BAB 3 METODE PENELITIAN
3.1
Metode yang Digunakan Mengenai jenis penelitian, metode penelitian, unit analisis, dan time horizon
yang digunakan oleh peneliti untuk masing-masing tujuan dalam penelitian ini kan dijelaskan secara ringkas pada tabel desain penelitian sebagai berikut: Tabel 3.1 Desain Penelitian DESAIN PENELITIAN
TUJUAN PENELITIAN
T-1
JENIS METODE UNIT PENELITIAN PENELITIAN ANALISIS Deskriptif/Asosiatif Survey Individu
T-2
Deskriptif/Asosiatif
Survey
Individu
T-3
Deskriptif/Asosiatif
Survey
Individu
T-4
Deskriptif/Asosiatif
Survey
Individu
TIME HORIZON Cross Sectional Cross Sectional Cross Sectional Cross Sectional
Sumber: Peneliti (2012) Keterangan: T-1
: Mengetahui adanya pengaruh antara perceived service quality, satisfaction,
trust, dan customer loyalty. T-2
: Mengetahui adanya pengaruh antara perceived price fairness, satisfaction,
trust, dan customer loyalty. T-3
: Mengetahui adanya pengaruh antara satisfaction, trust, dan customer loyalty
54
55
T-4
: Mengetahui adanya pengaruh antara customer loyalty,WOM,, dan retention
intention.
3.2
Operasional Variabel Dalam penelitian ini terdapat tujuh variabel yang diteliti, yaitu kualitas
layanan, kualitas produk yang dirasakan, keadilan harga yang dirasakan, nilai yang dirasakan, kepuasan, kepercayaan, dan komitmen. Operasional dari variabel penelitian di jelaskan dalam Tabel 3.2 sebagai berikut. Tabel 3.2 Operasional Variabel Variabel
Dimensi
Perceived Service Quality
Ease of use (EOU) Website design (WEB) Responsiveness (RESP) Customization (CUST) Customization (CUST)
Ribbink et al. (2004)
Perceived Price Fairness
Tingkat harga yang dijual dapat diterima
Athanassopoulos (2000); Bolton et al. (2000);
Puas dengan harga yang diberikan. Harga sesuai dengan rasionalitas. Adanya keadilan harga yang ditawarkan
Instrumen pengukuran
Skala
Kuisioner dengan skala likert
Ordinal → Interval
Kuisioner dengan skala likert
Ordinal → Interval
56
Satisfaction Wang & Head (2001); Rai et al. (2002)
Trust Ribbink et al. (2004)
Customer Loyalty
Puas dengan pengalama berbelanja. Puas dengan proses pembelian online. Secara keseluruhan saya puas dengan layanan online Saya siap untuk memberikan informasi pribadi kepada organisasi layanan online. Saya bersedia untuk memberikan nomor kartu kredit saya untuk organisasi layanan online. Ini bukan masalah untuk membayar di muka untuk produk yang saya beli. toko online selalu memenuhi janjijanji mereka. toko online yang professional. WOM INTENT
Kuisioner dengan skala likert
Ordinal → Interval
Kuisioner dengan skala likert
Ordinal → Interval
Kuisioner dengan skala likert
Ordinal → Interval
Ribbink et al. (2004) Sumber: Adapted from Ribbink et al. (2004)
3.3
Jenis dan Sumber Data Untuk mendukung penelitian diperlukan data-data penelitian agar tujuan
penelitian dapat dicapai. Penjelasan mengenai jenis dan sumber data penelitian akan dijabarkan pada Tabel sebagai berikut:
57
Tabel 3.3 Jenis dan Sumber Data Penelitian Tujuan Data Penelitian T-1 Mengetahui adanya pengaruh antara perceived service quality, satisfaction, trust dan customer loyalty T-2 Mengetahui adanya pengaruh antara perceived price fairness, satisfaction, trust, dan customer loyalty. T-3 Mengetahui adanya pengaruh antara satisfaction, trust, dan customer loyalty T-4 Mengetahui adanya pengaruh antara customer loyalty,wom, dan retention intention 3.4
Sumber Data
Jenis data
Primer
Kuantitatif
Primer
Kuantitatif
Primer
Kuantitatif
Primer
Kuantitatif
Teknik Pengumpulan Data Penelitian ini menggunakan beberapa teknik pengumpulan data, yang dijelaskan sebagai berikut. a. Studi Pustaka Studi pustaka adalah segala usaha yang dilakukan oleh peneliti untuk menghimpun informasi yang relevan dengan topik atau masalah yang akan atau sedang diteliti. Informasi dapat diperoleh dari buku-buku ilmiah, laporan penelitian, karangan-karangan ilmiah, tesis dan disertasi, peraturan-peraturan, ketetapanketetapan, buku tahunan, ensiklopedia, dan sumber-sumber tertulis baik terceta maupun elektronik lain. b. Wawancara Wawancara merupakan suatu teknik pengumpulan data dengan jalan mengadakan komunikasi dengan sumber data. Komunikasi
58
tersebut dilakukan dengan dialog (tanya jawab) secara lisan, baik langsung maupun tidak langsung. c. Observasi Observasi adalah pengamatan dan pencatatan secara sistimatik terhadap unsur-unsur yang tampak suatu gejala-gejala dalam objek penelitian. Observasi adalah suatu istilah umum yang mempunyai arti semua bentuk penerimaan data yang di lakukan dengan cara merekam
kejadian,
menghitungnya,
mengukurnya,
dan
mencatatnya. Metode observasi adalah suatu usaha sadar untuk mengumpulkan data yang dilakukan secara sistematis dengan prosedur yang terstandar.
d. Kuesioner Kuesioner adalah instrumen pengumpulan data atau informasi yang dioperasionalkan ke dalam bentuk item atau pertanyaan. Penyusunan
kuesioner
dilakukan
dengan
harapan
dapat
mengetahui variabel-variabel apa saja yang menurut responden merupakan hal penting. Menurut Riduawan dan Kuncoro (2008: 20), pada skala likert, setiap jawaban dihubungkan dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan katakata. Pada penelitian ini, pernyataan yang digunakan oleh peneliti adalah
pernyataan
positif
dengan
penilaian
seperti
yang
dinyatakan pada tabel berikut ini. Dalam penelitian ini, data diukur dari persepsi responden atas pertanyaan atau pernyataan yang diajukan. Untuk menentukan nilai atas
59
persepsi responden dibentuk sebuah kuesioner. Berkenaan dengan skala pengaturan dalam penyusunan kuesioner peneliti menggunakana skala numeris (Numerical Scale) dengan skala likert 1-6 alternatif pilihan untuk mengukur sikap responden. Skala Likert merupakan skala kontinum bipolar, dimana pada ujung sebelah kiri berupa angka rendah yang menggambarkan jawaban yang bersifat negatif, dan pada ujung sebelah kanan berupa angka besar yang menggambarkan jawaban yang bersifat positif. Skala likert ini dirancang untuk memungkinkan responden memberikan penilaian dalam berbagai tingkatan/rating atas setiap pernyataan penelitian. Skala Likert
yang
digunakan dari 1-5 (Cooper dan Emory, 1996, p.184), sebagaimana tergambar pada Tabel 3.4 berikut: Tabel 3.4 Tanggapan responden dalam Skala Likert
1 2 Sangat Tidak Setuju 3.5
3
SKALA 4
5 Sangat Setuju Sekali
Teknik Pengambilan Sampel Teknik Sampling
• • • •
Probability Sampling
Nonprobability Sampling
Simple Random Sampling Proportionate Stratified Random Sampling Disproportionate Stratified Random Sampling Cluster Sampling
• • • • • •
Convenience Sampling Purposive Sampling Quota Sampling Accidental Sampling Snowball Sampling Judgemntal Sampling
60
Gambar 3.1 Teknik Pengambilan Sampel Menurut Sugiyono (2008, p72), populasi adalah objek peneltian yang mempunyai kualitas dan karakteristik yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimplan. Populasi dalam penelitian ini adalah para konsumen online shopping. Teknik pengambilan sampel yang diterapkan dalam penelitian ini adalah dengan nonprobability sampling dengan metode Convenience sampling. Convenience sampling adalah tipe nonprobability sampling dimana peneliti dalam memilih samplenya berdasarkan kemudahan waktu dan tempat. 3.5.1 Teknik Pengolahan Sampel Populasi merupakan kumpulan dari keseluruhan yang akan diukur dalam penelitian (Cooper dan Schindler, 2003: 179). Populasi dalam penelitian ini adalah seluruh pengguna internet di Indonesia yang telah melakukan transaksi online (ecommerce) melalui media internet. Sejauh ini belum ada data akurat yang dapat menyebutkan jumlah pengguna e-commerce di Indonesia. Oleh karena itu, besarnya populasi dalam penelitian ini tidak diketahui, sehingga teknik pengambilan sampel yang digunakan masuk dalam kategori non-probability sampling (Sekaran, 1992: 235; Black dan Champion, 2001: 233; Cooper dan Schindler, 2003: 198). Sesuai dengan karakteristik sampel tertentu yang dibutuhkan, yaitu pengguna e-commerce di Indonesia yang telah melakukan transaksi melalui e-commerce. Maka teknik pengambilan non-probabilitas yang dipilih adalah teknik Convenience. Teknik ini dipilih untuk memastikan bahwa hanya sampel yang memiliki unsur tertentu yang telah ditetapkan oleh peneliti yang akan diambil sebagai sampel (Black dan Champion, 2001: 264).
61
Sampel merupakan elemen populasi yang dipilih untuk mewakili populasi penelitian (Cooper dan Schinder, 2003: 82). Dalam penelitian ini, besarnya sampel disesuaikan dengan model analisis yang digunakan yiaut Structural Equation Model (SEM). Berkaitan dengan hal tersebut, ukuran sampel untuk SEM yang menggunakan model estimasi maximum likelihood estimation (MLE) adalah minimal 200 sampel (Hair et al., 1998: 605; Ghozali, 2004: 17), atau sebanyak 5-10 kali jumlah parameter yang diestimasi (Ferdinand, 2000: 44). Dalam penelitian ini ditetapkan sebanyak 200 responden sesuai dengan standar (MLE). 3.6
Metode Analisis Teknik ini dianalisis dengan menggunakan Structural Equation Modeling
(SEM), melalui program aplikasi AMOS versi 5.0 pemilihan penggunaaan teknik ini didasarkan pada kemampuan SEM yang dapat memproses dan menguji rangkaian hubungan yang relatif rumit dan secara simultan. Penelitian ini dibangun atas beberapa variabel bebas dan beberapa variabel terikat yang berbentuk faktor (konstruk yang dibangun dari beberapa variabel indikator). Oleh karena itu alat analisis yang cocok untuk penelitain ini adalah Causal Modeling¸Causal Analysis, Simultaneous Equation Modeling atau analisis struktur kovarians, nama lain dari Structural Equation Modeling (SEM). Kelebihan utama dalam menggunakan SEM adalah pengujian struktural model dan pengukuran model yang secara simultan atau bersama-sama, dimana tiap komponen model mempunyai peran berbeda-beda dalam analisis secara menyeluruh.
62
Tabel 3.5 Metode Analisis Tujuan Penelitian T-1 T-2 T-3 T-4
Metode Analisis SEM SEM SEM SEM
3.6.1 Transformasi Data Ordinal Menjadi Interval Mentraformasi data ordinal menjadi interval gunanya adalah untuk memenuhi sebagian dari syarat analisis parametrik yang mana data setidaknya berskala interval. Teknik transformasi yang paling sederhana adalah dengan menggunakan MSI (Methode of Successive Interval). Langkah-langkah transformasi data ordinal ke data interval adalah sebagai berikut (Riduwan & Kuncoro, 2008: 30) : •
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 responden dan hasilnya disebut proporsi.
•
Menentukan nilai proporsi kumulatif dengan menjumlahkan nilai proporsi berurutan per kolom skor.
•
Menentukan nilai Z, dengan menggunakan tabel distribusi normal baku (Riduwan & Kuncoro 2008: 35) hitung nilai Z untuk setiap proporsi kumulatif yang diperoleh.
63
•
Menentukan densitas, tentukan nilai tinggi densitas untuk setiap nilai Z yang diperoleh dengan menggunakan tabel koordinat kurva normal baku (Riduwan dan Kuncoro, 2008: 38).
•
Menentukan scale value (skala nilai) dengan menggunakan rumus
• Tentukan nilai transformasi (skala akhir) dengan rumus: Y = NS + [1 + (NSmin)] 3.6.2 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, p 109110) 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:
R hitung =
Dimana r hitung
= Koefisien Korelasi
64
∑Xi
= Jumlah skor item
∑Yi
= Jumlah skor total
n
= Total responden
t Hitung = r
Dimana : t
= Nilai t hitung
r
= Koefisien korelasi hasil r hitung
n
= Jumlah responden
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 Untuk menguji validitas butir dapat dilakukan dengan program SPSS 20.0.Dengan langkah langkah sebagai berikut: • Menentukan hipotesis Ho = Skor butir berkorelasi positif dengan skor factor
65
H1 = Skor butir tidak berkorelasi positif dengan skor factor • Menentukan nilai r table -
Hitung nilai “df” dengan rumus df =n-2 (n=jumlah responden)
-
Hitung nilai “t” dengan cara : pilih menu “transform”, kemudian pilih sub menu “compute” pada kolom sebelah kiri diisi dengan “t”,dan disebelah kanan diisi dengan rumus “IDF.T(0.90,DF). Kemudian “ok”.
-
Hitung nilai “r” dengan cara : pilih menu “transform”,kemudian pilih sub menu”compute” pada kolom sebelah kiri diisi dengan “r”,dan
sebelah
kanan
diisi
dengan
rumus
“t/sqrt(df+t**2)”.Kemudian “ok” • Mencari r hasil -
Masukkan data jawaban responden untuk diolah dengan software SPSS 17.0
-
Pilih menu “analyze” pilih sub menu “scale”,pilih yang “reliability analyze”
-
Kemudian pada kolom item isi dengan variable yang ingin dihitung.
-
Pada bagian “model”,biarkan pilihan pada “alpha”
-
Klik tombol “statistic”.Pada bagian “descriptive for” pilih semuanya (Item,Scale,Scale if item deleted)
-
Kemudian ok,maka akan keluar hasilnya Disini r hasil untuk tiap item bias dilihat padaoutput kolom
CORRECTED ITEM-TOTAL CORRELATION pada tampilan software SPSS.
66
• Mengambil Keputusan Dasar pengambilan keputusan: -
Jika r hasil positif, dan r hasil ˃ r table,maka butir tersebut Valid.
-
Jika r hasil tidak positif, dan r hasil ˃ r table, maka butir tersebut tidak Valid. Jika ada instrument pertanyaan yang tidak valid, maka instrument
tersebut dibuang lalu diuji validitas kembali.Setelah pertanyaan dinyatakan semuanya valid, selanjutnya dilakukan uji reabilitas. 3.6.3 Uji Reliabilitas Reliabilitas
artinya
adalah
tingkat
kepercayaan
hasil
suatu
pengukuran.Pengukuran yang memiliki reliabilitas tinggi,yaitu pengukuran yang mampu memberikan hasil ukur yang terpercaya (reliabel).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). Langkah yang dilakukan untuk uji reliabilitas adalah sebagai berikut; • Menetukan Hipotesis H0: Skor butir berkorelasi positif dengan komposit faktornya. H1: Skor butir tidak berkorelasi positif dengan komposit faktornya. • Menentukan nilai r table
67
Pada program SPSS,metode ini dilakukan dengan metode Cronbach’s Alpha,dimana suatu kuesioner dianggap reliable apabila Cronbach’s Alpha ˃ 0,6 (Santoso, 2001,pg251) • Mencari r hasil Disini r hasil adalah angka ALPHA (terletak di akhir output) dari tampilan software SPSS. • Mengambil Kesimpulan Jika r ALPHA positif,dan r APLHA ˃ r table,maka butir tersebut Reliabel. Jika r ALPHA tidak positif, dan r ALPHA ˃ r table,maka butir tersebut tidak reliable Menurut Triton (2006, p248), 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 dapata diinterpretasikan sebagai berikut: Tabel 3.6 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 : Sekaran (2006)
68
3.6.4 Structural Equation Method (SEM) 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; • Menguji kesalahan pengukuran (measurement error) sebagai bagian tak terpisahkan dari structural equation model. • 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 multivariat 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
69
faktor konfirmatori) (Hox dan Bechger, 1998).Definisi berikutnya mengatakan bahwa Structural equation modeling (SEM) merupakan teknik statistik yang digunakan untukmembangun 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. 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
Gambar 3.2 Tampilan AMOS
70
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). 3.6.4.1 Aplikasi dan Pendekatan SEM Aplikasi utama structural equation modeling meliputi: •
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 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;
•
Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya;
•
Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik analisis faktor dimana matriks korelasi dari faktorfaktor tertentu ( common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
•
Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi linear dimana bobot regresi dibatasi agar menjadi
71
sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya; •
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; •
Model struktur korelasi (correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasimempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai berikut: •
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.
72
•
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 keselarasan yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti melaporkan 3 atau 4 saja.
•
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 prosedurprosedur SEM, karena merasa tidak cukup efisien, maka suatu model alternatif
kemudian
diuji
didasarkan
pada
perubahan-
perubahan sebagaimana disarankan dalam 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.
73
3.6.4.2 Perbedaan dan Keunggulan SEM Beberapa hal yang membedakan SEM dengan regresi biasa dan teknik multivariat lainnya, diantaranya adalah (Efferin, 2008) : •
SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan atas regresi biasa dan analisis varian.
•
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
•
SEM selain memberikan informasi tentang hubungan kausal simultan diantara variabel-variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran.
•
Estimasi terhadap multiple interrelated dependence relationships. pada SEM sebuah variabel bebas pada satu persamaan bisa menjadi variabel terikat pada persamaan lain. Widodo (2006) mengemukakan sepuluh keistimewaan SEM sebagai
berikut : •
Mampu
memperlakukan
variabel
endogenous
dan
variabel
eksogenous sebagai variabel acak dengan kesalahan pengukuran •
Mampu memodelkan variabel laten dengan sejumlah indikatornya
•
Mampu membedakan kesalahan pengukuran dan kesalahan model
•
Mampu menguji model secara kesuluruhan, bukan hanya menguji koefisien model secara individu
•
Mampu memodelkan variabel mediator
74
•
Mampu memodelkan hubungan antar error
•
Mampu menguji silang koefisien model dari berbagai kelompok sampel
•
Mampu memodelkan dinamika suatu fenomena
•
Mampu mengatasi data yang hilang
•
Mampu menangani data tidak normal
3.6.4.3 Tahapan dalam SEM SEM terdiri atas beberapa tahapan sebagai berikut (Widodo, 2006) : •
Pengembangan model berdasarkan teori Tujuannya adalah untuk mengembangkan sebuah model yang asli (pembenaran) secara teoritis yang guna mendukung upaya analisis terhadap suatu maslah yang sedang dikaji/diteliti.
•
Pengembangan diagram lintasan (path diagram) Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama kedalam sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas yang ingin diujinya.
•
Mengkonversi diagram jalur kedalam persamaan struktural Langkah ini membentuk persamaan-persamaan pada model struktural dan model pengukuran.
•
Pemilihan data input dan teknik estimasi Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model
•
Evaluasi masalah identifikasi model
75
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan program komputer . Menurut Augusty Ferdinand ( 2001: 46) masalah identifikasi akan muncul melalui gejala-gejala sebagai berikut: a) besarnya standar error untuk satu atau beberapa koefesien; b) matriks yang seharusnya disajikan tidak dapat dimunculkan oleh program; c) angka-angka aneh akan muncul, diantaranya ialah angka varian error yang negatif; dan d) korelasi sangat tinggi muncul dalam koefesien estimasi, misalnya > 0,9. •
Evaluasi Asumsi dan Kesesuaian model Tujuannya adalah untuk mengevaluasi pemenuhan asumsi yang disyaratkan
SEM,
dan
kesesuaian
model
berdasarkan
kriteria goodness-of-fit tertentu Interpretasi dan modifikasi model Tujuannya adalah untuk memutuskan bentuk perlakuan lanjutan setelah dilakukan evaluasi asumsi dan uji kesesuaian model. 3.6.4.4 Permodelan SEM Diagram
lintasan
(path
diagram)
dalam
SEM
digunakan
untuk
menggambarkan atau menspesifikasikan 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.
76
Variabel-variabel dalam SEM : •
Variabel laten (latent variable) 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 teramati. Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan endogen. Variabel eksogen setara dengan variabel bebas/variabel yang tidak ada panah mengarahnya, sedangkan variabel endogen setara dengan variabel terikat dimana terdapat anak panah yang datang dan pergi. Notasi matematik dari variabel laten eksogen adalah ditandai dengan
(”ksi”) dan variabel laten endogen
(eta).
Gambar 3.3 Simbol Variabel Laten
•
Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris 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 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.
77
Gambar 3.4 Simbol Variabel Teramati SEM memiliki dua elemen atau model, yaitu model struktural dan model pengukuran •
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 3.5 Model Struktural SEM Persamaan dalam model struktural dibangun dengan persamaan : Var laten endogen =
var laten endogen +
var laten eksogen + error
sehingga untuk persamaan matematik untuk model struktural diatas adalah : dengan persamaan
dalam bentuk matriks
78
•
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 variabelvariabel terkait. Muatan faktor (factor loading) yang menghubungkan variabel laten dengan variabel teramati diberi label Error dalam model pengukuran dinotasikan dengan
(”lambda”).
.
Gambar 3.6 Model Pengukuran SEM Persamaan dalam model pengukuran dibangun dengan persamaan : Indikator =
konstruk + error
X=
var laten eksogen + error
Y=
var laten endogen + error
sehingga untuk persamaan matematik untuk model struktural diatas :
79
Dengan persamaan dalam bentuk matriks :
Penggabungan model struktural dan pengukuran membentuk bentuk umum SEM (Full atau Hybrid Model), seperti berikut
Gambar 3.7 Model Full-Hybrid SEM 3.7
Rancangan Pemecahan Masalah
3.7.1 Uji Reliabilitas
Reliabilitas adalah ukuran bagaimana hal-hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena yang umum (Hair, 1998 dalam Herlawati, 2011). Composite Reliability diperoleh melalui rumus berikut ini (Ghozali, 2005 dalam Wihandaru, 2009).
80
Dimana:
λ
= Standarized Loading untuk tiap-tiap indikator = (1 - λ)2 ; Measurement error dari tiap-tiap indikator (Ghozali, 2005 dalam Wihandaru, 2009)
R
= Reliabilitas konstruk dengan syarat R ≥ 7.0 R > 0.60 (Bagozzi, Y I; 1998 dan Ghozali, 2005 dalam Wihandaru, 2009).
Selain itu, dalam melakukan pengujian reliabilitas konstruk secara bersamaan selain menggunakan Composite Reliability digunakan pula variance Extraced. Sebagaimana pernyataan Ghozali (2005 dalam Wihandaru, 2009), Composite Reliability menyatakan ukuran konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukan derajat masing-masing indikator itu mengindikasikan sebuah konstruk/laten yang umum. Sedangkan Variance Extraced menunjukan indikator-indikator tesebut telah mewakili secara baik konstruk laten yang dikembangkan. Untuk Variance Extraced nilai yang diharapkan ialah ≥ 0.50
Variance Extraced
Dimana:
λ
= Standarized Loading untuk tiap-tiap indikator
81
= (1 - λ)2 ; Measurement error dari tiap-tiap indikator (Ghozali, 2005 dalam Wihandaru, 2009)
Mencari nilai besaran Composite Reliability dan Variance Extraced dari masing-masing variabel laten dengan menggunakan informasi pada Loading Factor dan
Measurment Error, Berdasarkan acuan bahan hitung dan rumusan hitung
Composite Reliability dan Variance Extraced di atas maka dapat kita hitung masingmasing nilai tersebut dari tiap tiap konstruk variabel.
3.7.2 Pengujian Validitas
Sebagaimana Ghozali (2005 dalam Wihandaru, 2009), menyatakan bahwa validitas adalah ukuran suatu indikator yang mampu mengukur sesuatu yang akan diukur. Pengujian terhadap validitas variabel laten dilakukan dengan melihat nilai signifikansi (Sig) yang diperoleh tiap variabel indikator, kemudian dibandingkan dengan nilai α (0.05). Jika Sig ≤ 0.05 maka tolak Ho, artinya variabel indikator tersebut merupakan konstruktor yang valid bagi variabel laten tertentu.
3.7.3 Asumsi - asumsi Penggunaan SEM Ghozali (2008) mengemukakan sebelum melakukan pengujian terhadap konstruk-konstruk dan variabel-variabel yang ada, beberapa persyaratan atau asumsiasumsi yang harus dipenuhi oleh data penelitian sebelum diolah dengan SEM, antara lain:
82
1. Ukuran Sampel Ukuran sampel yang harus dipenuhi dalam permodelan ini adalah minimum berjumlah 100-200 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter (Ferdinand, 2002). 2. Normalitas dan Linearitas Asumsi yang paling fundamental dalam analisis multivariat adalah normalitas yang merupakan bentuk suatu distribusi normal. Suatu distribusi data yang tidak membentuk distribusi normal, maka data tersebut tidak normal dan hasil analisis dikhawatirkan menjadi bias, sebaliknya data dikatakan normal jika data membentuk suatu distribusi normal. Asumsi normalitas data terpenuhi atau tidak sehingga dapat diolah lebih lanjut dalam permodelan SEM, maka sebaran data harus dianalisis terlebih dahulu. Distribusi data dikatakan normal pada tingkat signifikansi 0,01 jika Critical Ratio (CR), skewenes (kemiringan), atau CR curtosis (keruncingan) tidak lebih dari ± 2,58 (Santoso, 2007). 3. (Outliers) Outlier Outliers merupakan nilai ekstrim yang dihasilkan baik oleh data secara univariate maupun multivariate, untuk mengidentifikasinya digunakan tabel observartions farthest from the centroid (Mahalanobis distance). Pengujian Mahalanobis Distance dapat dilihat dari hasil keluaran pada bagian Observations farthest from the centroid (Mahalanobis distance) kemudian Mahalanobis d-squared. Pada Mahalanobis d-squared terlihat bahwa angka-angka yang tertera pada bagian tersebut berada pada kisaran ≤ 50.892. Angka pada Mahalanobis d-squared tersebut harus ≤ Chi-square α, df (0.001, 33) = 63.87. (Ferdinand, 2002 dalam Wihandaru, 2009). Adapun penentuan nilai kisaran tersebut berdasarkan acuan tabel Critical Values of
83
Chi-square Distribution With Degrees of Freedom dengan nilai Probability of Exceeding The Critical Value Sebesar 1% atau 0.001. Artinya hasil pengujian Mahalanobis d-squared yang menyatakan hasil tebaran data yang dihasilkan dari kuesioner masing-masing responden memenuhi persyaratan karena tidak menimbulkan adalanya Multivariate Outlier. Menurut Sugiyono (2004, p51) 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. 3.7.4 Langkah-langkah SEM Pada dasarnya SEM merupakan kombinasi antara analisis faktor, analisis regresi berganda dan korelasi. Ferdinand (2002) mengemukakan terdapat 7 (tujuh) langkah dalam teknik análisis SEM yang dapat dikembangkan dan dijelaskan sebagai berikut : 1. Pengembangan model teoritis Pengembangan model dalam SEM, adalah pencarían atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Tanpa dasar teoritis yang kuat, SEM tidak dapat digunakan. Hal ini disebabkan karena SEM tidak digunakan untuk menghasilkan sebuah model, melainkan digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.
SEM
bukan
untuk
menghasilkan
kausalitas,
melainkan
membenarkan adanya kausalitas teoritis melalui uji data empirik, itulah sebabnya uji hipótesis mengenai perbedaan dengan menggunakan uji chisquare.
84
2. Pengembangan Diagram Alur (Path Diagram) Model teoritis yang telah dibangun selanjutnya digambarkan dalam sebuah path diagram, untuk mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji. Di dalam pemodelan SEM, ditetapkan konstruk (construct) atau faktor (factor) yaitu konsep yang memiliki pijakan teoritis yang cukup untuk menjelaskan berbagai bentuk hubungan, sehingga perlu ditentukan diagram alur dalam artian berbagai konstruk yang akan digunakan dalam penelitian (dapat dilihat pada Gambar 3.8). Konstruk-konstruk dalam diagram alur dapat dibedakan dalam dua kelompok konstruk yaitu konstruk eksogen dan konstruk endogen. Konstruk eksogen dikenal pula sebagai variabel bebas yang tidak diprediksi oleh variabel lain dalam model. Konstruk endogen atau dikenal sebagai variabel terikat adalah faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
85
Gambar 3.8 Path Diagram Kesan Kualitas Layanan, dan keadilan harga terhadap Kepuasan, Kepercayaan, dan Loyalitas konsumen 3. Konversi Diagram Alur ke dalam persamaan Setelah model teoritis dikembangkan dan digambar dalam sebuah diagram alur, kemudian mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan. Persamaan yang dibangun akan terdiri dari persamaan struktural(structural equations) dan persamaan spesifikasi model pengukuran (measurement model). Persamaan struktural dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Sedangkan dalam persamaan
86
spesifikasi model pengukuran ditentukan variabel mana mengukur konstruk mana,
serta
menentukan matrik yang menunjukkan korelasi yang
dihipotesiskan antar konstruk. 4. Memilih Matrik Input dan Estimasi Model SEM hanya menggunakan matrik varian/kovarian atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan. Matrik korelasi mempunyai rentang yang sudah umum dan tertentu yaitu 0 sampai dengan ±1 dan karena itu memungkinkan untuk melakukan perbandingan yang langsung antara koefisien dalam model. Matrik kovarian umumnya lebih banyak digunakan dalam penelitian mengenai hubungan seperti direkomendasi oleh Baumgartner dan Homburg dalam Ferdinand (2002), sebab stándard error yang dilaporkan dari berbagai penelitian, umumnya menunjukkan angka yang kurang akurat bila matrik korelasi digunakan sebagai input. Pada penilitian ini pengolahan dilakukan dengan bantuan program komputer yaitu AMOS, yang merupakan salah satu program yang handal untuk analisis model kausalitas. Karena jumlah sampel dalam penelitian ini berada antara 100 sampai dengan 200, maka teknik analisis yang dipilih adalah Maximum Likelihood Estimation (ML) dan Generalized Least Square Estimation (GLS). 5. Kemungkinan Munculnya Masalah Identifikasi Masalah
identifikasi
pada
prinsipnya
adalah
masalah
mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat muncul melalui gejala-gejala sebagai berikut : 1. Standard error untuk satu atau beberapa koefisien adalah sangat besar.
87
2. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif. 4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat misalnya lebih dari 0,9.
Perhitungan yang akan digunakan adalah dengan menggunakan SPSS 20 dan SPSS AMOS Ver. 21 yang akan menjelaskan bagaimana hubungan antar 5 variabel yanag kana diteliti yaitu Perceived service quality (X1), Percived price fairness (X2), Satisfaction (Y1) Trust (Y2) dan Customer Loyalty (Z). Setelah asumsi data berdistribusi normal dan tidak ada data Outliner, Pertama yang dilakukan dalam metode analisis ini untuk perhitungan Uji Kecocokan 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.
88
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 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. Yamin dan Kurniawan (2009) menganjurkan untuk ukuran sampel yang besar (lebih dari 200), uji ini cenderung untuk menolak H0.
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)
•
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
89
memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9. •
Root Mean Square Error(RMSR) RMSR
merupakan
residu
rata-rata
antar
matriks
kovarians/korelasi teramati dan hasil estimasi. Nilai RMSR < 0,05 adalah good fit. •
Root Mean Square Error Of Approximation(RMSEA) RMSEA merupakan ukuran rata-rata perbedaan per degree of freedomyang diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah close fit.
•
Expected Cross-Validation Index(ECVI) Ukuran ECVI merupakan nilai pendekatan uji kecocokan suatu model apabila diterapkan pada data lain (validasi silang). Nilainya didasarkan pada perbandingan antarmodel. Semakin kecil nilai, semakin baik.
•
Non-Centrality Parameter(NCP) NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil nilai, semakin baik
2. Ukuran kecocokan incremental (incremental/relative fit measures), yaitu ukuran kecocokan model secara relatif, digunakan untuk perbandingan model yang diusulkan dengan model dasar yang digunakan oleh peneliti. Uji kecocokan tersebut meliputi: •
Adjusted Goodness-Of-Fit Index(AGFI)
90
Ukuran
AGFI
merupakan
modifikasi
dari
GFI
dengan
mengakomodasi degree of freedom model dengan model lain yang dibandingkan. AGFI 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) •
Tucker-Lewis
Index(TLI)
Ukuran
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). •
Normed Fit Index (NFI) Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI ≥ 9,0 adalah good fit, sedangkan 8,0 ≤ NFI ≤9,0 adalah marginal fit.
•
Incremental Fit Index (IFI) Nilai IFI berkisar antara 0 – 1. IFI ≥ 9,0 adalah good fit, sedangkan 8,0 ≤ IFI ≤9,0 adalah marginal fit.
•
Comparative Fit Index (CFI) Nilai CFI berkisar antara 0 – 1. 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).
•
Relative Fit Index (RFI)
91
Nilai RFI berkisar antara 0 – 1 RFI ≥ 9,0 adalah good fit, sedangkan 8,0 ≤ RFI ≤9,0 adalah marginal fit 3. Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures), yaitu ukuran kecocokan yang mempertimbangkan banyaknya koefisien didalam model. 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.
•
Parsimonious Goodness-Of-Fit Index(PGFI) Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi menunjukkan model lebih baik digunakan untuk perbandingan antarmodel.
•
Akaike Information Criterion (AIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
•
Consistent Akaike Information Criterion (CAIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
•
Criteria N (CN) Estimasi ukuran sampel yang mencukupi untuk menghasilkan adequate model fituntuk Chi-squared. Nilai CN > 200 menunjukkan bahwa sebuah model cukup mewakili sampel data.
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
92
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).