hubungan fungsional dan hubungan statistik, dimana pada hubungan fungsional antar dua variabel dinyatakan secara matematis sebagai berikut:

\[ Y ={f(x)} \]

Pada umumnya, persamaan model regresi linier sederhana dapat dilambangkan sebagai berikut:

\[ Y_i = b_0 + b_1X_i + \epsilon_i \]

Dimana Yi merupakan nilai variabel terikat, X merupakan nilai variabel bebas yang diketahui nilainya, dan epsilon yang merupakan nilai galat dari suatu model.

2.4 Analisis Regresi Linier Berganda

Analisis regresi linier berganda merupakan analisis regresi linier yang digunakan untuk meneliti pengaruh antara dua atau lebih variabel bebas terhadap satu variabel terikat dengan skala interval yang dilakukan secara bersama-sama (Narimawati, 2010). Analisis regresi linier berganda merupakan analisis yang digunakan oleh peneliti untuk meramalkan keadaan variabel bebas apabila variabel bebas sebagai faktor prediktor yang dimanipulasi (Sugiyono, 2018). Analisis regresi linier berganda biasa berfungsi untuk memperoleh pengaruh dan hubungan matematis dalam bentuk persamaan antara lebih dari satu variabel bebas dengan satu variabel terikat. Analisis regresi linier berganda diterapkan pada penelitian yang memiliki beberapa variabel. Analisis regresi linier berganda dapat pula memprediksi nilai variabel terikat apabila nilai variabel bebas naik atau turun. Persamaan regresi linier berganda adalah sebagi berikut: \[ Y_i = b_0 + b_1X_1 + b_2X_2 + b_nX_n + \epsilon_i \]

2.5 Uji Asumsi Klasik

Uji asumsi klasik merupakan persyaratan statistik yang harus terpenuhi sebelum melakukan uji hipotesis (Sunjoyo, dkk., 2013). Uji asumsi klasik bertujuan untuk mengetahui apakah pemodelan bersifat baik atau tidak dan untuk memberikan kejelasan mengenai persamaan yang terbentuk mempunyai ketepatan dalam pendugaan, tidak bersifat bias, serta bersifat konsisten. Apabila asumsi klasik terpenuhi, maka pendugaan akan memiliki sifat Best Linear Unbiased Estimator (BLUE) (Ghozali, 2017). Uji asumsi klasik meliputi normalitas, heteroskedastisitas, multikolinieritas, dan linieritas.

2.5.1 Uji Normalitas

Uji normalitas merupakan salah satu uji asumsi klasik yang bertujuan untuk mengetahui apakah residual berdistribusi normal atau tidak dalam model (Ghozali, 2016). Model yang memenuhi persyaratan ialah residual berdistribusi normal dalam model. Kasus normalitas disebabkan oleh ada data residual dari model yang nilainya terletak jauh dari kumpulan data, sehingga data tidak berdistribusi normal dan ada kondisi alam dari data tidak berdistribusi normal. Pengujian asumsi normalitas dapat dilakukan dengan berbagai cara yaitu melalui uji Saphiro-Wilk, uji Anderson-Darling, dan uji Kolmogorov-Smirnov.

2.5.2 Uji Multikolinieritas

Uji multikolinieritas merupakan salah satu uji asumsi yang bertujuan untuk mengetahui apakah terdapat korelasi tinggi antar variabel bebas dalam model (Ghozali, 2016). Model yang memenuhi persyaratan ialah tidak terdapat korelasi tinggi antar variabel bebas dalam model. Jika terdapat korelasi tinggi antar variabel, maka akan mengganggu hubungan antara variabel bebas dengan variabel terikat. Pengujian asumsi multikolinieritas dapat dilakukan dengan berbagai cara yaitu melalui uji Tolerance dan uji Variance Inflation Factor (VIF). Model regresi dikatakan baik apabila terbebas dari multikolinieritas yang mana memiliki nilai Varience Inflation Factor (VIF) lebih kecil dari 10 (VIF < 10) dan tolerance lebih besar dari 0,1 (Tol > 0,1) (Ghazali, 2005 : 95). Perhitungan manual nilai varience Inflation Factors (VIF) dapat menggunakan rumus sebagai berikut:

\[ VIF =\frac {1}{1-R^2_j} \]

Perhitungan manual nilai Tolerance dapat menggunakan rumus sebagai berikut:

\[ Tol = {1-R^2_j} \]

2.5.3 Uji Heteroskedastisitas

Uji heteroskedastisitas merupakan salah satu uji asumsi yang bertujuan untuk mengetahui apakah terdapat ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain dalam model (Ghozali, 2016). Model yang memenuhi persyaratan ialah terdapat kesamaan varian dari residual satu pengamatan ke pengamatan lain dalam model atau disebut juga sebagai homoskedastisitas. Heteroskedastisitas disebabkan oleh varian sistematik pada data yang berasal dari hal manipulasi data atau hal input data. Pengujian asumsi heteroskedastisitas dapat dilakukan dengan berbagai cara yaitu melalui uji Park dan uji Breusch Pagan.

2.5.4 Uji Autokorelasi

Uji autokorelasi merupakan salah satu uji asumsi yang bertujuan untuk mengetahui apakah terdapat hubungan yang terjadi pada variabel-variabel yang sedang diteliti pada suatu model. Pengujian asumsi autokorelasi dapat dilakukan dengan berbagai cara yaitu melalui uji Durbin-Watson. Model regresi terjadi masalah autokorelasi atau tidak dapat dilihat pada ketentuan sebagai berikut:

  • Nilai DW < dL, maka terdapat autokorelasi.
  • Nilai DW terletak antara dL ≤ dw ≤ du, maka tidak ada kesimpulan.
  • Nilai DW terletak antara du < dw ≤ 4 – du, maka tidak ada autokorelasi.
  • Nilai DW terletak 4 – du ≤ dw ≤ 4-dL, maka tidak dapat mengambil keputusan apa-apa.
  • Nilai DW > 4 – dL, maka terdapat autokorelasi.

2.5.5 Uji Linieritas

Uji linieritas merupakan salah satu uji asumsi klasik yang bertujuan untuk mengetahui apakah data memiliki status linier atau tidak dalam model. Model yang memenuhi persyaratan ialah data memiliki status linier dalam model. Pengujian asumsi linieritas dapat dilakukan dengan berbagai cara yaitu melalui uji Reset dan Uji Harvey-Collier.

3 METODE PENELITIAN

3.1 Jenis Penelitian

Jenis penelitian yang dipakai untuk penelitian ini adalah metode penelitian asosiatif dengan pendekatan kuantitatif. Penelitian asosiatif merupakan penelitian yang berfungsi untuk menemukan hubungan atau pengaruh sebab-akibat antara variabel bebas terhadap variabel terikat (Sugiyono, 2008). Pendekatan kuantitatif merupakan pendekatan dengan data yang melibatkan angka-angka dan diuraikan memakai statistik (Sugiyono, 2018).

3.2 Metode Pengumpulan Data Penelitian

Metode pengumpulan data untuk penelitian ini menggunakan instrumen berupa kuesioner berbentuk Google Forms yang dibagikan kepada responden secara daring melalui berbagai macam media sosial peneliti. Pembagian kuesioner dilakukan secara daring, karena keadaan untuk bertemu secara luring dengan responden di masa pandemi tidak memungkinkan. Jenis kuesioner yang dipakai untuk penelitian ini adalah kuesioner dengan bentuk pertanyaan terbuka dan pertanyaan tertutup. Waktu yang diperlukan untuk pengumpulan data kuesioner kurang lebih selama satu bulan, yaitu dari bulan Oktober 2021 hingga bulan November 2021. Data kuesioner yang terhimpun merupakan persepsi responden dari menanggapi setiap indikator pertanyaan mengenai kepercayaan, keamanan, dan kualitas pelayanan dalam penggunaan GoFood terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi. Sebelumnya, data untuk penelitian ini telah diolah oleh peneliti.

3.3 Metode Analisis Data Penelitian

Metode analisis data yang digunakan untuk penelitian ini adalah analisis regresi linier berganda. Adapun prosedur analisis regresi linier berganda meliputi melakukan pengujian asumsi klasik, melakukan pengujian hipotesis, dan menyimpulkan hasil analisis. Metode analisis data yang digunakan pada penelitian melibatkan penggunaan bantuan software RStudio untuk memudahkan peneliti dalam hal analisis data.

3.4 Data Penelitian

X1 8.0 6.2 5.9 23 7 33 7.6 5.5 4.9 43.3 34.2 40.4
X2 6.5 7.0 5.6 35 40 27 7.0 7.0 4.3 44.1 48.0 36.8
X3 6.6 4.0 4.8 39 35 34 5.0 6.0 8.0 42.8 38.0 45.2
Y 3.7 4.5 3.9 21 23 15 4.4 3.5 5.0 33.6 35.9 35.1

X1 = Kepercayaan
X2 = Keamanan
X3 = Kualitas Pelayanan
Y = Kepuasan Pelanggan

4 ANALISIS DATA PENELITIAN

4.1 Library

> #Library(readxl) 
> #Library(agricolae) 
> #Library(lmtest) 
> #Library(car) 
> #Library(tseries)
  • Fungsi library(readxl) adalah untuk membaca Microsoft Excel xlsx dari dalam R.
  • Fungsi library(agricolae) adalah untuk uji lanjut.
  • Fungsi library(lmtest) adalah untuk pemeriksaan uji asumsi.
  • Fungsi library(car) adalah untuk pemeriksaan uji asumsi.
  • Fungsi library(tseries) adalah untuk pemeriksaan uji asumsi.

4.2 Import Data

> library(readxl)
+ Data_Komstat <- read_excel("C:/Users/NadineGita/Documents/Data Penelitian.xlsx", sep=";", col_names=FALSE)

4.3 Source Code

> Data_Komstat <- read_excel("C:/Users/NadineGita/Documents/Data Penelitian.xlsx", sep=";")
+ Data_Komstat=as.data.frame(Data_Penelitian)
+ Data_Komstat
+ dim(Data_Komstat)
+ reg1 <- lm(Y~X1+X2+X3, data=Data_Komstat)
+ summary(reg1)
+ #Uji Normalitas
+ shapiro.test(Data_Komstat$Y)
+ nortest::ad.test(Data_Komstat$Y)
+ nortest::lillie.test(Data_Komstat$Y)
+ #Uji Autokorelasi
+ cor(Data_Komstat, method="pearson")
+ car::vif(reg1)
+ lmtest::bptest(reg1)
+ lmtest::resettest(reg1, power=2)
+ lmtest::harvtest(reg1)
+ lmtest::dwtest(reg1)
+ olsrr::ols_step_all_possible(reg1)
+ olsrr::ols_step_forward_p(reg1)
+ olsrr::ols_step_backward_p(reg1)
+ reg2 <- lm(Y~X1+X2+X3, data=Data_Komstat)
+ summary(reg2)

5 HASIL DAN PEMBAHASAN PENELITIAN

5.1 Uji Hipotesis

Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Komstat)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5038 -0.6183 -0.2739  1.2587  1.6041 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 18.48501    2.15257   8.587 2.61e-05 ***
X1           1.05821    0.36124   2.929 0.019017 *  
X2           0.26081    0.04594   5.678 0.000466 ***
X3           1.44295    0.35954   4.013 0.003877 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.449 on 8 degrees of freedom
Multiple R-squared:  0.9344,    Adjusted R-squared:  0.9097 
F-statistic: 37.95 on 3 and 8 DF,  p-value: 4.449e-05

Uji X1 Terhadap Y
Hipotesis
H0 : Tidak terdapat hubungan antara X1 dengan Y
H1 : Terdapat hubungan antara X1 dengan Y

P-value = 0.019017
Karena P-value < α (0,05), maka tolak H0
Berdasarkan hasil output diatas dapat diketahui bahwa dengan taraf nyata 5%, maka terdapat hubungan antara X1 dengan Y secara parsial.

Uji X2 Terhadap Y
Hipotesis
H0 : Tidak terdapat hubungan antara X2 dengan Y
H1 : Terdapat hubungan antara X2 dengan Y

P-value = 0.000466
Karena P-value < α (0,05), maka tolak H0
Berdasarkan hasil output diatas dapat diketahui bahwa dengan taraf nyata 5%, maka terdapat hubungan antara X2 dengan Y secara parsial.

Uji X3 Terhadap Y
Hipotesis
H0 : Tidak terdapat hubungan antara X3 dengan Y
H1 : Terdapat hubungan antara X3 dengan Y

P-value = 0.003877 Karena P-value < α (0,05), maka tolak H0
Berdasarkan hasil output diatas dapat diketahui bahwa dengan taraf nyata 5%, maka terdapat hubungan antara X3 dengan Y secara parsial.

5.2 Uji Asumsi

5.2.1 Uji Asumsi Normalitas

Hipotesis
H0 : Data menyebar normal
H1 : Data tidak menyebar normal

Shapiro-Wilk Normality Test
data: Data_Komstat$Y
W = 0.93365, p-value = 0.4205
Karena P-value > α (0,05), maka gagal tolak H0

Anderson-Darling Normality Test
data: Data_Komstat$Y
A = 0.34066, p-value = 0.4317
Karena P-value > α (0,05), maka gagal tolak H0

Lilliefors (Kolmogorov-Smirnov) Normality Test
data: Data_Komstat$Y
D = 0.15085, p-value = 0.6335
Karena P-value > α (0,05), maka gagal tolak H0
Berdasarkan hasil ouput diatas dapat diketahui bahwa dengan taraf nyata 5%, maka data menyebar normal.

5.2.2 Uji Asumsi Multikolinieritas

       Y        X1         X2       X3
Y  1.0000000 0.6320270 0.7641198 0.7568876
X1 0.6320270 1.0000000 0.2324181 0.4724611
X2 0.7641198 0.2324181 1.0000000 0.3389703
X3 0.7568876 0.4724611 0.3389703 1.0000000

    X1      X2       X3 
1.297219 1.138465 1.386450

Berdasarkan hasil output diatas dapat diketahui bahwa dengan nilai Varience Inflation Factor(VIF) pada X1, X2, dan X3 < 10, maka data bersifat non multikolinearitas.

5.2.3 Uji Asumsi Heteroskedastisitas

Hipotesis
H0 : Varians galat bersifat homoskedastisitas
H1 : Varians galat bersifat heteroskedastisitas

Studentized Breusch-Pagan Test
data: reg1
BP = 4.2966, df = 3, p-value = 0.2312
Karena P-value > α (0,05), maka gagal tolak H0
Berdasarkan hasil ouput diatas dapat diketahui bahwa dengan taraf nyata 5%, maka varians galat bersifat Homoskedastisitas.

5.2.4 Uji Linieritas

Hipotesis
H0 : Model regresi bersifat Linier
H1 : Model regresi bersifat non Linier

RESET Test
data: reg1
RESET = 6.6594, df1 = 1, df2 = 7, p-value = 0.03644
Karena P-value < α (0,05), maka tolak H0

Harvey-Collier Test
data: reg1
HC = 0.79599, df = 7, p-value = 0.4522
Karena P-value > α (0,05), maka gagal tolak H0
Berdasarkan hasil ouput diatas dapat diketahui bahwa dengan taraf nyata 5%, maka pada hasil reset test menunjukkan model regresi bersifat non linier, sedangkan pada hasil harvey-collier test menunjukkan model regresi bersifat linier.

5.2.5 Uji Autokorelasi

Durbin-Watson Test
data: reg1
DW = 2.7671, p-value = 0.8996
alternative hypothesis: true autocorrelation is greater than 0

0 ≤ DW ≤ 4
DW = 2.7671 DL = 0.6577
DU = 1.8640

Berdasarkan hasil ouput diatas dapat diketahui bahwa nilai DW = 2.7671 yaitu berada pada daerah inconclusive, maka tidak terdapat kesimpulan.

5.3 Pemilihan Model Terbaik

5.3.1 All-Possible Regression

Index N Predictors  R-Square Adj. R-Square    Mallow's Cp
2     1 1 X2        0.5838791     0.5422670    42.70929
3     2 1 X3        0.5728788     0.5301667    44.04979
1     3 1 X1        0.3994582     0.3394040    65.18317
6     4 2 X2 X3     0.8639361     0.8336996    10.58101
4     5 2 X1 X2     0.8021795     0.7582194    18.10678
5     6 2 X1 X3     0.6698306     0.5964596    34.23507
7     7 3 X1 X2 X3  0.9343519     0.9097339     4.00000

Berdasarkan hasil output diatasi dapat diketahui bahwa pada model regresi yang mengandung prediktor adalah X1, X2, dan X3, karena pada R-Square dan Adj. R-Square dipilih nilai yang terbesar, sedangkan pada Cp mallow dipilih nilai yang terkecil.

5.3.2 Forward Selection

Selection Summary                             
-------------------------------------------------------------------------------------
           Variable                           Adj.                                      
Step    Entered     R-Square    R-Square      C(p)        AIC        RMSE     
-------------------------------------------------------------------------------------
  1       X2        0.5839      0.5423      42.7093      66.2488     3.2628
  2       X3        0.8639      0.8337      10.5810      54.8346     1.9667
  3       X1        0.9344      0.9097       4.0000      48.0888     1.4489  
-------------------------------------------------------------------------------------

Berdasarkan hasil output diatas dapat diketahui bahwa persamaan regresi yang mengandung prediktor adalah X1, X2, dan X3.

5.3.3 Backward Selection

[1] "No variables have been removed from the model."
Berdasarkan hasil output diatas dapat diketahui bahwa tidak ada variabel yang dibuang, karena pada model regresi sudah merupakan model terbaik X1, X2, dan X3.

5.3.4 Model Regresi Final

Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Komstat)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5038 -0.6183 -0.2739  1.2587  1.6041 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 18.48501    2.15257   8.587 2.61e-05 ***
X1           1.05821    0.36124   2.929 0.019017 *  
X2           0.26081    0.04594   5.678 0.000466 ***
X3           1.44295    0.35954   4.013 0.003877 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.449 on 8 degrees of freedom
Multiple R-squared:  0.9344,    Adjusted R-squared:  0.9097 
F-statistic: 37.95 on 3 and 8 DF,  p-value: 4.449e-05

\[ Y = 18.48501 + 1.05821X1 + 0.26081X2 + 1.44295X3 \]

  • β0 : Apabila kepercayaan, keamanan, dan kualitas pelayanan dalam penggunaan GoFood bernilai konstan, maka kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi sebesar 18.48501.

  • β1 : Apabila kepercayaan meningkat sebesar satu satuan dengan keamanan dan kualitas pelayanan dalam penggunaan GoFood bernilai konstan, maka kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi akan meningkat sebesar 1.05821.

  • β2 : Apabila keamanan meningkat sebesar satu satuan dengan kepercayaan dan kualitas pelayanan dalam penggunaan GoFood bernilai konstan, maka kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi akan meningkat sebesar 0.26081.

  • β3 : Apabila kualitas pelayanan meningkat sebesar satu satuan dengan kepercayaan dan keamanan dalam penggunaan GoFood bernilai konstan, maka kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi akan meningkat sebesar 1.44295.

6 PENUTUP

6.1 Kesimpulan

Berdasarkan uraian hasil dan pembahasan diatas, maka kesimpulan untuk penelitian ini sebagai berikut:

  • Kepercayaan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • Keamanan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.
  • Kualitas pelayanan dalam penggunaan GoFood berpengaruh positif dan signifikan terhadap kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi secara parsial.

6.2 Saran

Berdasarkan uraian hasil dan pembahasan di atas, maka saran untuk penelitian ini sebagai berikut:

  • Pihak GoFood harus selalu memperhatikan dan meningkatkan kepercayaan, keamanan, dan kualitas pelayanan, sehingga kepuasan pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi akan mudah terbentuk. Dengan demikian, pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi akan lebih tertarik untuk melakukan pemesanan makanan dan minuman secara daring melalui GoFood dibanding secara luring.
  • Pihak GoFood harus selalu mengevaluasi kinerja pelayanan dan menerima kritik serta saran dari para pelanggan pada mahasiswa Universitas Brawijaya di masa pandemi guna menjaga citra diri dari kepercayaan, keamanan, dan kualitas pelayanan.
  • Pihak peneliti selanjutnya dapat melibatkan variabel lain, mengganti objek penelitian, menerapkan metode analisis lain, dan menambah jumlah sampel, sehingga hasil penelitian bersifat lebih umum dan luas.
  • Pihak peneliti dapat menyedehanakan instrumen penelitian, yaitu kueioner melalui pertanyaan atau penyataan lugas, sehingga responden mudah mengerti indikator yang diukur dalam penelitian.
  • Pihak peneliti dapat menggunakan software RStudio, sehingga mempermudah peneliti melakukan penelitian, tetapi tetap diperlukan ketelitian yang tinggi dari peneliti baik dalam pemilihan uji yang akan dilakukan, penginputan source code yang akan digunakan, dan penentuan packages yang akan diunduh.

6.3 Daftar Pustaka

  • Ariawan, J., Suardhita, N., dan Kurniawan, A. (2021). Hubungan Stres Kerja dan Stres Keluarga dengan Tingkat Kesehatan Diri Wanita yang Bekerja di Sektor Industri di Indonesia. Jurnal Ilmiah MEA (Manajemen, Ekonomi, & Akuntansi), 5(1), 958-971.
  • Artanti, G. D., Hardinsyah, H., Swastika, D. K. S., dan Retnaningsih, R. (2010). Analisis Faktor-Faktor yang Mempengaruhi Penerimaan Petani terhadap Produk Rekayasa Genetika. Jurnal Gizi dan Pangan, 5(2), 113-120.
  • Catherine, C., Halim, F., dan Sylvia, C. (2021). Pelatihan Pembuatan Konten Digital Inbound Marketing bagi Siswa/I SMA Tri Ratna Sibolga. Jurnal Pendidikan dan Pengabdian Masyarakat, 4(2).
  • Dewi, F., Ridho, Z., dan Sari, L. (2008). Perilaku Konsumen. Palembang: Penerbit Citrabooks Indonesia.
  • Ghozali, I. (2016). Aplikasi Analisis Multivariete dengan Program IBM SPSS 23 (Edisi 8) Cetakan ke VIII. Semarang: Badan Penerbit Universitas Diponegoro.
  • Ghozali, I. (2017). Model Persamaan Struktural Konsep dan Aplikasi Program AMOS 24. Semarang: Badan Penerbit Universitas Diponegoro.
  • Kartika, H. (2020). Penerapan Lean Kaizen untuk Meningkatkan Produktivitas Line Painting pada Bagian Produksi Automotive dengan Metode PDCA. Jurnal Sistem Teknik Industri, 22(1), 22-32.
  • Kotler, A. (2001). Prinsip-prinsip pemasaran, Edisi ke duabelas, Jilid 1. Jakarta: Erlangga.
  • Kusuma, T. M., dan Hermawan, D. (2020). Pengaruh Kualitas Pelayanan dan Social Influence terhadap Keputusan Pembelian Menggunakan Online Food Delivery Service. Jurnal Perspektif, 18(2), 176-180.
  • Lisnawati, L., Hurriyati, R., dan Al Qorni, A. W. (2019). Website Quality and Risk Perception as The Influence of Purchase Intention in E-Commerce Website in Indonesia. Strategic: Jurnal Pendidikan Manajemen Bisnis, 19(2).
  • Maharama, A. R., dan Kholis, N. (2018). Pengaruh Kepercayaan, Kemudahan dan Persepsi Risiko terhadap Keputusan Pembelian Jasa Gojek di Kota Semarang yang Dimediasi Minat Beli sebagai Variabel Intervening. Jurnal Ekonomi Dan Bisnis, 19(2), 203-213.
  • Narimawati, U. (2010). Metodologi Penelitian: Dasar Penyusun Penelitian Ekonomi. Jakarta: Genesis.
  • Novita, dkk. (2014). Tingkat Pengetahuan tentang TB Paru Mempengaruhi Penggunaan Masker di Ruang Paru Rumkital Dr. Ramelan Surabaya. Jurnal Ilmiah Kesehatan, 7(12). Surabaya: STIKES Hang Tuah.
  • Qudratullah, M. F. (2013). Analisis Regresi Terapan: Teori, Contoh Kasus, dan Aplikasi dengan SPSS. Yogyakarta: Andi.
  • Rothan, H.A., dan Byrareddy, S.N. (2020). The Epidemiology and Pathogenesis of Coronavirus Disease (COVID-19) Outbreak, Journal of Autoimmunity. Elsevier, 109, 102433.
  • Sari, M. P., Rachman, L. A., dan Ronaldi, D. (2020). Pengaruh Harga, Promosi, dan Kepercayaan terhadap Keputusan Pembelian Produk YOU. Jurnal Enterpreneur dan Bisnis (JEBI), 1(2).
  • Sugiyono. (2014). Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif, dan R&D. Bandung: Alfabeta.
  • Sugiyono. (2018). Metode Penelitian Kombinasi (Mixed Methods). Bandung: Alfabeta.
  • Suharmanto, S. (2020). Perilaku Masyarakat dalam Pencegahan Penularan Covid-19. Jurnal Kedokteran Universitas Lampung, 4(2), 91-96.
  • Sunjoyo, dkk. (2013). Aplikasi SPSS untuk Smart Riset. Bandung: Alfabeta.
  • Suryaningsih, S., Anggraeni, P. M., dan Nurhilal, O. (2019). Pengaruh Ukuran Partikel terhadap Kualitas Termal dan Mekanik Briket Campuran Arang Sekam Padi dan Kulit Kopi. Jurnal Material dan Energi Indonesia, 9(2), 79.
  • Tjiptono, F. (2016). Service, Quality and Satisfaction. Yogyakarta: Andi.
  • Wahana Komputer. (2009). Menguasai Java Programing. Semarang: Salemba 4.

6.4 Lampiran

R Console
      Y  X1 X2  X3
1  43.3 8.0 23 7.6
2  44.1 6.5 35 7.0
3  42.8 6.6 39 5.0
4  33.6 3.7 21 4.4
5  34.2 6.2  7 5.5
6  48.0 7.0 40 7.0
7  38.0 4.0 35 6.0
8  35.9 4.5 23 3.5
9  40.4 5.9 33 4.9
10 36.8 5.6 27 4.3
11 45.2 4.8 34 8.0
12 35.1 3.9 15 5.0

[1] 12  4

Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Komstat)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5038 -0.6183 -0.2739  1.2587  1.6041 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 18.48501    2.15257   8.587 2.61e-05 ***
X1           1.05821    0.36124   2.929 0.019017 *  
X2           0.26081    0.04594   5.678 0.000466 ***
X3           1.44295    0.35954   4.013 0.003877 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.449 on 8 degrees of freedom
Multiple R-squared:  0.9344,    Adjusted R-squared:  0.9097 
F-statistic: 37.95 on 3 and 8 DF,  p-value: 4.449e-05

Shapiro-Wilk normality test

data:  Data_Komstat$Y
W = 0.93365, p-value = 0.4205

Anderson-Darling normality test

data:  Data_Komstat$Y
A = 0.34066, p-value = 0.4317

Lilliefors (Kolmogorov-Smirnov) normality test

data:  Data_Komstat$Y
D = 0.15085, p-value = 0.6335

       Y        X1         X2       X3
Y  1.0000000 0.6320270 0.7641198 0.7568876
X1 0.6320270 1.0000000 0.2324181 0.4724611
X2 0.7641198 0.2324181 1.0000000 0.3389703
X3 0.7568876 0.4724611 0.3389703 1.0000000

    X1      X2       X3 
1.297219 1.138465 1.386450

studentized Breusch-Pagan test

data:  reg1
BP = 4.2966, df = 3, p-value = 0.2312

RESET test

data:  reg1
RESET = 6.6594, df1 = 1, df2 = 7, p-value = 0.03644

Harvey-Collier test

data:  reg1
HC = 0.79599, df = 7, p-value = 0.4522

Durbin-Watson test

data:  reg1
DW = 2.7671, p-value = 0.8996
alternative hypothesis: true autocorrelation is greater than 0

Index N Predictors  R-Square Adj. R-Square    Mallow's Cp
2     1 1 X2        0.5838791     0.5422670    42.70929
3     2 1 X3        0.5728788     0.5301667    44.04979
1     3 1 X1        0.3994582     0.3394040    65.18317
6     4 2 X2 X3     0.8639361     0.8336996    10.58101
4     5 2 X1 X2     0.8021795     0.7582194    18.10678
5     6 2 X1 X3     0.6698306     0.5964596    34.23507
7     7 3 X1 X2 X3  0.9343519     0.9097339     4.00000

Selection Summary                             
------------------------------------------------------------------------
        Variable                  Adj.                                      
Step    Entered     R-Square    R-Square     C(p)        AIC       RMSE     
------------------------------------------------------------------------
   1    X2            0.5839      0.5423    42.7093    66.2488    3.2628    
   2    X3            0.8639      0.8337    10.5810    54.8346    1.9667    
   3    X1            0.9344      0.9097     4.0000    48.0888    1.4489    

[1] "No variables have been removed from the model."

Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Komstat)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5038 -0.6183 -0.2739  1.2587  1.6041 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 18.48501    2.15257   8.587 2.61e-05 ***
X1           1.05821    0.36124   2.929 0.019017 *  
X2           0.26081    0.04594   5.678 0.000466 ***
X3           1.44295    0.35954   4.013 0.003877 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.449 on 8 degrees of freedom
Multiple R-squared:  0.9344,    Adjusted R-squared:  0.9097 
F-statistic: 37.95 on 3 and 8 DF,  p-value: 4.449e-05