54

BAB III

METODE PENELITIAN

3.1 Desain penelitian

Jenis yang akan digunakan pada penelitian ini adalah penelitian Deskriptif

kuantitatif. Menurut Suliyanto (2006, p70) Deskriptif Kuantitatif adalah penelitian yang

bertujuan untuk menjelaskan keadaan suatu variabel secara mandiri. Dengan objek

penelitian adalah strategi bisnis, Customer Relationship Management dan Loyalitas

Pelanggan pada PT Geotech System Indonesia, serta beberapa buku, artikel, jurnal, dan

laporan penelitian yang sudah ada yang berkenaan dengan tema penelitian. Time horizon

yang digunakan adalah Cross Sectional yang berarti penelitian ini dilaksanakan dalam kurun

waktu satu kali dan mencerminkan potret dari suatu keadaan pada suatu saat tertentu.

Tabel 3.1 Desain Penelitian

Tujuan

Penelitian

Desain penelitian

Jenis Penelitian Time Horizon

T-1 Deskriptif

Kuantitatif

Cross Sectional

Design

T-2 Deskriptif

Kuantitatif

Cross Sectional

Design

T-3 Deskriptif

Kuantitatif

Cross Sectional

Design

 

  55

T-4 Deskriptif

Kuantitatif

Cross Sectional

Design

Keterangan:

T-1: Mengetahui dan menganalisa pengaruh strategi bisnis terhadap Customer Relationship

Management.

T-2: Mengetahui dan menganalisa pengaruh strategi bisnis terhadap loyalitas pelanggan.

T-3: Mengetahui dan menganalisa pengaruh Customer Relationship Management terhadap

loyalitas pelanggan.

T-4: Mengetahui dan menganalisa pengaruh strategi bisnis dan Customer Relationship

Management terhadap loyalitas pelanggan.

3.2 Operasional Variabel Penelitian

Tabel 3.2 Operasional Variabel Penelitian

Dimensi Indikator Atribut Instrumen

Pengukuran

Skala

Pengukuran

Loyalitas

Pelanggan

(Y)

• Manfaat. • Menciptakan

hubungan baik.

Data internal

perusahaan

dan kuisioner

Likert

• Konsistensi • Menggunakan

layanan jasa

• Tindakan • Akan

melanjutkan

kerjasama

  56

Strategi

bersaing

(X1)

• Diferensiasi

• Diferensiasi

kualitas jasa

Data internal

perusahaan

dan kuisioner

 

 

Likert

• fokus • Konsep yang

jelas

• Kualitas

produk/jasa dan

layanan pelanggan.

• Kekuatan

spesifik yang

tidak mudah

ditiru

CRM

(X2)

• Kecepatan dalam

pembaharuan

informasi.

• Update informasi Data internal

perusahaan

dan Kuisioner

Likert

• Produktivitas dan

profitabilitas.

• Memberikan

kotribusi

• Berinteraksi dengan

pelanggan.

• Senantiasa

menjalin

kerjasama

3.3 Jenis dan Sumber Data Peneltian

Dalam penelitian ini jenis data yang dikumpulkan adalah data primer dan data

sekunder yang bersifat kuantitatif.

Data primer adalah data berupa informasi yang diperoleh dengan penelitian secara

langsung baik ke perusahaan dan pelanggan. Data ini didapat dari hasil wawancara kepada

  57

pemiliki perusahaan dan observasi untuk mendapatkan informasi yang diperlukan dalam

penelitian. Data primer dikumpulkan dari hasil riset survey dengan instrumen berupa

kuesioner mengenai strategi bersaing, cutomer relationship management dan loyalitas

pelanggan.

Data sekunder adalah data yang diperoleh melalui data yang telah diteliti dan

dikumpulkan oleh pihak lain yang berkaitan dengan permasalahan penelitian. Data sekunder

diperoleh melaui internet, artikel, jurnal penelitian yang berkaitan dengan permasalahan

yang ada dan data internal perusahaan mengenai strategi bisnis, pelanggan dan fasilitas

CRM.

3.4 Teknik Pengumpulan data

Dalam menyusun skripsi ini teknik yang digunakan untuk melakukan penelitian ini

menggunakan dua macam cara pengumpulan data (Sugiono 2005,p129):

1. Riset Kepustakaan (Library Research)

Yaitu cara pengumpulan data yang bersifat teoritis dengan cara teknik pengumpulan

data dan mempelajari buku bacaan yang diperoleh dari:

• Buku wajib (Text Book) yang berkaitan dengan penulisan skripsi

• Buku pelengkap (Reference Book) yang berkaitan dengan objek yang diteliti.

• Bahan bacaan lainnya yang berkaitan dengan strategi bisnis PT Geotech yaitu

buku profile company

• Jurnal dengan menelusuri Proquest, Emerald, McKinsey, J-Store, dan T-

Science

  58

2. Riset Lapangan

Yaitu pengumpulan data dengan cara melakukan penelitian secara langsung dengan

mengunjungi perusahaan yang menjadi objek penelitian untuk mendapatkan data

yang diperlukan dalam penulisan skripsi. Adapun pengumpulan dengan cara ini,

penulis melakukan penelitian dengan cara berikut:

• Metode wawancara (Interview)

Suatu teknik pengumpulan data dengan tanya jawab secara langsung

dengan bagian-bagian terkait khususnya kepada pemilik dan para manager

untuk memperoleh informasi yang berkaitan dengan perencanaan strategi,

crm dan loyalitas pelanggan pada PT Geotech System Indonesia.

• Metode pengamatan (Observasi)

Penelitian ini dilakukan dengan cara melakukan observasi secara langsung

ke PT Geotech System Indonesia untuk memperoleh data yang

berhubungan dengan masalah yang diteliti melalui praktek kerja lapangan

selama 2 bulan dari bulan Juli - Agustus. Dalam hal ini data yang

dikumpulkan adalah data yang berhubungan dengan strategi bisnis, crm

dan loyalitas pelanggan.

• Kuisioner (Angket)

Suatu teknik pengumpulan data dilakukan dengan memberi seperangkat

pertanyaan atau pernyataan tertulis kepada responden yaitu PT Geotech

System Indonesia untuk mereka jawab. Kuisisoner tersebut membantu

  59

penulis untuk memperoleh informasi yang berkaitan dengan perencanaan

bisnis, sistem CRM, dan loyalitas pelanggan.

3.5 Teknik Populasi dan Sampel

3.5.1 Populasi

Populasi pada PT Geotech ada 59 perusahaan dengan 7 account manager.

Diantaranya terdapat 4 perusahaan telekomunikasi, 4 perusahaan perbankan, 1 universitas,

dan 50 perusahaan perminyakan. Dan perinciannya sebagai berikut:

Tabel 3.3 Daftar pelanggan dan Account Manager

Account manager End User Account Manager End User

Indah Indosat Febyola Genting

Telkomsel Inpex

Chevron Irian Petroleum

Danamon KNOC

Total Murphy

Emerada Hess Pearl Oil

Febe Medco Petronas

BP Migas Santos

Expan Star Energy

Tirabumi Andardako

Santos IT Exxon

Pandawa Marathon

Artha Garaha Bank Diana EMP Group

  60

Hutchison CP Telco Lapindo

Universitas Indonesia,

IT Division

Kondur

Zerotech Kangean

Toto & team Pertamina CITIC

Pertamina JOB CNOOC

CPP Petrochina

UBEP Limas Premier Oil

UBEP Banakat Barat Eni Bukat

Elnusa Vico

POG Saripari

Tately Kodeco

Niko Prasetyo Telkom Transworld

BNI Precission Drilling

Mobile 8 Husky

Vera Tesla

Ranhill

Grahapro

COPI

Sinopec

3.5.2 Sampel

Teknik sampling yang digunakan adalah dengan menggunakan teknik non-

probability sampling dengan metode purposive sampling. Non-probability sampling

  61

(Suliyanto) adalah teknik pengambilan sampel dimana setiap anggota populasi tidak

mempunyai kesempatan untuk dijadikan sampel.

Metode purposive sampling (Suliyanto) merupakan metode penetapan sampel

dengan didasarkan pada kriteria-kriteria tertentu. Untuk sampel pada PT Geotech ditentukan

secara sengaja kepada pelanggan yang sudah bekrjasama lebih dari 2 tahun, dengan

sampel yang digunakan sebanyak 55.

Pendapat Slovin (Suliyanto):

n = N

1 + Ne2

Dimana:

n = jumlah sampel minimal

N = jumlah populasi

e = presentase kelonggaran ketelitian karena kesalahan pengambilan sampel

N = 59, e =0,05

n = 59

1 + (68 * 0,052)

= 59

1 + 0,1475

  62

= 59

1,1475

= 51,42 dibulatkan menjadi 52

Jadi sampel paling minimalnya adalah 52

3.6 Metode Analisis

Metode penelitian data yang digunakan untuk melakukan penelitian ini adalah

Deskriptif Survey, dengan teknik pengolahan model Hybird (Full SEM Model). Data yang

diperoleh akan diolah dengan menggunakan software Lisrel (Linier Structure Relationship)

versi 8.80 sebagai tool dari pengolahannya.

Structural Equation Model (SEM) merupakan teknik statistik yang mampu

menganalisa variabel latent, variabel indikator dan kesalahan pengukuran secara langsung.

Dengan SEM kita mampu menganalisis hubungan antara variabel latent dengan variabel

indikatornya, hubungan antara variabel latent yang satu dengan variabel latent yang lain,

juga mengetahui besarnya kesalahan pengukuran. SEM termasuk keluarga multivariate

statistic dependensi yang memungkinkan dilakukannya analisis satau atau lebih variabel

independen dengan satu lebih variabel indipenden dalam bentuk variabel latent atau

teramati. Dalam prakteknya, SEM merupakan gabungan dari dua metode statistika yang

terpisah yang melibatkan analisis faktor (faktor analysis) yang dikembangkan di psikologi

dan psikometri dan model persamaan simultan (simultaneous equation modelling) yang

dikembangkan di ekonometrika.

Achmad Bachrudin, Harapan L. Tobing (Analisis Data untuk Penelitian Survei dengan

menggunakan LISREL 8.54, p3, 2003). Dalam penelitian ilmu sosisal atau ilmu prilaku (Social

  63

dan Behavioral Sciences) sering kali peneliti melakukan kegiatan penelitian untuk mengukur

setiap karakteristik subjek atau satuan pengamatan melibatkan lebih satu variabel. Dala

konteks pengukuran seperti ini, analisis yang digunakan adalah statistik multivariat.

Suatu teknik yang menganalisa variabel indikator, variabel laten, dan kekeliruan

pengukurannya adalah pemodelan persamaan struktural (structural equation model, SEM).

Dengan SEM kita dapat menganalisa bagaimana hubungan antara variabel idikator dengan

varibel latennya yang dikenal sebagai persamaaan pengukuran (measurement equation),

hubungan antara variabel laten yang dikenal sebagai persamaan struktural (structural

equation) yang secara bersama-sama melibatkan kekeliruan pengukuran. Selain itu, model

persamaan struktural dapat menganalisis hubungan 2 arah (reciprocal) yang sering terjadi

pada ilmu sosial. Dalam SEM dikenal juga dengan variabel laten oksogen (independent

latent variabel) dan variabel laten endogen (dependent latent variable).

3.6.1 Tools SEM (LISREL – Linear Structural Relationship)

Istilah model persamaan struktural dikenal juga dengan nama LISREL (Linear

Structural Relationship) adalah paket program statistik untuk SEM, yang pertama kali

diperkenalkan oleh Karl Jareskog pada tahun 1970 dalam suatu pertemuan ilmiah. Istilah

lain untuk SEM sering kali disebut juga analisis faktor konfirmatori (confirmatoriy factor

analysis), model struktur kovarians (covariance structure models) dan model variabel laten

(laten variabel modelling).

Pengelolahan data dalam SEM dilakukan menggunakan prosedur iteratif yang sangat

memakan waktu dan ketelitian jika dilakukan secara manual. Perkembangan teknologi

komputer sangat membantu pengolahan data dengan SEM dan menjadikan SEM semakin

banyak digunakan oleh para peneliti maupun pebisnis. Dewasa ini telah dikembangkan

  64

beberapa program komputer yang dapat digunakan untuk menganalisa SEM, antara lain

EQS, AMOS, LISREL, SAS PROC CALIS, STATISTICA-SEPATH, dan lain-lain.

Secara umum analisis LISREL dapat dipilah dalam dua bagian: pertama yang terkait

dengan model pengukuran (measurement model) dan kedua yang terkait dengan model

struktural (structural equation model). Dengan menggunakan LISREL, kita dapat

menganalisis struktur covariance yang rumit. Pada dasarnya pengolahan SEM dengan

LISREL dapat dilakukan dengan empat cara, yaitu menggunakan PRELIS Project, SIMPLIS

Project, LISREL Project maupun PATH DIAGRAM.

3.6.2 Prosedur SEM

Penerapan SEM didasarkan atas kovarian dari nilai-nilai yang ada dalam sampel,

sedangkan kovarian kurang stabil jika diestimasi dari sampel yang berukuran kecil. Karena

itu penerapan SEM membutuhkan sampel yang berukuran besar. Jika dalam analisis

statistika lainnya, residual yang ingin diminimumkan diperoleh dari perbedaan model dengan

nilai amatan, maka dalam SEM, residual merupakan perbedaan antara kovarian yang

diprediksi dengan kovarian yang diamati. Jika pada statistika biasanya yang dipentingkan

adalah signifikansi atau yang dicari adalah penolakan terhadap Ho (seperti pada regresi

berganda), pada SEM yang diusahakan adalah agar Ha tidak ditolak atau Ha diterima.

Penerimaan hipotesis alternatif berarti matrik kovarian populasi dari variabel-variabel

teramati tidak berbeda signifikan dari matriks kovarian sehingga errornya kecil.

Penerapan SEM mengikuti prosedur umum berikut:

A. Spesifikasi Model (Model Spesification)

B. Identifikasi (Identification)

  65

C. Estimasi (Estimation)

D. Uji Kecocokan (Testin Fit)

E. Respesifikasi (Re-specification)

3.6.3 Penilaian Model

Penilaian kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan secara

langsung sebagaimana pada teknik multivariat yang lain. SEM tidak mempunyai uji statistik

terbaik yang dapat menjelaskan kekuatan prediksi model. Untuk itu telah dikembangkan

beberapa ukuran derajat kecocokan yang dapat digunakan secara saling mendukung. (1998

: 660, Wijanto, 2003:17-20) mengelompokkan ukuran-ukuran GOF yang ada kedalam 3

bagian yaitu:

• Absolute Fit Measures (ukuran kecocokan absolut)

- Menentukan derajat prediksi model keseluruhan (model structural dan pengukuran)

terhadap matrix korelasi dan kovarian.

• Incremental Fit Measures (ukuran kecocokan incremental)

- Membandingkan model yang diusulkan dengan model dasar yang sering disebut

sebagai null model atau independence model

• Parsiminous Fit Measures (ukuran kecocokan parsimony)

- Mengingatkan model dengan jumlah koefisien yang diestimas yakni yang diperlukan

untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan prinsip parsimoni

  66

atau kehematan berarti memperoleh degree of fit setinggi-tingginya untuk setiap

degree of freedom.

Table 3.4 Absolute Fit Measures

UKURAN KECOCOKAN ABSOLUTE

UKURAN DERAJAT

KECOCOKAN

TINGKAT KECOCOKAN YANG BISA DITERIMA

Statistic Chisquare (X2) Mengikuti uji statistik yang berkaitan dengan persyaratan

signifikan. Semakin kecil semakin baik. Diinginkan nilai chi

square yang kecil agar Ho : ∑ = ∑ (θ), tidak ditolak.

Non-Centrality Parameter

(NCP)

Dinyatakan dalam bentuk spesifikasi ulang dari chi square.

Penilaian didasarkan atas perbandingan dengan model lain.

Semakin kecil semakin banyak.

Goodness of Fit Index (GFI) NCP (non centrality parameter) yang dinyatakan dalam

bentuk rata-rata perbedaan setiap observasi dalam rangka

perbandingan antara model. Semakin kecil semakin baik.

Root Mean Square Residual

(RMSR)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah

lebih baik. GFI > 0.90 adalah good fit, sedang 0.80 < GFI

< 0.90 adalah marginal fit.

Root Mean Square Error of

Approximation (RMSEA)

Residual rata-rata antara matrix (korelasi atau kovarian)

teramati dari hasil estimasi, RMSR < 0.05 adalah good fit.

Expected Cross Validation

Index (ECVI)

GOF yang diharapkan pada sampel yang lain dengan

ukuran sama. Penilaian didasarkan atas perbandingan

antara model. Semakin kecil semakin baik.

  67

Tabel 3.5: Incremental Fit Measures

UKURAN KECOCOKAN INKREMENTAL

UKURAN DERAJAT

KECOCOKAN

TINGKAT KEOCOKAN YANG BISA DITERIMA

Tucker-Lewis Idex atau Non

Normed Fit Index

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. TLI > 0.90 adalah marginal fit.

Normed Fit Index (NFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik NFI > 0.90 adalah good fit, sedang 0.80 < NFI

< 0.90 adalah marginal fit.

Adjusted Goodness of Fit

Index (AGFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. AGFI > 0.90 adalah good fit, sedang 0.80 <

AGFI < 0.90 adalah marginal fit.

Incremental Fit Index (IFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. IFI > 0.90 adalah good fit, sedang 0.80 < IFI <

0.90 adalah marginal fit.

Comparative Fit Index Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah

lebih baik. CFI > 0.90 adalah good fit, sedang 0.80 < CFI

< 0.90 adalah marginal fit.

  68

Tabel 3.6: Parsiminous Fit Measures

UKURAN KECOCOKAN ABSOLUT

UKURAN DERAJAT

KECOCOKAN

TINGKAT KECOCOKAN YANG BISA DITERIMA

Parsimonious Goodness of

Fit (PGFI)

Spesifikasi ulang dari GFI, dimana nilai lebih tinggi

menunjukkan parsimony yang lebih besar. Ukuran ini

digunakan untuk perbandingan diantara model-model.

Normed Chi-Square Rasio antara Chi-Square dibagi degree of freedom. Nilai yang

disarankan : batas bawah = 1.0, batas atas =2.0 atau 3.0

dan lebih longgar 5.0

Parsimonoious Normed Fit

Index (PNFI)

Nilai tinggi menunjukkan kecocokan lebih baik, hanya

digunakan untuk perbandingan antara model alternatif.

Akaike Information Criterion

(AIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih baik

digunakan untuk perbandingan antara model.

Consitent Akaike Information

Criterion (AIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih baik

digunakan untuk perbandingan antara model.

Critical N (CN) Estimasi ukuran sample yang mencakup untuk menghasilkan

suatu adequate model fit untuk chi square test. CN > 200

mengindikasikan bahwa model cukup mewakili sample data.

Oleh karena itu, untuk menilai model fit peneliti dianjurkan menggunakan indikator-

indikator goodness of fit dalam menilai suatu variabel dan indikator-indikator tersebut

adalah sebagai berikut:

  69

Tabel 3.7 Kriteria Uji Fit

Uji Fit Kriteria Fit

Chi-Square P> 0,05

RMSEA <0,05

GFI >0,9

NFI >0,9

NNFI >0,9

CFI >0,9

IFI >0,9

3.6.4 Model Persamaan Struktural

a. Penyusunan Diagram Jalur

Pengembangan diagram jalur untuk menggambarkan hubungan kausalitas yang

ingin diuji, yang dikembangkan dalam persamaan structural yang disusun. Hubungan

kausalitas digambarkan dalam sebuah diagram jalur untuk menunjukkan alur hubungan

antara variabel endogen dan variabel eksogen. Dalam model persamaan model structural,

  70

hubungan kausalitas itu cukup digambarkan dalam sebuah diagram jalur, selanjutnya

bahasa program akan mengkonversi gambar menjadi persamaan dan persamaan menjadi

estimasi Ferdinand (2000). Pengembangan diagram jalur dalam penelitian ini dijelaskan

pada Gambar 3.1.

Gambar 3.1 Diagram Jalur Model Persamaan Struktural

Keterangan:

Strategi dan crm = Variabel laten eksogen (variabel independent).

Loyalitas = Variabel laten endogen (variabel dependent).

λ (Lamda) = Hubungan antara variabel laten eksogen ataupun endogen

terhadap indikator-indikatornya.

  71

γ (Gamma) = Hubungan langsung variabel eksogen dengan variabel

endogen.

X1, X2, X3, X4, X5, X6` = Indikator-indikator dari variabel laten eksogen.

Y1, Y2, Y3 = Indikator-indikator dari variabel laten endogen.

ε (Epsilon) = Kesalahan pengukuran (measurement error) dari indikator

variabel endogen.

δ (Delta) = Kesalahan pengukuran (measurement error) dari indikator

variabel eksogen.

b. Spesifikasi dan Identifikasi Model

Variabel Eksogen (Eksogenous Variable)

Variabel strategi adalah Latent Exogenous Variable yang diukur dengan 3 observed

variabel indikator variabel yakni Competitive Advantage (X1), Manajemen (X2), Pemasaran

(X3). Variabel CRM juga adalah Latent Exogenous Variable yang diukur dengan 3 observed

variabel indikator variabel yakni Teknologi (X4), Proses (X5), Hubungan (X6).

  72

Gambar 3.2 Model Strategi dan CRM

Keterangan:

X1 = Diferensiasi

X2 = Fokus

X3 = Kualitas produk / jasa

X4 = Kecepatan Informasi

X5 = Produktivitas dan profitabilitas

X6 = Interaksi dengan pelanggan

  73

Variabel Endogen (Endogenous Variable)

Loyalitas yang merupakan adalah Latent Endogenous Variable yang diukur dengan 3

observed variabel indikator variabel yakni Kognitif (Y1), Konatif (Y2), Tindakan (Y3).

Gambar 3.3 Model Loyalitas

Keterangan:

Y1 = Manfaat

Y2 = Konsistensi

Y3 = Tindakan

c. Persamaan struktural

Setelah penggambaran diagram jalar dilakukan, selanjutnya program Lisrel 8.80

akan mengkonversi spesifikasi model tersebut ke dalam persamaan-persamaan, yaitu

  74

persamaan sruktural dan persamaan spesifikasi model pengukurannya. Persamaan struktural

dirumuskan untuk menyatakan hubungan kausalitas antara berbagai variabel, sebagai

berikut:

Persamaan Struktural:

Persamaan Pengukuran Variabel Eksogen:

X1 = λ1 + δ1

X2 = λ2 + δ2

X3 = λ3 + δ3

X4 = λ4 + δ4

X5 = λ5 + δ5

X6 = λ6 + δ6

Persamaan Pengukuran Variabel Endogen:

Y1 = λ7 + ε1s

Y2 = λ8 + ε2

Y3 = λ9 + ε3

Y = γ1 strategi + γ2 crm + ζ

  75

3.7 Rancangan Uji Hipotesis

Uji hipotesis yang dapat dilakukan dalam penelitian ini adalah sebagai berikut:

T-1 Pengaruh Strategi Bersaing terhadap Customer Relationship Management.

Ho : Tidak ada pengaruh strategi bersaing terhadap Customer Relationship

Management pada PT Geotech System Indonesia.

Ha : Terdapat pengaruh strategi bersaing terhadap Customer Relationship

Management pada PT Geotech System Indonesia.

T-2 Pengaruh Strategi Bersaing terhadap Loyalitas Pelanggan.

Ho : Tidak ada pengaruh strategi bersaing terhadap Loyalitas Pelanggan pada

PT Geotech System Indonesia.

Ha : Terdapat pengaruh strategi bersaing terhadap Loyalitas Pelanggan pada PT

Geotech System Indonesia.

T-3 Pengaruh Customer Relationship Management terhadap loyalitas pelanggan.

Ho : Tidak ada pengaruh Customer Relationship Management terhadap Loyalitas

Pelanggan Management pada PT Geotech System Indonesia.

Ha : Terdapat pengaruh Customer Relationship Management terhadap Loyalitas

Pelanggan pada PT Geotech System Indonesia.

T-4 Pengaruh Strategi Bisnis dan Customer Relationship Management terhadap

Loyalitas Pelanggan.

Ho : Tidak ada pengaruh Strategi Bersaing dan Customer Relationship

Management terhadap Loyalitas Pelanggan pada PT Geotech System Indonesia.

Ha : Terdapat pengaruh Strategi Bersaing dan Customer Relationship

Management terhadap Loyalitas Pelanggan pada PT Geotech System Indonesia.