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 :
49
50
Tabel 3.1 Desain Penelitian Tujuan
Metode
Unit
Pnelitian
Jenis Penelitian
Penelitian
Analysis
Time Horizon
T1
Deksriptif-
Survei
Individu
Cross Sectional
Survei
Individu
Cross Sectional
Survei
Individu
Cross Sectional
Survei
Individu
Cross Sectional
Asosiatif T2
DeksriptifAsosiatif
T3
DeksriptifAsosiatif
T4
DeksriptifAsosiatif
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
•
T-4
KASKUS
: 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
Indikator/Pertanyaan
Skala
Variabel
Ukur •
Saya
sering
membaca
review
produk konsumen secara online di KASKUS untuk mengetahui apa yang mengesankan dari sebuah produk atau merek. eWOM
•
(Bambaue,
Untuk
menyakinkan
produk atau
Sachse
saya
Mangold,20 11)
merek yang tepat,
membaca
secara
pembelian
online
review dari
produk
konsumen
lainnya di KASKUS. •
Saya
biasanya
berkonsultasi
mengenai review produk secara online
di
KASKUS
untuk
membantu dalam memilih produk atau merek. •
Saya
sering
informasi KASKUS konsumen membeli
mengumpulkan
secara dari
online
review
lainnya produk
atau
di
produk sebelum merek
Interval Likert
53
tertentu. •
eWOM
Jika saya tidak membaca review
(Bambaue,
produk online di KASKUS ketika
Sachse
ingin membeli produk atau jasa,
Interval -
Mangold,20
saya khawatir dengan keputusan
Likert
11)
saya. •
Ketika saya ingin membeli produk atau merek, review produk online di
KASKUS
membuat
percaya
dengan
pembelian
produk
saya
keputusan atau
merek
tersebut. •
Saya merasa argumen/informasi yang
diberikan
dalam
forum
komunitas KASKUS relevan Relevance
•
Saya merasa argumen/informasi
(Citrin,
yang
2001)
komunitas
diberikan
dalam
forum
KASKUS
dapat
diterima. •
Saya merasa argumen/informasi yang diberikan didalam forum
Argument
komunitas
Quality
KASKUS
dapat
digunakan atau diaplikasikan. •
(X1) Timelness(
Saya merasa argumen/informasi yang
diberikan
dalam
forum
Wixom
komunitas KASKUS sesuai dengan
&Todd,
keadaan saat ini.
2005)
•
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
Interval Likert
54
• Accurancy
yang
(Wixom and Tidd,
Saya merasa argumen/ informasi diberikan
dalam
forum
komunitas KASKUS akurat. •
2005)
Saya merasa argumen/informasi yang
diberikan
dalam
forum
komunitas adalah benar • Argument
Saya merasa argumen/informasi yang diberikan didalam komunitas
Quality
online
(X1)
KASKUS
dapat
Likert
diandalkan/dipercaya. •
Saya merasa argumen/informasi yang diberikan didalam forum KASKUS
cukup
melengkapi
kebutuhan saya. • Comprehen
Saya merasa argumen/informasi yang
sive
diberikan
dalam
forum
KASKUS memiliki nilai nilai yang
(Wixom &
saya butuhkan.
Todd, 2005) •
Saya merasa argumen/informasi yang
diberikan
KASKUS
dalam
dapat
forum
memenuhi
kebutuhan saya. •
Saya merasa argumen/informasi yang
diberikan
KASKUS
dalam
memiliki
forum tingkat
kedalaman dan kelebaran informasi yang cukup. •
Para
user
memberikan
Interval -
KASKUS
yang
argumen/informasi
Message
Expertine
Source
(Wu &
berpengetahuan
Credibility
Shaffer
mengevaluasi kualitas produk dan
(X2)
1987)
merek.
adalah orang-orang yang relatif dalam
55
•
Para User KASKUS adalah orangorang ahli
dalam mengevaluasi
Interval Likert
kualitas produk tertentu Trust
•
worthines
dipercaya
(Wu
informasi.
&Shaffer
•
1987)
David et al
(2000)
Dengan perbandingan produk/jasa lainnya,
Atribut
direkomendasikan
produk/jasa di
yang KASKUS
memiliki kualitas yang tinggi Brand
•
Association
Produk yang direkomendasikan di KASKUS adalah produk yang
(2009); Plummer
memberikan
Para User di KASKUS reliabel
Product
Image (Y)
dalam
dalam memberikan informasi. •
Brand
Para User di KASKUS dapat
Likert
memiliki sejarah yang baik. Consumer
•
Benefit
Interval -
Produk yang direkomendasikan di KASKUS dapat saya perkirakan bagaimana kinerja dan fitur yang akan saya dapatkan nantinya.
•
Saya akan berniat untuk membeli produk
yang
didalam Purchase Intention
direkomendasikan
forum
komunitas
KASKUS. •
Saya
akan
bersenang
hati
(Z)
merekomendasikan kepada orang
Interval -
(Shukla,
lain mengenai produk/merek yang
Likert
2010)
direkomedasikan
di
forum
komunitas KASKUS. •
Saya sependapat dengan opini yang diberikan KASKUS
di dan
forum akan
komunitas membeli
produk/merek yang dimaksud di masa datang.
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
Primer
Kuantitatif
Primer
Kuantitatif
Primer
Kuantitatif
Primer
Kuantitatif
eWOM terhadap brand image dan Purchase Intention Message Source Credibility terhadap brand image dan Purchase Intention Argument Quality terhadap brand image dan Purchase Intention Brand image terhadap Purchase Intention
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. Teknik Sampling
Probability Sampling
• • • •
Simple Random Sampling Proportionate Stratified Random Sampling Disproportionate Stratified Random Sampling Cluster Sampling
Nonprobability Sampling
• • • • • •
Convenience Sampling Purposive Sampling Quota Sampling Accidental Sampling Snowball Sampling Judgemntal Sampling
Gambar 3.2 Teknik Pengambilan Sampel Sumber : Penulis, 2012
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 100150 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 dimensidimensinya (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
t
= Nilai t hitung
∑Xi
= Jumlah skor item
n
= Jumlah responden
∑Yi
=Jumlah skor total
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.
rxy =
{n ∑ x
n ∑ xi yi − (∑ xi )(∑ yi )
2 i
− (∑ xi )2
} {n ∑ y
2 i
− (∑ yi )2
}
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.
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 variabelvariabel 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 modelmodel sebab akibat untuk menentukan model mana yang paling cocok. Adabanyak
pengukuran
pertimbangan-pertimbangan
yang
keselarasan berbeda
yang dan
mencerminkan
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
lebih
SEM
dengan
analisa
multivariatelainya. 1. Pertama,
pendekatan
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 variabelvariabel teramati, sedangkan pada model variabel laten SEM, hubungan kausal terjadi di antara variabel-variabel tidak teramati atau variabelvaribel 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 variabel laten endogen ditandai dengan
(”ksi”) dan
(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
2. Model
Pengukuran
dalam bentuk matriks
(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 model pengukuran dinotasikan dengan
(”lambda”). Error dalam
.
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 nilainilai 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 justidentified 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”
