bab 3 metode penelitian dalam penelitian ini jenis ...thesis.binus.ac.id/doc/bab3/2012-1-00144-mn...
TRANSCRIPT
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
Survei Individu Cross Sectional
T3 Deksriptif-
Asosiatif
Survei Individu Cross Sectional
T4 Deksriptif-
Asosiatif
Survei Individu Cross Sectional
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
• Saya merasa argumen/informasi
yang diberikan dalam forum
komunitas KASKUS dapat
diterima.
• Saya merasa argumen/informasi
yang diberikan didalam forum
komunitas KASKUS dapat
digunakan atau diaplikasikan.
Interval -
Likert
Timelness(
Wixom
&Todd,
2005)
• Saya merasa argumen/informasi
yang diberikan dalam forum
komunitas KASKUS sesuai dengan
keadaan saat ini.
• Saya merasa argumen/informasi
yang diberikan dalam forum
komunitas KASKUS tepat waktu
• Saya merasa argumen/informasi
yang diberikan dalam forum
komunitas KASKUS up-to-date
54
Argument
Quality
(X1)
Accurancy
(Wixom
and Tidd,
2005)
• Saya merasa argumen/ informasi
yang diberikan dalam forum
komunitas KASKUS akurat.
• Saya merasa argumen/informasi
yang diberikan dalam forum
komunitas adalah benar
• Saya merasa argumen/informasi
yang diberikan didalam komunitas
online KASKUS dapat
diandalkan/dipercaya.
Interval -
Likert
Comprehen
sive
(Wixom &
Todd, 2005)
• Saya merasa argumen/informasi
yang diberikan didalam forum
KASKUS cukup melengkapi
kebutuhan saya.
• Saya merasa argumen/informasi
yang diberikan dalam forum
KASKUS memiliki nilai nilai yang
saya butuhkan.
• Saya merasa argumen/informasi
yang diberikan dalam forum
KASKUS dapat memenuhi
kebutuhan saya.
• Saya merasa argumen/informasi
yang diberikan dalam forum
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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-2 : Pengaruh X2 terhadap Y dan Z Structural Equation Model
T-3 : Pengaruh X3 terhadap Y dan Z Structural Equation Model
T-4 : Pengaruh Y terhadap Z Structural Equation Model
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
Sumber : Penulis, 2012
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
dengan rumus berikut
• 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
dengan rumus berikut
• 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”