BAB 3 METODE PENELITIAN Dalam penelitian ini jenis ...thesis.binus.ac.id/doc/Bab3/2012-1-00144-MN...

49

BAB 3

METODE PENELITIAN

3.1. Metode yang Digunakan

Dalam penelitian ini jenis penelitian yang digunakan adalah penelitian

asosiatif. Penelitian asosiatif/hubungan adalah penelitian yang bertujuan mengetahui

hubungan antara dua variabel atau lebih dan bagaimana tingkat ketergantungan

antara variabel independent dan variabel dependent (Sugiyono, 2008). Penelitian ini

dapat dikategorikan sebagai penelitian asosiatif atau hubungan kuantitatif dengan

statistik karena bertujuan untuk mengetahui hubungan antara eWOM, Argument

Quality, Source Credibility, Brand Image dan Purchase Intention

Metode penelitian yang digunakan adalah survey, Penggunaan metode survey

dipilih karena penelitian dilakukan pada populasi besar, dan data yang dipelajari

adalah data dari sampel yang diambil dari populasi tersbut sehingga ditemukan

kejadian-kejadian realtif, distribusi dan hubungan-hubungan antarvariabel sosiologis

maupun psikologis (Sugiyono, 2008). Pendekatan survey dalam panelitian ini

melalui penyebaran kuesioner yang dilakukan pada konsumen.

Unit analisis berupa individu, yaitu para user atau member dari komunitas

Online KASKUS dengan Time Horizon yang digunakan adalah Cross Sectional atau

penelitian dalam kurun waktu tertentu (Sekaran, 2006, p135). Desain Penelitian akan

dilakukan seperti berikut :

50

Tabel 3.1 Desain Penelitian

Tujuan

Pnelitian

Jenis Penelitian

Metode

Penelitian

Unit

Analysis

Time Horizon

T1 Deksriptif-

Asosiatif

Survei Individu Cross Sectional

T2 Deksriptif-

Asosiatif


T3 Deksriptif-

Asosiatif


T4 Deksriptif-

Asosiatif


Sumber : Penulis, 2012

Keterangan :

• T-1 :Untuk mengetahui pengaruh eWOM terhadap Brand Image dan

keputusan pembelian dalam komunitas virtual KASKUS

• T-2 :Untuk mengetahui pengaruh Message Source Credibility terhadap

Brand Image dan Purchase Intention dalam komunitas virtual

KASKUS

• T-3 : Untuk mengetahui pengaruh Argument Quality terhadap Brand

Image dan Purchase Intention dalam komunitas virtual KASKUS

• T-4 : Untuk mengetahui pengaruh Brand Image pada Purchase Intention

dalam komunitas virtual KASKUS

3.2. Operasionalisasi Variabel Penelitian

Definisi operasionalisasi variabel merupakan spesifikasi kegiatan penelitian

dalam mengukur suatu variabel. Spesifikasi tersebut menunjukan pada dimensi-

51

dimensi dan indikator indikator dari variabel penelitian yang diperoleh melalui studi

pustaka (Widodo,2004)

Berdasarkan Sugiyono dalam umar (2005) variabel didalam penelitian

merupakan suatu atribut dari sekelompok objek yang diteliti dan mempunyai variasi

antara satu dan lainnya dalam kelompok tersebut. Berikut adalah variabel yang

digunakan dalam penelitian ini yaitu :

1. Variabel Independent /bebas (X) : variabel yang mempengaruhi atau yang

menjadi penyebab terjadinya perubahan atau tibulnya variabel terikat.

(Sugiyono, 2006). Dalam penelitian ini ada 2 buah yaitu :

a. eWOM (X1)

b. Source Credibility (X3)

c. Argument Quality (X2)

2. Variabel Dependent /terikat (Z) :merupakan variabel yang dipengaruhi atau

menjadi akibat karena adanya variabel bebas (Sugiyono, 2006). Dalam

penelitian ini variabel terikatnya adalah Purchase Intention

3. Variabel Intervening (Y) adalah variabel yang secara teoritis mempengaruhi

hubungan antara variabel independen dengan variabel dependen menjadi

hubungan yang tidak langsung dan tidak dapat diamati dan diukur. Variabel

ini merupakan variabel penyela / antara variabel independen dengan variabel

dependen, sehingga variabel independen tidak langsung mempengaruhi

berubahnya atau timbulnya variabel dependen (Sugiyono, 2007) dan dalam

kasus penelitian ini variabel intervening adalah Brand Image.

Skala pengukuran untuk instrumen penelitian digunakan adalah likert. Skala

likert dikembangkan oleh Rensis Likert ini akan menunjukan persetujuan atau

52

ketisaksetujuan dari serangkaian pernyataan tentang suatu objek, dan biasanya

memiliki lima atau tujuh kategori dari “sangat setuju” sampai “sangat tidak setuju”

(Sugiyono, 2008)

Variabel penelitian ini agar lebih dapat dioperasionalkan dalam penelitian

dapat dilihat pada table dibawah ini :

Tabel 3.2. Operasional Variabel

Variabel

Sub

Variabel

Indikator/Pertanyaan

Skala

Ukur

eWOM

(Bambaue,

Sachse

Mangold,20

11)

• Saya sering membaca review

produk konsumen secara online di

KASKUS untuk mengetahui apa

yang mengesankan dari sebuah

produk atau merek.

• Untuk menyakinkan pembelian

produk atau merek yang tepat,

saya membaca review produk

secara online dari konsumen

lainnya di KASKUS.

• Saya biasanya berkonsultasi

mengenai review produk secara

online di KASKUS untuk

membantu dalam memilih produk

atau merek.

• Saya sering mengumpulkan

informasi secara online di

KASKUS dari review produk

konsumen lainnya sebelum

membeli produk atau merek

Interval -

Likert

53

eWOM

(Bambaue,

Sachse

Mangold,20

11)

tertentu.

• Jika saya tidak membaca review

produk online di KASKUS ketika

ingin membeli produk atau jasa,

saya khawatir dengan keputusan

saya.

• Ketika saya ingin membeli produk

atau merek, review produk online

di KASKUS membuat saya

percaya dengan keputusan

pembelian produk atau merek

tersebut.

Interval -

Likert

Argument

Quality

(X1)

Relevance

(Citrin,

2001)

• Saya merasa argumen/informasi

yang diberikan dalam forum

komunitas KASKUS relevan



komunitas KASKUS dapat

diterima.


yang diberikan didalam forum

komunitas KASKUS dapat

digunakan atau diaplikasikan.

Interval -

Likert

Timelness(

Wixom

&Todd,

2005)



komunitas KASKUS sesuai dengan

keadaan saat ini.



komunitas KASKUS tepat waktu



komunitas KASKUS up-to-date

54

Argument

Quality

(X1)

Accurancy

(Wixom

and Tidd,

2005)

• Saya merasa argumen/ informasi


komunitas KASKUS akurat.



komunitas adalah benar


yang diberikan didalam komunitas

online KASKUS dapat

diandalkan/dipercaya.

Interval -

Likert

Comprehen

sive

(Wixom &

Todd, 2005)


yang diberikan didalam forum

KASKUS cukup melengkapi

kebutuhan saya.



KASKUS memiliki nilai nilai yang

saya butuhkan.



KASKUS dapat memenuhi

kebutuhan saya.



KASKUS memiliki tingkat

kedalaman dan kelebaran informasi

yang cukup.

Message

Source

Credibility

(X2)

Expertine

(Wu &

Shaffer

1987)

• Para user KASKUS yang

memberikan argumen/informasi

adalah orang-orang yang relatif

berpengetahuan dalam

mengevaluasi kualitas produk dan

merek.

55

• Para User KASKUS adalah orang-

orang ahli dalam mengevaluasi

kualitas produk tertentu

Interval -

Likert

Trust

worthines

(Wu

&Shaffer

1987)

• Para User di KASKUS dapat

dipercaya dalam memberikan

informasi.

• Para User di KASKUS reliabel

dalam memberikan informasi.

Brand

Image

(Y)

David et al

(2009);

Plummer

(2000)

Product

Atribut

Brand

Association

Consumer

Benefit

• Dengan perbandingan produk/jasa

lainnya, produk/jasa yang

direkomendasikan di KASKUS

memiliki kualitas yang tinggi

• Produk yang direkomendasikan di

KASKUS adalah produk yang

memiliki sejarah yang baik.

• Produk yang direkomendasikan di

KASKUS dapat saya perkirakan

bagaimana kinerja dan fitur yang

akan saya dapatkan nantinya.

Interval -

Likert

Purchase

Intention

(Z)

(Shukla,

2010)

• Saya akan berniat untuk membeli

produk yang direkomendasikan

didalam forum komunitas

KASKUS.

• Saya akan bersenang hati

merekomendasikan kepada orang

lain mengenai produk/merek yang

direkomedasikan di forum

komunitas KASKUS.

• Saya sependapat dengan opini yang

diberikan di forum komunitas

KASKUS dan akan membeli

produk/merek yang dimaksud di

masa datang.

Interval -

Likert

56

3.3. Jenis dan Sumber data Penelitian

Untuk mendapatkan data yang valid untuk penelitian, yang pertama perlu

diketahui adalah mengenal jenis-jenis data. Data dikelompokkan sebagai beirkut

(Sugiyono, 2008) :

1. Menurut Sifat

- Data kualitatif, yaitu daya yang tidak berbentuk angka (non numeric)

- Data kuantitatif, yaitu data yang dinyatakan dalam bentuk angka.

2. Menurut Sumber

- Data internal, yaitu daya yang bersumber dari keadaan atau kegiatan suatu

perusahaan

- Data eksternal, yaitu data yang bersumber dari luar perusahaan.

3. Menurut cara perolehannya

- Data Primer, yaitu daya yang dikumpulkan dan diolah sendiri oleh suatu

perusahaan atau perorangan langsung dari objeknya.

- Data Sekunder, yaitu data yang diperoleh dalam bentuk jadi dan telah

diolah oleh pihak lain, biasanya dalam bentuk publikasi.

4. Menurut waktu pengumpulannya

- Data Cross Sectional, yaitu daya yang dikumpulkan dalam suatu periode

tertentu yang menggambarkan keadaan atau kegiatan dalam periode

tersebut.

- Data Time Series (Longitudinal), yaitu data yang dikumpulkan dari waktu

ke waktu yang bertujuan untuk menggambarkan perkembangan suatu

kegiatan dari waktu ke waktu.

57

-

-

-

Gambar 3.1 Jenis dan Sumber Penelitian


Dalam penelitian ini terdapat dua jenis data yang digunakan, yakni primer

dan data sekunder. Data primer berupa informasi yang diperoleh dengan melakukan

penelitian langsung, data ini didapatkan dari interview, observasi perusahaan, dan

penyebaran kuesioner kepada user/member dari KASKUS.com. Sehubungan dengan

informasi yang diperlukan untuk penelitian ini.

Sedangkan data sekunder didapatkan dari informasi data data perusahaan

berupa profil perusahaan, dan data-data yang diperoleh melalui media internet dan

dari jurnal-jurnal yang relevan mengenai fakta tentang website KASKUS.com

ataupun teori-teori yang digunakan untuk penelitian ini.

Sumber data yang diperoleh dalam penelitian ini berupa data internal dan

eksternal. Data internal yang diperoleh dari perusahaan. Dan data eksternal adalah

data yang didapat diluar perusahaan seperti hasil penelitian sebelumnya yang telah

diteliti pihak lain

58

Tabel 3.3 Jenis dan Sumber Penelitian

Deksripsi

Sumber Data

Jenis Data

eWOM terhadap brand image dan Purchase

Intention

Primer

Kuantitatif

Message Source Credibility terhadap brand

image dan Purchase Intention

Primer

Kuantitatif

Argument Quality terhadap brand image dan

Purchase Intention

Primer

Kuantitatif

Brand image terhadap Purchase Intention

Primer

Kuantitatif


3.4.Teknik Pengumpulan Data

Teknik Pengumpulan data yang dilakukan dalam memperoleh data yang

diperlukan dalam penelitian ini antara lain dengan cara :

1. Studi Kepustakaan/Literatur : Bertujuan untuk mendapatkan data sekunder

melalui buku, artikel, jurnal, internet dan literatur lainnya untuk menunjang

data-data penelitian yang diperlukan untuk memperkuat sisi teori dari model

penelitian ataupun hipotesis yang dibuat oleh peneliti.

2. Observasi : Menurut Churchil dan Lacobucci (2005) Observasi adalah

pengumpulan data dimana situasi yang menarik perhatian diamati dan fakta

relevan, tindakan, atau perilaku direkam. Metode dilakukan untuk melakukan

pengamatan secara lansgung sehingga kebutuhan akan data perusahaan dapat

dipenuhi.

3. Penyebaran Kuesioner : Kuesioner merupakan teknik pengumpulan data yang

dilakukan dengan cara memberi seperangkat pertanyaan tertulis kepada

responden untuk menjawab (Sugiyono,2006). Dalam penelitian ini

59

pengumpulan data dengan seperangkat pertanyaan disebarkan secara

langsung kepada member ataupun user KASKUS untuk dapat mendapatkan

penilaian mengenai eWOM, Source Credibility, Brand Image dan Purchase

Intention

3.5. Teknik Pengambilan Sampel

Teknik Sampling atau teknik pengambilan sampel adalah suatu cara yang

mengambil sampel yang representatif dari populasi dimana pengambilan sampel

harus dilakukan sedemikan rupa sehingga diperoleh sampel yang benar-benar

mewakili dan mengambarkan keadaan populasi yang sebenarnya (Ridua dan

Kuncoro, 2008). Terdapat berbagai teknik pengambilan sampel yang dapat

digunakan yang digambarkan sebagai berikut.

Populasi didefinisikan sebagai kelompok subjek yang dikenai generalisasi hasil

penelitian (Azwar, 1998). Menurut Sugiyono (2008), populasi adalah objek peneltian

yang mempunyai kualitas dan karakteristik yang ditetapkan oleh peneliti untuk

dipelajari dan kemudian ditarik kesimpulan.

Gambar 3.2 Teknik Pengambilan Sampel


Teknik Sampling

Probability Sampling Nonprobability Sampling

• Simple Random Sampling

• Proportionate Stratified

Random Sampling

• Disproportionate Stratified

Random Sampling

• Cluster Sampling

• Convenience Sampling

• Purposive Sampling

• Quota Sampling

• Accidental Sampling

• Snowball Sampling

• Judgemntal Sampling

60

Populasi dalam penelitian ini adalah para member dari salah satu komunitas

virtual yaitu KASKUS.com dengan penyebaran online survey. Teknik pengambilan

sampel yang diterapkan dalam penelitian ini adalah non-probability sampling dan

jenis sample yang digunakan adalah Judgmental Sampling. Menurut Maholtra

(2009,p337) Judgemental Sampling adalah salah satu bentuk convenience sampling

dimana populasi dipilih berdasarkan pertimbangan peneliti , peneliti memilih elemen

sample karena dia percaya bahwa sampel tersebut dapat mewakili populasi yang

diteliti. Yang ini berarti adalah para anggota Kaskus yang aktif dalam berbagai forum

komunitas dan pernah menanyakan atau berdiskusi mengenai suatu produk atau

bahkan memiliki tingkatan pangkat tersendiri di Kaskus. Peneliti akan menggunakan

fitur Thread dan fitur Private Message untuk memberikan kuesioner pada sampel

yang terpilih.

3.6. Teknik Pengolahan Sampel

Dalam penlitian untuk dapat mendapatkan ketepatan ukuran pengukuran

dalam penelitian dengan metode analisis yang dipilih yaitu SEM (Structural

Equation Method). Berdasarkan studi Monte Carlo yang dilakukan oleh peneliti

terhadap berbagai metode estimasi disimpulkan bahwa :

1. Ukuran sampel untuk estimasi Maximum Likehood harus setidaknya 5x

jumlah parameter bebas dalam model, termasuk eror (Bentler & Chou, 1987).

2. Ukuran sampel minimum yang diperlukan untuk mengurangi bias pada

semua jenis estimasi SEM adalah 200 (Loehlin, 1998).

3. Untuk Model SEM dengan jumlah variabel laten sampai dengan lima buah

dan setiap konstruk dijelaskan oleh 3 atau lebih indikator jumlah sampel 100-

150 sudah dianggap memadai (Singgih Santoso, 2011)

61

4. Ukuran Sampel untuk model SEM adalah antara 100-200, atau dengan cara

jumlah indikator dikali 5 sampai 10. (Ferdinand A.T 2000)

5. Batas minimum jumlah responden adalah 5x jumlah dari parameter observasi.

(Hair et al. 2006)

6. Data yang memiliki nilai kurtosis tinggi, ukuran sampel minimum harus 10

kali jumlah parameter bebas (Hoogland dan Boomsma, 1998).

7. Ukuran sampel minimum yang diperlukan untuk mengurangi bias pada

semua jenis estimasi SEM adalah 200 (Loehlin, 1998).

8. Ukuran sampel yang harus dipenuhi dalam pemodelan SEM adalah minimum

berjumlah 100 atau lima kali jumlah indikator. (www.konsultanstatistik.com)

9. SEM yang menggunakan model estimasi maximum likelihood estimation

(MLE) adalah 100-200 sampel (Ghozali, 2008).

10. Merujuk pada pendapat Hair et al (2006), ukuran sampel dalam penelitian

harus memiliki jumlah sampel minimum lima kali jumlah pertanyaan yang

dianalisis.

Oleh karena itu berdasarkan pendapat para ahli diatas, jumlah sampel minimum yang

diambil adalah 200 responden untuk dapat memberikan hasil perhitungan estimasi

yang lebih baik.

3.7. Metode Analisis

Penelitian membutuhkan suatu analisis data dan interprestasi yang akan

digunakan untuk menjawab pertanyaan-pertanyaan penelitian untuk mengungkapkan

fenomena tertentu. Sehingga analisis dataa dalah proses penyederhanaan data

kedalam bentuk yang lebih mudah dibaca dan di interprestasikan. Model yang akan

digunakan dalam penelitian ini adalah model kausalitas atau hubungan atau pengaruh

dan untuk menguji hipotesis yang diajukan, maka teknik analisis yang digunakan

62

adalah Structural Equation Method. Dimana data yang diperoleh akan diolah oleh

software SPSS 20 (Structural program for social science) dan SPSS AMOS 21.0

(Analysis of Moment Structure). Metode Analisis yang dipakai dikaitkan dengan

masing-masing tujuan seperti dalam tabel dibawah ini :

Tabel 3.4. Tabel Metode Analisis

Tujuan Pnelitian Data

T-1 : Pengaruh X1 terhadap Y dan Z Structural Equation Model



T-4 : Pengaruh Y terhadap Z Structural Equation Model


Penggunaan metode analisis SEM karena SEM dapat mengidentifikasikan

dimensi-dimensi dari sebuah konstruk dan pada saat yang sama mampu mengukur

pengaruh atau derajat hubungan antar factor yang telah di identifikasikan dimensi-

dimensinya (Ferdinand, A.T., 2000).

3.7.1. Pembobotan Nilai

Didalam suatu penelitian, data merupakan hal yang sangat penting. Sebelum

melakukan penyebaran kuesioner, penentuan skala pengukuan kuesioner adalah

langkah yang pertama dilakukan agar mempermudah proses pengolahan data yang

menggunakan program SPSS 20,0 (Statistical Package for Social Science), yaitu

perangkat lunak yang dirancang untuk membantu pengolahan data secara statistik.

Metode pengumpulan data primer pada penelitian ini dilakukan dengan

menggunakan metode survey yaitu dengan menggunakan kuesioner dengan

menggunakan pertanyaan tertutup dan skala simatik (likert). Penggunaan skala

simatik dengan lima skala poin untuk setiap vairabel yang digunakan dalam

63

penelitian ini. dimana setiap responden diminta untuk memilih salah satu altematif

pilihan yang bergerak dari tabel berikut :

Tabel 3.5. Tabel Pembobotan Nilai

Penilaian Sikap Bobot penilaian

Sangat Setuju 5

Setuju 4

Biasa-Biasa Saja 3

Tidak Setuju 2

Sangat Tidak Setuju 1


Berdasarkan kategori-kategori tersebut dapat diketahui bobot nilai tertinggi

adalah 5 dan bobot nilai terendah adalah 1. Untuk mengetahui range maka selisih

antara bobot nilai tertinggi dan bobot nilai terendah adalah 5-1=4, dan untuk

mengetahui jumalh interval kelas dan besar interbal kelas dapat digunakan dengan

rumus berikut

i =

Keterangan :

R = Range

K= Jumlah Interval Kelas

i = Besar Interval Kelas

Berdasarkan ketentuan diatas maka penulis mengelompokkan tanggapan

responden berdasarkan batas batas penelitian terhadap bagian –bagian yang

dievelauasi sehingga dikelompokkan sebagi berikut :

64

Tabel 3.6. Tabel Batas Penelitian

Penilaian Sikap Bobot penilaian

Sangat Setuju 1-1,8

Setuju 1,81-2,6

Biasa-Biasa Saja 2,61-3,4

Tidak Setuju 3,41-4,2

Sangat Tidak Setuju 4,21-5


3.7.2.Transformasi Data Ordinal menjadi Data Interval

Jika data yang disimpulkan memiliki skala ukur ordinal, maka data tersebut

harus diubah (transformasi) menjadi data interval. Mentransformasi data ordinal

menjadi interval berguna untuk memenuhi sebagian syarat analisis parametrik yang

mana datanya setidaknya adalah data berskala interval.

Teknik transformasi yang paling sederhana menggunakan MSI (Method of

Successive Interval).

Langkah-langkah transformasi data ordinal menjadi interval adalah sebagai

berikut : (Riduwan & Kuncoro, 2008)

• Pertama perhatikan setiap butir jawaban responden dari kuesioner yang

disebarkan.

• Pada setiap butir ditentukan berapa orang yang mendapat skor 1,2,3,4 dan 5

yang disebut frekuensi.

• Setiap frekuensi dibagi dengan banyaknya repsonden dan hasilnya disebut

proporsi.

• Menentukan nilai proporsi kumulatif dengan menjumlahkan nilai proporsi

berurutan per kolom skor.

65

• Menentukan nilai Z, dengan menggunakan tabel distribusi normal baku

(Riduwan dan kuncoro 2008), hitung nilai Z untuk setiap proporsi kumulatif

yang diperoleh.

• Menentukan densitas, tentukan nilai tinggi densitas untuk setiap nilai Z yang

diperoleh dengan menggunakan tabel Koordinat Kurva Normal Baku

(Riduwan dan Kuncoro, 2008)

• Menentukan scale value (skala nilai) dengan menggunakan rumus :

�

• Tentukan nilai transformasi (skala akhir) dengan rumus :

� Y= NS + [1+(NS minimum] +1

3.7.3. Uji Validitas

Uji validitas dilakukan berkenaan dengan ketepatan alat ukur terhadap konsep

yang diukur sehingga benar benar mengukur apa yang seharusnya diukur. Berkaitan

dengan pengujian validitas instrument menurut Riduwan dan Kuncoro (2008)

menjelaskan bahwa validitas adalah suatu ukuran yang menunjukkantingkat

keandalan atau kesasihan suatu alat ukur. Suatu kuesioner yang baik harus dapat

mengukur dengan jelas kerangka penelitian yang akan diukur.

Untuk menguji validitas alat ukur,terlebih dulu dicari harga korelasi antara

bagian – bagian dari alat ukur secara keseluruhan dengan cara mengkorelasikan

setiap butir alat ukur dengan skor total yang merupakan jumlah tiap skor butir. Untuk

menghitung validitas menggunakan teknik korelasi Pearson product moment.

Rumusnya adalah sebagai berikut

66

R hitung =

Dimana :

r hitung = Koefisien Korelasi

∑Xi = Jumlah skor item

∑Yi =Jumlah skor total

t = Nilai t hitung

n = Jumlah responden

r = Koefisien korelasi hasil r hitung

Distribusi (Tabel t) untuk a- 0,1 dan derajad kebebasan (df = n-2) Kaidah

keputusan :

• t hitung ˃ t table berarti valid sebaliknya

• t hitung ˃ t table berati tidak valid

Uji validitas ini disarankan agar jumlah responden untuk uji coba minimal

30 orang.Dengan jumlah minimal 30 orang ini,distribusi skor (nilai) akan lebih

mendekati kurva normal.Pada uji validitas ini peneliti menggunakan Corrected

Item-Total Correlation.

Validitas dapat dibedakan menjadi content validity, criterion validity,

construct validity, dan convergent dan discriminant validity. Bollen (1989)

mengusulkan definisi alternatif dari validitas sebuah variabel teramati adalah

muatan faktor (factor loadings) dari variabel tersebut terhadap variabel latennya.

Rigdon dan Ferguson (1991), Doil, Xia Torkzadeh (1994) menyatakan bahwa

67

suatu variabel dikatakan mempunyai validitas baik terhadap konstruk atau

variabel lainnya jika Nilai t muatan faktor (factor loadings) lebih besar dari nilai

kritis (> 1,96).

3.7.4. Uji Reliabilitas

Reliabilitas artinya adalah tingkat kepercayaan hasil suatu

pengukuran.Pengukuran yang memiliki reliabilitas tinggi,yaitu pengukuran yang

mampu memberikan hasil ukur yang terpercaya (realibel).Sangat disarankan agar

jumlah responden untuk uji coba, minimal, 30 orang.Dengan jumlah minimal 30

orang ini,distribusi skor (nilai) akan lebih mendekati kurva normal.Pada program

SPSS akan dibahas untuk uji yang seiring digunakan dalam penelitian yakni

metode Alpha (Cronbach’s).Metode Alpha sangat cocok pada skor berskala

(missal 1-4,1-5).

Menurut Hair et al (1995) pengukuran realibilitas untuk SEM dapat

dilakukand engan menggunakan Composite/Construct Realibility Measure

(Ukuran Ekstrak Varian). Ekstrak carian mencerminkan jumlah varian

keseluruhan dalam indikator yang dijelaskan oleh construct laten. Reliabilitas

construct dikatakan baik, jika nilai construct realibility-nya ≥ 0,70 dan nilai

variance extracted ≥ 0,50.

Menurut Triton (2006), tingkat reliabilitas dengan metode Alpha

Cronbach’s diukur berdasarkan skala Alpha 0 sampai 1. Apabila skala tersebut

dikelompokkan ke dalam lima kelas dengan range yang sama, maka ukurlah

kemantapan Alpha dapat diinterpretasikan sebagai berikut

68

Tabel 3.7 Tingkat Reliabilitas Berdasarkan Nilai

Alpha Tingkat Reliabilitas

0.00 – 0.20 Kurang Reliabel

˃0.20 - 0.40 Agak Reliabel

˃0.40 - 0.60 Cukup Reliabel

˃0.60 – 0.80 Reliabel

˃0.80 – 1.00 Sangat Reliabel

Sumber : Penulis

3.7.5. Uji Normalitas

Uji normalitas adalah uji yang dilakukan untuk mengecek apakah

penelitian berasal dari populasi yang sebaraannya berdistribusi normal. Uji ini

perlu dilakukan karena semua perhitungan statistik parametrik memiliki asumsi

normalitas sebaran.

Untuk menganalisis hasil output uji normalitas yang telah diolah, maka

yang perlu diperhatikan adalah (Santoso, 2001)

• Output Deksriptif : jika ratio skewness dan kurtosis tidak melebihi angka

2, maka dapat diaktakan distribusi data adalah normal.

• Output Tests of Normality: dimana hasil Sig. > dari 0,1, maka dikatakan

normal.

69

• Grafik Normal Q-Q Plots : terdapat garis lurus dari kiri kekanan atas.

Garis ini berasal dari nilai Z. Jika suatu dstribusi data normal, maka data

akan tersebar disekeliling garis.

• Grafik Derended normal Q-Q plots : dimana grafik ini menggambarkan

selisih antara titik-titik dengan garis diagonal pada graifk sebelumnya. Jika

data yang kita miliki mengikuti distribusi normal dengan sempurna, maka

semua titik akan jatuh pada garis 0,0.

• Output boxplot : adalah kotak berwarna merah dengan garis horizontal

dikotak tersebut. Jika garis hitam terletak persis ditengah boxplot, maka

data adalah berdistribusi normal.

3.7.6. Analisis Statistik Deskriptif

Analisis ini dilakukan pada kuesioner yang telah disebarkan dan telah

dijawab oleh responden,melalui perhitungan nilai rata-rata dari setiap jawaban

dari pernyataan yang ada pada kuesinoer.

Statistik deskriptif adalah kumpulan metode yang digunakan untuk

menganalisis dan menyajikan data yang jumlahnya relative besar, dengan tujuan

untuk menggambarkan data tersebut agar dapat dimengerti dengan mudah untuk

pengumpulan, pengolahan, penyajian dan analisis (Santoso 2001, p20)

Statistik deskripstif atau penggambaran, merupakan salah satu teknik

statistic dimana bertujuan untuk menggambarkan data – data yang telah

dikumpulkan untuk disusun sehingga dapat ditampilkan untuk memudahkan

pengguna data melakukan analisis statistic lebih lanjut.

70

Deskriptif atau penggambaran sekumpulan data secara visual dapat

dilakukan melalui 2 bagian,yaitu:

- Deskrpsi dalam bentuk tulisan atau teks, Terdiri atas bagian yang penting

yang menggambarkan isi data secara keseluruhan

- Deskripsi dalam bentuk gambar atau grafik, Grafik sebuah data biasanya

disajikan untuk melengkapi deskripsi berupa teks agar data tampak lebih

impresif dan komunikatif dengan para penggunanya

3.7.7. Uji Korelasi

Berdasarkan Riduwan dan Kuncoro (2008,p62) Korelasi adalah untuk

mengetahui hubungan antara variabel. Analisi Korelasi yang digunakan adalah

Pearson Product Moment dengan rumus.

Apabila nilai r =-1 artinya korelasinya negaitf sempurna, r=0 artinya tidak

ada korelasi dan r-1 berarti korelasinya sangat kuat.Berikut akan ditampilkan

kefisien korelasi nilai r.

{ } { }2222 )()(

))((

iiii

iiiixy

yynxxn

yxyxnr

∑−∑∑−∑

∑∑−∑=

71

Tabel 3.8 Intrepretasi Koefisien Korelasi nilai r

Alpha Tingkat Reliabilitas

0,80 – 1,000 Sangat Kuat

0,60 – 0,799 Kuatl

0,40 – 0,599 Cukup Kuat

0,20 – 0,399 Rendah

0,00 – 0,199 Sangat Rendah


3.7.8. Structural Equation Model

SEM adalah singkatan dari model persamaan struktural (structural

equation model) yang merupakan generasi kedua teknik analisis multivariate yang

memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks

baik recursive maupun nonrecursive untuk memperoleh gambaran menyeluruh

mengenai suatu model. Tidak seperti analisis multivariate biasa (regresi berganda

dan analisis faktor). SEM dapat melakukan pengujian secara bersama-sama

(Bollen, 1989), yaitu: model struktural yang mengukur hubungan antara

independent dan dependent construct, serta model measurement yang mengukur

hubungan (nilai loading) antara variabel indikator dengan konstruk (variabel

laten). Dengan digabungkannya pengujian model struktural dan pengukuran

tersebut memungkinkan peneliti untuk;

1. Menguji kesalahan pengukuran (measurement error) sebagai bagian tak

terpisahkan dari structural equation model.

72

2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis. Dalam

model persamaan struktural (SEM) mengandung 2 jenis variabel yaitu

variabel laten dan variabel teramati, 2 jenis model yaitu model struktural

dan model pengukuran serta 2 jenis kesalahan yaitu kesalahan struktural

dan kesalahan pengukuran.

Structural Equation Modeling (SEM) merupakan teknik analisis

multivariate yang dikembangkan guna menutupi keterbatasan yang dimiliki oleh

model-model analisis sebelumnya yang telah digunakan secara luas dalam

penelitian statistik. Model-model yang dimaksud diantaranya adalah regression

analysis (analisis regresi), path analysis (analisis jalur), dan confirmatory factor

analysis (analisis faktor konfirmatori) (Hox dan Bechger, 1998).

Definisi berikutnya mengatakan bahwa Structural equation modeling

(SEM) merupakan teknik statistik yang digunakan untuk membangun dan menguji

model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM

sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan

(confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap

sebagai kasus khusus dalam SEM.

SEM adalah sebuah evolusi dari model persamaan berganda (regresi) yang

dikembangkan dari prinsip ekonometri dan digabungkan dengan prinsip

pengaturan (analisis faktor) dari psikologi dan sosiologi. (Hair et al., 1995).

Yamin dan Kurniawan (2009) menjelaskan alasan yang mendasari digunakannya

SEM adalah.

73

1. SEM mempunyai kemampuan untuk mengestimasi hubungan antara

variabel yang bersifat multiple relationship. Hubungan ini dibentuk

dalam model struktural (hubungan antara konstrak laten eksogen dan

endogen).

2. SEM mempunyai kemampuan untuk menggambarkan pola hubungan

antara konstrak laten (unobserved) dan variabel manifest (manifest

variabel atau variabel indikator).

3. SEM mempunyai kemampuan mengukur besarnya pengaruh langsung,

pengaruh tidak langsung, dan pengaruh total antara konstrak laten

(efek dekomposisi).

Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan

structural equation modeling (SEM) berkembang dan mempunyai fungsi mirip

dengan regresi berganda, sekalipun demikian nampaknya SEM menjadi suatu

teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi,

nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated

independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang

berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent

independents) dimana masing-masing diukur dengan menggunakan banyak

indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing

diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM

dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan

menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series,

dan analisis kovarian.

74


Gambar 3.3. Tampilan AMOS

SEM bermanfaat sebagai alat statistik yang sangat berguna dan menjadi

”keharusan” untuk penelitian non-eksperimental, dimana metode untuk pengujian

teori belum dikembangkan secara menyeluruh (Bentler,1980). Software yang

menawarkan SEM antara lain adalah; LISREL (Joreskoq dan Sorbom, 1996),

AMOS (Arbuckle, 1995), EQS (Bentler,1995), ROMANO (Browne, Mels dan

Coward, 1994), SEPATH (Steiger,1994), dan LISCOM (Muthen, 1988).

3.7.8.1. Aplikadi dan Pendekatan SEM

Aplikasi utama structural equation modeling meliputi:

1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur

(path analysis), yang menyusun hipotesa hubungan-hubungan sebab

akibat (causal relationships) diantara variabel - variabel dan menguji

75

model-model sebab akibat (causal models) dengan menggunakan sistem

persamaan linier. Model-model sebab akibat dapat mencakup variabel-

variabel manifest (indikator), variabel-variabel laten atau keduanya;

2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik

kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis –

hipotesis struktur factor loadings dan interkorelasinya;

3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi

dari teknik analisis faktor dimana matriks korelasi dari faktor-faktor

tertentu ( common factors) dilakukan analisis pada faktornya sendiri untuk

membuat faktor-faktor urutan kedua;

4. Model-model regresi (regression models), suatu teknik lanjutan dari

analisis regresi linear dimana bobot regresi dibatasi agar menjadi sama

satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai

numeriknya;

5. Model-model struktur covariance (covariance structure models), yang

mana model tersebut menghipotesakan bahwa matrix covariance

mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis

yang menyusun semua variabel yang mempunyai varian yang sama

dengan menggunakan prosedur yang sama;

6. Model struktur korelasi (correlation structure models), yang mana model

tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk

tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix

korelasi mempunyai struktur circumplex.

76

Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur

yang bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan

sebagai berikut:

1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu

model diuji dengan menggunakan uji keselarasan SEM (goodness-of-fit

tests) untuk menentukan jika pola varians dan kovarians dalam suatu data

bersifat konsisten dengan model jalur struktural yang dibuat secara

spesifik oleh peneliti. Sekalipun demikian pada saat model-model lain

yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih baik,

maka model yang diterima model yang diterima hanya berupa model

penegasan saja.

2. Pendekatan model-model alternatif (alternative models approach):

maksudnya peneliti dapat melakukan pengujian dua atau lebih model-

model sebab akibat untuk menentukan model mana yang paling

cocok. Adabanyak pengukuran keselarasan yang mencerminkan

pertimbangan-pertimbangan yang berbeda dan biasanya peneliti

melaporkan 3 atau 4 saja.

3. Pendekatan pengembangan model (model development approach): Dalam

praktiknya, banyak penelitian yang menggunakan SEM menggabungkan

antara tujuan-tujuan yang bersifat konfirmatori dan eksploratori, yaitu

suatu model diuji dengan menggunakan prosedur-prosedur SEM, karena

merasa tidak cukup efisien, maka suatu model alternatif kemudian diuji

didasarkan pada perubahan-perubahan sebagaimana disarankan dalam

77

indeks-indeks modifikasi SEM. Masalah dengan pendekatan ini ialah

bahwa model – model yang ditegaskan dengan menggunakan cara seperti

bisa tidak stabil atau tidak akan cocok dengan data yang baru karena sudah

di buat didasarkan pada keunikan seperangkat data awal. Untuk mengatasi

hal ini, peneliti dapat menggunakan strategi validasi silang dimana model

dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi

dengan menggunakan sampel validasi yang independen.

Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak

dapat secara otomatis menggambar panah-panah sebab akibat dalam model –

model tersebut atau menyelesaikan ambiguitas sebab akibat Oleh karena itu,

pengertian secara teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi

satu faktor yang paling penting.

3.7.8.2. Perbedaan dan Keunggulan SEM

Ada beberapa aspek yang membedakan SEM dengan analisa

multivariatelainya.

1. Pertama, pendekatan SEM lebih bersifat confirmatorydaripada

exploratory. Meskipun demikian, tidak menutup kemungkinan bahwa

aspek exploratory juga dapat dilakukan.

2. Kedua, SEM dapat melakukan hubungan intervariabel sehingga analisis

data untuk tujuan inferensial dapat dilakukan. Sebaliknya, sebagian besar

prosedur multivariate lainnya pada dasarnya bersifat descriptive (misalnya,

78

exploratory factor analysis), sehingga testing hipotesa menjadi sulit

dilakukan.

3. Ketiga, pendekatan multivariate yang lain tidak mampu menilai maupun

mengkoreksi measurement error, sedangkan SEM mampu mengestimasi

secara eksplisit parameter tersebut.

4. Keempat, teknik multivariatelainnya hanya didasarkan pada pengukuran

variabel yang ter-observasi saja, sedangkan teknik SEM dapat melakukan

ke duanya yaitu variabel yang tak-terukur (disebut latent variabel) dan

variabel yang terukur. Karena karakteristik inilah SEM menjadi populer

sebagai metodologi untuk riset nonexperimental. Dalam penelitian aspek

perilaku, para periset sering tertarik mempelajari konstruk teoritis yang

tak-terukur (unobserved) secara langsung. Konstruk yang abstrak ini

disebut latent variabels, atau factors. individu terhadap skala motivasi.

Beberapa hal yang membedakan SEM dengan regresi biasa dan teknik

multivariate lainnya, diantaranya adalah (Efferin, 2008) :

1. SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan

atas regresi biasa dan analisis varian.

2. Regresi biasa, umumnya, menspesifikan hubungan kausal antara variabel-

variabel teramati, sedangkan pada model variabel laten SEM, hubungan

kausal terjadi di antara variabel-variabel tidak teramati atau variabel-

varibel laten

79

3. SEM selain memberikan informasi tentang hubungan kausal simultan

diantara variabel-variabelnya, juga memberikan informasi tentang muatan

faktor dan kesalahan-kesalahan pengukuran.

4. Estimasi terhadap multiple interrelated dependence relationships. pada

SEM sebuah variabel bebas pada satu persamaan bisa menjadi variabel

terikat pada persamaan lain.

Widodo (2006) mengemukakan keistimewaan SEM sebagai berikut :

1. Mampu memperlakukan variabel endogenous dan variabel eksogenous

sebagai variabel acak dengan kesalahan pengukuran

2. Mampu memodelkan variabel laten sengan sejumlah indikatornya,

membedakan kesalahan pengukuran dan kesalahan model

3. Mampu menguji model secara kesuluruhan, bukan hanya menguji

koefisien model secara individu

4. Mampu memodelkan variabel mediator, memodelkan hubungan antar

error, menguji silang koefisien model dari berbagai kelompok sampel

5. Mampu memodelkan dinamika suatu fenomena, mengatasi data yang

hilang dan menangani data tidak normal

Beberapa keterbatasan yang dimiliki oleh SEM adalah sebagai berikut

(Widodo, 2006):

1. SEM tidak digunakan untuk menghasilkan model namun untuk

mengkonfirmasi suatu bentuk model.

2. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, namun

dibangun oleh teori yang mendukungnya.

80

3. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas,

namun untuk menerima atau menolak hubungan sebab akibat secara

teoritis melalui uji data empiris.

4. Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar

untuk pengujian aplikasi SEM.

3.7.8.3. Permodelan SEM

Diagram lintasan (path diagram) dalam SEM digunakan untuk

menggambarkan atau mespesifikasikan model SEM dengan lebih jelas dan mudah,

jika dibandingkan dengan model persamaan matematik. Untuk dapat

menggambarkan diagram jalur sebuah persamaan secara tepat, perlu diketahui

tentang variabel-variabel dalam SEM berserta notasi dan simbol yang

berkaitan. Kemudian hubungan diantara model-model tersebut dituangkan dalam

model persamaan struktural dan model pengukuran.

Variabel-variabel dalam SEM :

1. Variabel laten (latent variable) adalah konsep yang membuat peneliti

mendefinisikan ketentuan konseptual namun tidak secara langsung

(bersifat laten), tetapi diukur dengan perkiraan berdasarkan indikator.

Konstrak merupakan suatu proses atau kejadian dari suatu amatan yang

diformulasikan dalam bentuk konseptual dan memerlukan indikator untuk

memperjelasnya. Variabel laten merupakan konsep abstrak, misalkan :

perilaku, perasaan, dan motivasi. Variabel laten ini hanya dapat diamati

secara tidak langsung dan tidak sempurna melalui efeknya pada variabel

81

teramati. Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan

endogen.

a. Variabel eksogen setara dengan variabel bebas/variabel yang tidak

ada panah mengarahnya, yang dikenal juga dengan diprediksi oleh

variable yang lain dalam model. Konstruk eksogen adalah konstruk

yang dituju oleh garis dengan satu ujung panah.

b. Sedangkan variabel endogen setara dengan variabel terikat dimana

terdapat anak panah yang datang dan pergi. yang merupakan

faktor-faktor yang diprediksi oleh satu atau beberapa konstruk.

Konstruk Endogen dapat memprediksi satu atau beberapa konstruk

endogen lainnya, tapi konstruk endogen hanya dapat berhubungan

kausal dengan konstruk endogen.

Notasi matematik dari variabel laten eksogen adalah (”ksi”) dan

variabel laten endogen ditandai dengan (eta).

Gambar 3.4. Simbol Variabel Laten

2. Variabel teramati adalah variabel yang

dapat diamati atau dapat diukur secara enpiris dan sering disebut

sebagai indikator. (Efferin, 2008 : 11). Variabel teramati merupakan

efek atau ukuran dari variabel laten. Pada metoda penelitian survei

dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner

mewakili sebuah variabel teramati. Variabel teramati yang berkaitan

82

atau merupakan efek dari variabel laten eksogen diberi notasi

matematik dengan label X, sedangkan yang berkaitan dengan variabel

laten endogen diberi label Y. Simbol diagram lintasan dari variabel

teramati adalah bujur sangkar atau empat persegi panjang.

Gambar 3.5. Simbol Variabel Teramati

Menurut Ferdinand AT. (2000) sebuah permodelan SEM memiliki dua

elemen atau model, yaitu model struktural dan model pengukuran

1. Model Struktural (Structural Model) Model ini menggambarkan

hubungan diantara variabel-variabel laten. Parameter yang

menunjukkan regresi variabel laten endogen pada eksogen dinotasikan

dengan (”gamma”). Sedangkan untuk regresi variabel endogen pada

variabel endogen lainnya dinotasikan dengan (”beta”). Variabel

laten eksogen juga boleh berhubungan dalam dua arah (covary) dengan

dinotasikan (”phi”). Notasi untuk error adalah

Gambar 3.6. Model Struktural SEM

Persamaan dalam model struktural dibangun dengan persamaan :

Var laten endogen = var laten endogen + var laten eksogen + error

83

sehingga untuk persamaan matematik untuk model struktural diatas adalah

dengan persamaan dalam bentuk matriks

2. Model Pengukuran (Measurement Model) Setiap variabel laten

mempunyai beberapa ukuran atau variabel teramati atau indikator.

Variabel laten dihubungkan dengan variabel-variabel teramati melalui

model pengukuran yang berbentuk analisis faktor. Setiap variabel laten

dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel

terkait. Muatan faktor (factor loading) yang menghubungkan variabel

laten dengan variabel teramati diberi label (”lambda”). Error dalam

model pengukuran dinotasikan dengan .

Gambar 3.7. Model Pengukuran SEM

Persamaan dalam model pengukuran dibangun dengan persamaan :

Indikator = konstruk + error

X = var laten eksogen + error

Y = var laten endogen + error

84

sehingga untuk persamaan matematik untuk model struktural diatas :

Dengan persamaan dalam bentuk matriks :

Penggabungan model struktural dan pengukuran membentuk bentuk umum

SEM (Full atau Hybrid Model), seperti berikut

Gambar 3.8. Model Full-Hybrid SEM

85

3.7.8.4. Tahapan SEM

Untuk membuat permodelan SEM yang lengkap perlu dilakukan

langkah-langkah berikut ini.

1. Langkah pertama : Pengembangan Model Teoritis

Tahap pertama yang harus dilakukan dalam mengembangkan sebuah

model penelitian dengan mencari dukungan teori yang kuat melalui

serangkaian eksploitasi ilmiah melalui telaah pestaka guna mendapatkan

justifikasi atas model teoretis yang akan dikembangkan. Karena tanpa

dasar teori yang kuat, SEM tidak dapat digunakan. SEM digunakan untuk

menguji kausalitas yang ada teorinya dan bukan untuk membentuk teori

kausalitas. Oleh karenanya pengembangan sebuah teori yang berjustifikasi

ilmiah merupakan syarat utama menggunakan permodelan SEM

(Ferdinand, A.T, 2000)

2. Langkah kedua : Pengembangan Diagram Alur (Path Diagram)

Langkah berikutnya model teoritis yang telah dibangun pada tahap

pertama akan digambarkan dalam sebuah diagram alur, yang akan

mempermudah untuk melibat hubungan-hubungan kausalitas yang ingin

diuji (Ferdinand, A.T, 2000). Dalam diagram alur, hubungan antar

konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus

menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk

dengan konstruk lainnya. Garis lengkung antar konstruk dengan anak

panah pada setiap ujungnya menunjukkan korelasi antar konstruk.

86

3. Langkah ketiga: Konversi Diagram Alur kedalam Persamaan

Setelah model penelitian yang dikembangkan dan digambar pada diagram

alur, langkah berikutnya adalah mengkonversi spesifikasi model kedalam

rangkaian persamaan.

4. Langkah keempat: Memilih Matriks Input dan Estimasi Model.

SEM adalah alat analisis berbasis Kovarians. Penggunaan matriks

kovarians karena dapat menunjukkan perbandingan yang valid antara

populasi yang berbeda atau sampel yang berbeda, dimana hal yang sama

tidak dapat dilakukan oleh korelasi. Pemakaian matriks kovarians lebih

banyak digunakan pada penelitian mengenai hubungan seperti yang

direkomendasikan oleh Baumgatner dan Homburg (1996), dikarenakan

Standard error dari berbagai penelitian menunjukkan angka yang kurang

akurat apabila matrik korelasi digunakan sebagai input (Ferdinand, A.T.,

2000). Pada penelitian ini Ukuran sampel memegang peranan penting

dalam estimasi dan interpretasi hasil SEM. Hair et al. (1998) menemukan

bahwa ukuran sampel yang sesuai adalah antara 100-200. Matrik inputnya

adalah matrik kovarian yang ukuran sampel minumumnya adalah 200

responden. Teknik Estimasi model yang digunakan adalah Maximum

Likelihood Estimation (ML). Metode Estimasi Maximum Likelihood

Estimation merupakan estimasi paling populer pada penelitian SEM.

Maximum Likehood akan menghasilkan estimasi parameter yang valid

efisien dan reliable apabila data yang digunakan adalah multivariate

normality (normalitas multivariate) dan akan robust (terpengaruh/kuat)

87

terhadap penyimpangan multivariate normality yang sedang (moderate).

Tetapi estimasi pada ML akan bias apabila pelanggaran terhadap

multivariate normality sangat besar.

5. Langkah Kelima: Kemungkinan Munculnya Masalah Identifikasi

Problem Identifikasi pada prinsipnya adalah kondisi dimana model yang

sedang dikembangkan tidak mampu menghasilkan estimasi yang unik.

Masalah identifikasi dapat diketahui dengan melakukan langkah-langkah

sebagai berikut (Ferdinand, A.T., 2000).

a. Dengan Starting Value yang berbeda dilakukan estimasi model

berulangkali. Apabila model tidak dapat konvergen pada titik yang

sama setiap kali estimasi dilakukan maka ada indikasi telah terjadi

masalah identifikasi.

b. Model Diestimasi lalu angka koefisien dari salah satu variabel dicatat.

Koefisien tersebut ditentukan sebagai sesuatu yang fix pada variabel

itu kemudian dilakukan estimasi ulang. Apabila Overall Fit Index

berubah total dan jauh berbeda dari sebelumnya, maka dapat diduga

adanya masalah identifikasi.

Atau masalah-masalah lainnya seperti :

a. Standard error yang besar untuk satu atau beberapa koefisien.

Masalah terjadi jika terdapat satu atau lebih standard error yang

nilainya lebih dari 0,4.

b. Program tidak mampu menghasilkan matriks informasi yang

seharusnya disajikan. Pada beberapa kondisi, program AMOS tidak

88

mampu mengeluarkan sebuah solusi yang unik sehingga output tidak

muncul. Hal tersebut dikarenakan adanya masalah identifikasi pada

model atau pada data observasi. Ketika Program AMOS mampu

mengeluarkan output, berarti terdapat solusi yang unik pada model

penelitian berdasarkan data observasi yang ada. Ketika program tidak

mampu menghasilkan solusi yang unik akan keluar pesan: This

Solution is not admissible. Output dalam penelitian ini tidak

memunculkan adanya pesan tersebut yang menandakan bahwa

program mampu menghasilkan sebuah solusi yang unik berdasarkan

data observasi yang ada.

c. Munculnya angka-angka yang aneh seperti adanya varians error yang

negatif. Jika terdapat nilai varians error yang negatif (Heywood

Case) maka perlu dilakukan modifikasi, misalnya dengan menambah

jumlah sampel.

Untuk mengatasi masalah identifikasi adalah dengan memberikan lebih

banyak Constrain pada model yang dianalisis, yang berarti adalah

mengeliminasi jumlah Estimated Coefficient.. Dan hasilnya adalah

sebuah model yang overidentified. Sehingga apabila setiap kali estimasi

dilakukan muncul masalah identifikasi, maka model perlu

dipertimbangkan kembali, yaitu antara lain dengan mengembangkan lebih

banyak konstruk ( Ferdinand, A.T., 2000 ).

89

6. Langkah keenam : Evaluasi Kriteria Goodness-of-fit

Pada lngkah ini kesesuaian model dievaluasi, melalui telaah terhadap

berbagai criteria goodness-of-fit. Untuk itu tindakan pertama yang

dilakukan adalah mengevaluasi apakah data yang digunakan dapat

memenuhi asumsi-asumsi SEM. Bila ini sudah dipenihi, maka model dapat

diuji melalui berbagai cara uji fit SEM. Pertama-tama akan diuraikan disini

mengenal evaluasi atas asumsi-asumsi SEM yang harus dipenuhi SEM

mensyaratkan beberapa asumsi untuk pengolahan data sebagau berikut

(Singgih Santoso, 2012):

a. Ukuran Sampel, untuk model SEM dengan jumlah cariabel laten

(konstruk) sampai lima buah, dan setiap konstruk dijelaskan tiga atau

lebih indikator, jumlah sampel 100-150 data sudah memadai. Namun

hal ini tidak mengikat sehingga jumlah sampel sebanyak 200 data

pada umumnya dapat diterima sebagai sampel yang representatif pada

analisis SEM.

b. Penggunaan estimasi model Maximum Likehood akan efektif pada

jumlah sampel antara 150 sampai 400 data. Namun metode ML akan

menjadi “sangat sensitif” dan menghasilkan indeks goodness of fit

yang buruk apabila data yang digunakan adalah besar (400-500).

c. Normalitas data merupakan salah satu syarat dapat dioperasikannya

SEM untuk mengolah pemodelan yang dibuat, agar hasil analisis tidak

menjadi bias. Dalam SEM ada dua tahap dalam menguji normalitas

90

yaitu berdasarkan setiap variabel dan secara bersama-sama atau biasa

disebut multivariate normality.

d. Data Outlier, Outliers adalah observasi yang muncul dengan nilai-

nilai ekstrim baik secara univariate maupun multivariate yaitu yang

muncul karena kombinasi dari observasi-observasi lainnya. Outliers

terjadi karena adanya kombinasi unik dan nilai-nilai yang dihasilkan

di observasi-observasi tersebut sangat berbeda dari observasi lainnya

Karakteristik unik yang dimiliki dan terlihat sangat jauh berbeda dari

observasi-observasi lainya. Kemudian Outliers pada dasarnya dapat

muncul dalam empat kategori yaitu :

- Pertama, Outliers muncul dikarenakan kesalahan prosedur seperti

kesalahan dalam entry data ataupun kesalahan mengkoding data.

- Kedua, Outliers muncul karena keadaan khusus yang

memunculkan profil data yang dimilikinya lebih dari yang lain.

Tetapi demikian terdapat penjelasan mengenai penyebab

timbulnya nilai ekstrim tersebut.

- Ketiga, Outliers muncul tanpa alasan tetapi diketahui penyebabnya

atau tidak ada penjelasan mengenai sebab-sebab kemunculan nilai

ekstrim tersebut.

- Keempat, Outliers muncul dalam range nilai yang ada, tetapi

apabila dikombinasikan dengan variabel lainya,memunculkan

kombinasi tidak lazim atau sangat ekstrim. Dan hai ini disebut

dengan multivariate outliers.

91

7. Langkah ketujuh : Interpretasi dan Modifikasi Model

Langkah terakhir adalah menginterpretasikan model dan memodifikasi

model bagi model-model yang tidak memenuhi syarat pengujian yang

dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau

mendekati nol dan distribusi frekuensi dari Ferdinand, A.T., 2000)

Pada tahap ini model yang sedang dikembangkan akan diinterpretasikan

dan bagi model yang tidak memenuhi syarat pengujian dilakukan

modifikasi. Perlunya melakukan modifikasi terhadap sebuah model dapat

dilihat dari jumlah yang dihasilkan model tersebut. Hair, et. Al., 1995 (

dalam Ferdinand, A.T., 2000) memberikan sebuah pedoman untuk

mempertimbangkan perlu tidaknya modifikasi sebuah model yaitu dengan

melihat jumlah residual yang dihasilkan model. Batas keamanan untuk

jumlah residual adalah 5 preses.dari semua residual kovarians yang

dihasilkan oleh model, maka sebuah modifikasi mulai perlu

dipertimbangkan. Selanjutnya apabila ditemukan bahwa nilai residual yang

dihasilkan model itu cukup besar Batas keamanan untuk jumlah residual

adalah ± 2,58 dengan tingkat signifikansi 5% (Hair et al. Al., 1998), maka

cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk

menambah sebuah alur baru terhadap model yang diestimasi tersebut.

Modifikasi dapat dilakukan dengan menggunakan bantuan indeks

modifikasi. Indeks modifikasi membersihkan gambaran mengenai

mengecilkan nilai chi square bila sebuah koefisien diestimasi. Hal yang

perlu diperhatikan dalam mengikuti tingkat pedoman indeks modifikasi

92

adalah bahwa dalam memperbaiki tingkat kesesuain model, hanya dapat

dilakukan bila ia mempunyai dukungan dan justifikasi yang cukup

terhadap perubahan tersebut (Ferdinand, A.T., 2000)

3.8. Rancangan Uji Hipotesis


Gambar 3.9. Pre Design SEM

Menurut Sugiyono (2004) perumusan hipotesis penelitian merupakan langkah

ketiga dalam penelitian, setelah mengemukakan landasan teori dan kerangka

pemikiran. Untuk dapat diuji hipotesis haruslah dinyatakan secara kuantitatif.

Pengujian Hipotesis statistik ialah prosedur yang memungkinkan keputusan dapat

dbuat yaitu keputusan untuk menolak atau tidak menolak hipotesis yang sedang

diuji.

93

Perhitungan yang akan digunakan adalah dengan menggunakan SPSS 20 dan

SPSS AMOS yang akan menjelaskan bagaimana hubungan antar 5 variabel yanag

kana diteliti yaitu eWOM (X1), Argument Quality(X2), Message Source

Credibility (X3), Brand Image (Y) dan Purchase Intention (Z)

Setelah asumsi data berdistribusi normal dan tidak ada data

Outlier,Selanjutnya yang dilakukan dalam metode analisis ini untuk perhitungan

Uji Measurement Model dan dilanjutkan dengan Uji Structural model. Menurut

Hair et al., SEM tidak mempunyai uji statistik tunggal terbaik yang dapat

menjelaskan kekuatan dalam memprediksi sebuah model. Sebagai gantinya,

peneliti mengembangkan beberapa kombinasi ukuran kecocokan model yang

menghasilkan tiga perspektif, yaitu ukuran kecocokan model keseluruhan, ukuran

kecocokan model pengukuran, dan ukuran kecocokan model struktural. Langkah

pertama adalah memeriksa kecocokan model keseluruhan. Ukuran kecocokan

model keseluruhan dibagi dalam tiga kelompok sebagai berikut:

1. Ukuran kecocokan mutlak (absolute fit measures), yaitu ukuran kecocokan

model secara keseluruhan (model struktural dan model pengukuran)

terhadap matriks korelasi dan matriks kovarians. Uji kecocokan tersebut

meliputi:

• Uji Kecocokan Chi-Square

Uji kecocokan ini mengukur seberapa dekat antara implied covariance

matrix (matriks kovarians hasil prediksi) dan sample covariance

matrix(matriks kovarians dari sampel data). Pengujian Chi-Square

sangat sensitif terhadap ukuran data. Diharapkan nilai Chi-Square

94

yang kecil, karena semakin kecil nilai Chi-Square maka semakin baik

karena semakin baik model atau = 0, berarti benar-benar tidak ada

perbedaan. Sedangkan Significance Probability lebih dari 0,05

(Ferdinand A.T, 2000). Dalam studi empiris, penggunaan X2 tidak

selalu valid, model hanyalah tentatif dan hanya dipandang sebagai

perkiraan terhadap kenyataan. Dari sisi ini masalah statistik bukanlah

persoalan mentes suatu hipotesis, tetapi lebih sebagai fitting model

terhadap data dan memutuskan apakah fitting tersebut mencukupi

ataukah tidak. Dengan demikian, daripada memperlakukan X2sebagai

suatu tes statistik, sebaiknya X2 dipandang sebagai a goodness atau

badness of-fit dalam arti nilai X2yang besar sesuai dengan bad fit dan

nilai X2 yang kecil merupakan good fit. Sehubungan dengan masalah

yang berkaitan dengan statistik X2, Joreskog dan Sorbom (1998)

menyarankan, untuk praktisnya, tes X2 lebih tepat digunakan sebagai

ukuran ketepatan antara matrik kovarian sampel dan fitted covariance,

daripada tes statistik. Derajat kebebasan berfungsi sebagai suatu

standar untuk menilai apakah X2 besar atau kecil. Ukuran X2 peka

terhadap ukuran sampel dan sangat peka terhadap normalitas variabel

terukur. Ukuran sampel yang besar dan normal cenderung menaikkan

X2 lebih besar dan diatas apa yang dapat diharapkan sebagai akibat

kesalahan spesifikasi dalam model. Sensitivitas terhadap ukuran

sampel terutama terjadi pada sampel yang lebih besar dari 200.Yamin

dan Kurniawan (2009) menganjurkan untuk ukuran sampel yang besar

95

(lebih dari 200), uji ini cenderung untuk menolak H0. Singgih

Santoso (2012) juga mengatakan bahwa walaupun dalam praktik alat

uji chi square adalah yang utama, namun jumlah sampel serta jumlah

indikator mempengaruhi realibilitas alat uji ini. Sehingga pengujian

dengan menggunakan Chi-Square saja jarang dilakukan. Namun

sebaliknya untuk ukuran sampel yang kecil (kurang dari 100), uji ini

cenderung untuk menerima H0. Oleh karena itu, ukuran sampel data

yang disarankan untuk diuji dalam uji Chi-square adalah sampel data

berkisar antara 100 – 200.

• CMIN/DF

Menunjukan The Minimum Sample Discrepancy Function yang dibagi

dengan degree of freedom. CMIN/DF tidak lain adalah statistic

chisquare, X2 dibagi DF disebut X2 relatif. Bila nilai X2 kurang dari

2,0 atau 3,0 menunjukan idikasi dari acceptable fit antara model dan

data (Arbuckle, 1997 dalam Ferdinand AT.2000) atau kurang dari

sama dengan ≤ 5 (Wheaton, 1977) dan berada diatas batas bawah

yaitu 1 (Tumpal JR Sitinjak dan Sugiarto, 2006)

• Goodnees-Of-Fit Index(GFI)

Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu

model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1.

Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang

baik. Namun bisa disimpulkan, model yang baik adalah model yang

96

memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti

yang menggunakan batas minimal 0,9.(Ferdinand A.T., 2000)

yang dihitung dengan rumus berikut

• Root Mean Square Error(RMSR)

RMSR merupakan residu rata-rata antar matriks kovarians/korelasi

teramati dan hasil estimasi. RMSR menggambarkan rata-rata nilai

fitted residual yang diderivasi dari fitting matrik varian-kovarian

model yang dihipotesakan dengan matrik varian-kovarian data sampel

(S). Apabila data yang digunakan adalah matrik korelasi maka RMSR

merupakan rata-rata korelasi residual, sedangkan apabila yang

digunakan adalah matrik kovarian maka RMSR merupakan rata-rata

residual kovarian. Tetapi, karena residual ini relatif terhadap besarnya

varian-kovarian yang diobservasi, residual ini sulit diinterpretasikan.

Jadi, residual ini paling baik diinterpretasikan dalam ukuran metric

matrik korelasi. Karenanya RMSR yang distandardisasi

menggambarkan rata-rata nilai residual dan berkisar dari 0 sampai 1;

untuk model yang bagus nilai ini akan rendah, Nilai RMSR < 0,05

adalah good fit. RMR sering disebut dengan alat uji badness-of fit.

Perlu ditekankan bahwa ukuran X2, GFI, dan RMSR adalah ukuran

the overall fit of the model untuk data dan tidak mengekspresikan

kualitas model yang dinilai oleh kriteria internal atau eksternal

97

lainnya. Misalnya, dapat terjadi bahwa the overall fit of the model

adalah sangat bagus tetapi satu atau lebih hubungan dalam model

sangat buruk seperti dinilai dari R2. Tambahan pula, apabila salah satu

daripada overall measures mengindikasikan model tidak fit data

dengan baik, hal itu tidak memberitahu apa yang salah dengan model

atau bagian mana model yang salah. yang dihitung dengan rumus

berikut

• Root Mean Square Error Of Approximation(RMSEA)

RMSEA dipandang sebagai salah satu kriteria yang paling informatif

dalam modeling struktur kovarian. RMSEA memperhitungkan

kesalahan (error) perkiraan dalam populasi dan untuk mengetahui

seberapa baguskah suatu model, dalam nilai parameter yang tidak

diketahui tetapi secara optimal telah dipilih. RMSEA merupakan

ukuran rata-rata perbedaan per degree of freedom yang diharapkan

dalam populasi. RMSEA adalah sebuah indeks yang dapat digunakan

untuk mengkompensasi chi-square statistic dalam sampel yang besar (

Ferdinand, A.T., 2000). Nilai RMSEA menunjukkan goodness-of-fit

yang dapat diharapkan bila model diestimasi dalam populasi ( Hair et.

Al., 1995 dalam Ferdinand, A.T., 2000). Nilai RMSEA yang lebih

kecil atau sama dengan 0.08 merupakan indeks untuk dapat

diterimanya model yang menunjukkan sebuah close fit dari model itu

98

berdasarkan degrees of freedom ( Browne dan Cudeck, 1993 dalam

Ferdinand, 2000)., sedangkan Nilai RMSEA < 0,05 adalah close fit.

RMSEA=0 adalah RMSEA paling tepat yang digunakan dalam

confirmatory atau perbandingan model (competing model strategy)

dengan sampel besar. yang dihitung dengan rumus berikut

• Expected Cross-Validation Index(ECVI)

ECVI ditujukan sebagai alat untuk menilai, dalam suatu sampel

tunggal, kemungkinan (likelihood) validasi silang model dari sampel

dengan ukuran yang sama dan dari populasi yang sama pula. Secara

spesifik, ECVI mengukur diskrepansi antara matrik fitted

covariancedari sampel yang di analisis dan matrik kovarian yang

diharapkan yang dapat diperoleh dari sampel lain yang berukuran

sama. Penerapan ECVI mengambil perbandingan model dengan cara

mana indek ECVI dihitung untuk tiap model dan kemudian semua

nilai ECVI ditempatkan berdasarkan susunan terurut. Model yang

memiliki nilai ECVI terendah memiliki potensi terbesar untuk

replikasi, berbeda dengan model yang memiliki nilai ECVI tertinggi.

Karena koefisien ECVI dapat berapa saja, maka tidak ada kisaran nilai

yang tertentu yang dipandang layak. Untuk dapat membedakan model

ini secara konseptual, kita dapat memperlakukannya sebagai titik

99

kontinum dimana independence model dalam satu titik ekstrim dan

saturated model dalam titik ekstrim lainnya. Independence model

adalah suatu model dimana semua variabel independen sepenuhnya

(semua korelasi antar variabel nol) dan yang paling terkendala.

Saturated model adalah model dimana jumlah parameter yang

diestimasi sama dengan jumlah poin data (seperti dalam model just-

identified model) dan yang paling tidak terkendala. yang dihitung

dengan rumus berikut

• Non-Centrality Parameter(NCP)

NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian

didasarkan atas perbandingan dengan model lain. Semakin kecil nilai,

semakin baik. Parameter nonsentralitas adalah parameter yang tetap

(fixed parameter) diasosiasikan dengan derajat kebebasan yang

ditandai dengan X2(df,λ). Pada hakekatnya, parameter nonsentralitas

bertindak sebagai pengukuran perbedaan atau diskrepansi antara Σ dan

Σ(θ), sehingga dapat dipandang sebagai ketidaktepatan model struktur

kovarian atau natural measure of badness-of-fit daripada model

struktur kovarian. Karenanya, semakin besar perbedaan antara Σ dan

Σ(θ), semakin besar nilai λ. NCP sebagai indek yang relatif kurang

peka terhadap ukuran sampel, nilainya berkisar dari nol sampai tak

terbatas. yang dihitung dengan rumus berikut

100

2. Ukuran kecocokan incremental (incremental/relative fit measures/baseline

comparisons), Indek inkremental dapat diklasifikasikan sebagai

incrementalatau indek perbandingan ketepatan model yang dihipotesakan

dengan beberapa model standar. Tetapi, dimana standar ini

merepresentasikan a baseline model (independence atau nullmodel) bagi

indek inkremental, standar model bagi GFI dan AGFI merepresentasikan

tanpa model sama sekali. Incremental of Fit (IFI) dikembangkan oleh

Bollen (Byrne; 117) yang ditujukan untuk isu parsimonydan ukuran

sampel yang berkaitan dengan NFI. Karenanya perhitungannya sama

dengan NFI kecuali derajat kebebasan sekarang diperhitungkan.. Uji

kecocokan tersebut meliputi:

• Adjusted Goodness-Of-Fit Index(AGFI)

Ukuran AGFI merupakan modifikasi dari GFI dengan

mengakomodasi degree of freedom model dengan model lain yang

dibandingkan. AGFI adalah analog R2 dalam regresi berganda. Fit

Index ini dapat diadjust terhadap degress of freedom yang tersedia

untuk menguji diterima tidaknya model (Arbuckle, 1997 dalam

Ferdinand, A.T., 2000). GFI dan AGFI dapat diklasifikasikan sebagai

indek absolute fit karena indek ini pada dasarnya membandingkan

antara model hipotesa dengan tanpa model sama sekali. Meskipun

indek ini berkisar dari 0 sampai 1, nilai mendekati 1 merupakan

indikasi good fit. Nilai indek dapat negatif, tetapi artinya model yang

dibuat buruk dibandingkan dengan tanpa model. Nilai patokan AGFI

101

≥ 9,0 adalah good fit, sedangkan 8,0 ≤AGFI ≤9,0 adalah marginal fit

(Hair et al, 1995; Hulland et al, 1996 dalam Ferdinand AT.2000).

yang dihitung dengan rumus berikut

• Tucker-Lewis Index (TLI) Ukuran TLI Adalah sebuah alternative

incremental fit index yang membandingkan sebuah model yang diuji

terhadap sebuah baseline model.TLI disebut juga dengan nonnormed

fit index (NNFI). Ukuran ini merupakan ukuran untuk pembandingan

antarmodel yang mempertimbangkan banyaknya koefisien di dalam

model. TLI ≥ 9,0 adalah good fit, sedangkan 8,0 ≤ TLI ≤9,0 adalah

marginal fit. (Hair et al, 1995 dalam Ferdinand AT. 2000) dan nilai

yang sangat mendekati 1 adalah very good fit (Arbuckle, 1997 dalam

Ferdinand A.T 2000). TLI memiliki dasar yang sama seperti CFI,

hanya disni angka TLI dapat dibawah 0 atau diatas 1. yang dihitung


• Normed Fit Index (NFI)

Nilai NFI merupakan besarnya ketidakcocokan antara model target

dan model dasar dengan membandingkan chi square hitung pada

berbagai model. Nilai NFI berkisar antara 0 – 1. NFI ≥ 9,0 adalah

good fit, sedangkan 8,0 ≤ NFI ≤9,0 adalah marginal fit.

102

• Incremental Fit Index (IFI)

Menurut Tabachnick (1996: 749) masalah yang dapat muncul dalam

NNFI adalah nilai yang diperoleh dapat diluar kisaran 0-1. NNFI juga

dapat terlalu kecil untuk sampel berukuran kecil yang

mengindikasikan fit yang buruk apabila indek lainnya justru

menunjukkan fit yang cukup baik (Anderson dan Gerbing dalam

Tabachnick 1996: 749). Masalah variabilitas yang besar dalam NNFI

diatasi dengan IFI (Bollen dalam Tabachnick, 1996: 749). Nilai IFI

selain memerhatikan ukuran sampel juga memerhatikan pasimoni

data, dengan nilai acuan berkisar antara 0 – 1. IFI ≥ 9,0 adalah good

fit, sedangkan 8,0 ≤ IFI ≤9,0 adalah marginal fit. yang dihitung


• Comparative Fit Index (CFI)

NFI merupakan kriteria pilihan yang praktikal, namun menunjukkan

kecenderungan mengunderestimasi ketepatan apabila sampel kecil.

Karenanya Bentler (Byrne, 117) merevisi NFI, dalam membandingkan

model yang dibuat dengan null model, dengan mempertimbangkan

ukuran sampel seperti yang ditunjukkan oleh CFI. CFI dipandang

lebih tepat digunakan dalam strategi pengembangan model apabila

sampel yang diperoleh lebih kecil. Nilai CFI berkisar antara 0 – 1.

103

CFI ≥ 9,0 adalah good fit, sedangkan 8,0 ≤ CFI ≤9,0 adalah marginal

fit. dan nilai yang sangat mendekati 1 adalah very good fit (Arbuckle,

1997 dalam Ferdinand A.T 2000; Bentler). yang dihitung dengan

rumus berikut

• Relative Fit Index (RFI)

RFI juga dikenal dengan RNI secara aljabar sama dengan CFI. Sama

seperti CFI, nilai koefisien berkisar antara 0 sampai 1, dengan nilai

yang lebih tinggi menunjukkan ketepatan yang lebih superior. RNI

merupakan relative fit indices yang didasarkan pada perbandingan

model relatif terhadap baseline model. Baseline model adalah model

yang dihipotesakan tidak ada hubungan antara indikator dengan

faktor, biasanya disebut null model. Yaitu, semua factor loadings

dianggap nol dan hanya varian serta error terms merupakan parameter

model yang di estimasi. Nilai RFI berkisar antara 0 – 1 RFI ≥ 9,0

adalah good fit, sedangkan 8,0 ≤ RFI ≤9,0 adalah marginal fit. yang

dihitung dengan rumus berikut

3. Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures), yaitu

ukuran kecocokan yang mempertimbangkan banyaknya koefisien didalam

model. Karena AGFI merupakan transformasi daripada GFI, PGFI

mempertimbangkan kompleksitas (jumlah parameter yang diestimasi)

104

daripada model dalam penilaian keseluruhan ketepatan model, dimana the

goodness-of-fit dan the parsimony direpresentasikan oleh satu indek

sehingga memberikan evaluasi yang lebih realistis terhadap model yang

dibuat. Uji kecocokan tersebut meliputi:

• Parsimonious Normed Fit Index(PNFI)

Nilai PNFI yang tinggi menunjukkan kecocokan yang lebih baik.

PNFI hanya digunakan untuk perbandingan model alternatif. yang

dihitung dengan rumus berikut

• Parsimonious Goodness-Of-Fit Index(PGFI)

Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi

menunjukkan model lebih baik digunakan untuk perbandingan

antarmodel. yang dihitung dengan rumus berikut

• Akaike Information Criterion (AIC)

Nilai positif lebih kecil jika dibandingkan dengan saturated atau

independence model menunjukkan parsimoni lebih baik digunakan

untuk perbandingan antarmodel. AIC hanyalah memperhitunkan

jumlah parameter yang diestimasi saja, tidak memperhitungkan

ukuran sampel.

105

• Consistent Akaike Information Criterion (CAIC)

Nilai positif lebih kecil jika dibandingkan dengan saturated atau

independence model menunjukkan parsimoni lebih baik digunakan

untuk perbandingan antar model. Jikalau AIC tidak memperhitungkan

ukuran sampel CAIC memperhitungkan pula ukuran sampel dalam

hasil estimasinya. yang dihitung dengan rumus berikut

• Criteria N (CN) atau HOTLER

CN sangat berbeda dengan statistik sebelumnya dalam hal CN

memfokuskan secara langsung pada kecukupan ukuran sampel

daripada ketepatan model. Tujuan daripada CN adalah untuk

mengestimasi ukuran sampel yang akan cukup menghasilkan model

yang tepat bagi tes X2. Hoetler (Byrne: 118) menyarankan bahwa nilai

CN diatas 200 merupakan indikasi suatu model sudah berkecukupan

merepresentasikan data sampel.

Setelah evaluasi terhadap kecocokan keseluruhan model, langkah

berikutnya adalah memeriksa kecocokan model pengukuran dilakukan terhadap

masing-masing konstrak laten yang ada didalam model. Pemeriksaan terhadap

konstrak laten dilakukan terkait dengan pengukuran konstrak laten oleh variabel

manifest (indikator). Evaluasi ini didapatkan ukuran kecocokan pengukuran yang

baik apabila. Nilai t-statistik muatan faktornya (faktor loading-nya) lebih besar

dari 1,96 (t-tabel).

106

3.9. Rancangan Pemecahan Masalah

Dengan semakin meningkatnya daya saing setiap produk, perusahaan

harus memperhatikan cara dalam memasarkan produknya yang dapat mampu

melekat di benak konsumen dan menjadi efek buzz di masyarakat. Dan komunitas

virtual Kaskus.com menjadi salah satu wadah dan media yang cocok untuk

penyebaran informasi ini karena dengan aktivitas akan informasi yang besar dan

cepat. Sesuai dengan isi tujuan ini, peneliti ingin menganalisa dan mengetahui

seberapa besar pengaruh aktivitas eWOM yang dilakukan seorang konsumen

sebelum membeli suatu produk dan jasa, yang dimana terdapat tingginya tingkat

variasi dari kualitas dan sebuah informasi dan sumber tersebut.

Dan dengan kombinasi itu semua apakah dapat mempengaruhi citra dan

persepsi seseorang terhadap suatu produk atau merek melalui sebuah citra merek

yang nantinya akan berujung pada minat pembelian konsumen.

Rancangan penelitian ini adalah agar Kaskus.com mampu menjadi sebuah

pembuktian bagaimana besarnya pengaruh dari komunikasi dan komunitas virtual

dalam membangun sebuah citra dan pembentukan niat pembelian konsumen yang

sebelumnya didukung dari perilaku konsumen yang berusaha untuk

memanfaatkan kemajuan teknologi untuk mencari informasi, beriteraksi dan

berdiskusi dengan konsumen lain yang telah memiliki pengalaman tersendiri

pada produk/merek yang dimaksud.

Dan dari hasil analisis yang dilakukan apabila ditemukan bahwa adanya

pengaruh kuat diantara kelima variabel, maka dapat disimpulkan bahwa Kaskus

107

telah menjadi tempat dan wadah yang dipercayai konsumen dalam pencarian

informasi sebelum melalui proses keputusan pembelian dimana informasi tersebut

memiliki kualitas yang baik dengan sumber informasi yang dirasa lebih kredibel

dan lebih terpecaya dalam membahas suatu produk/merek sebagai bahan

pertimbangan konsumen terhadap alternatif-alternatif yang ada. Dan bagi kaskus

sendiri makan ini menjadi sebuah daya tarik bagi para pengiklan dan komunitas

baru lainnya untuk bergabung dan bekerja sama dengan Kaskus

Diharapkan para pelaku bisnis dapat menyadari hal ini dan mampu

mengambil kesempatan dan langkah yang tepat untuk dapat membangun dan

mengawasi informasi yang baik dalam suatu komunitas untuk pencitraan produk

dan merek mereka. dan bagi pihak Kaskus untuk dapat terus memfasilitasi para

penggunannya agar dapat memberikan kenyamanan dalam aktivitas komunikasi

mereka dalam berkomunitas di Kaskus sehingga akhirnya akan menjadi

komunitas yang kuat dan besar sesuai dengan tagline mereka “The Largest

Indonesian Community”

BAB 3 METODE PENELITIAN Dalam penelitian ini jenis ...thesis.binus.ac.id/doc/Bab3/2012-1-00144-MN...

Documents

Transcript of BAB 3 METODE PENELITIAN Dalam penelitian ini jenis ...thesis.binus.ac.id/doc/Bab3/2012-1-00144-MN...