BAB III METODOLOGI PENELITIAN A. Waktu dan tempat penelitian Penelitian ini dilakukan di wilayah DKI Jakarta.Objeknya adalah pengguna iPhone 5. Waktu penelitian dilakukan selama satu bulan, yaitu pada bulan Maret 2016 – Juli2016. B. Desain Penelitian Desain penelitian yang digunakan oleh penulis adalah metode analisis kausal.Penelitian kausal ditujukan untuk mengetahui hubungan yang bersifat sebab akibat antara satu atau lebih variable independen (variable yang mempengaruhi) dan variable dependen (Variabel yang dipengaruhi). C. Definisi dan Operasionalisasi Variabel 1. Definisi Variabel Menurut Sugiyono (2009:38) Variabel pada dasarnya adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulannya. Variabel yang akan digunakan dalam penelitian ini terbagi menjadi dua, yaitu : a. Variable Bebas (Independent) Menurut Danang Sunyoto (2014:111) Variabel independen atau variable bebas (X) adalah variable yang lainnya yang mempengaruhi variable lain. Adapun yang menjadi variable bebas (X) adalah brand image, berand trust dan brand loyalty yang meliputi :
38 http://digilib.mercubuana.ac.id/
39
X1 :Brand Image X2 :Brand Trust X3 :Brand Loyalty b. Variable terikat (Dependent) Menurut Danang Sunyoto (2014:111) variable dependen atau variabel terikat (Y) adalah variable; yang besar kecilnya tergantung pada nilai variabel bebas.Adapun yang menjadi variabel terikat (Y) adalah keputusan pemebelian. Y : Keputusan Pembelian 2. Operasionalisasi Variabel Definisi operasional suatu konstruk merupakan suatu definisi yang menyatakan secara jelas dan akurat mengenai bagaimana suatu konstruk tersebut diukur, dapat pula dikatakan sebagai suatu penjelasan tentang kegiatan-kegiatan yang akan dilakukan dalam mengukur suatu konsep (Hermawan, 2009). D. Pengukuran Variabel Pengukuran variabel diperlukan untuk menentukan jenis dan indikator dari variabel-variabel yang terkait dalam penelitian ini. Selain itu, pengukuran variabel dimaksudkan untuk menentukan skala pengukuran dari masing-masing variabel, sehingga pengujian hipotesis dengan menggunakan alat bantu statistic dengan baik dan benar.
http://digilib.mercubuana.ac.id/
40
Untuk menguji hipotesis penelitian, setiap variabel diukur dengan menggunakan instrument berupa kuesioner yang berisi pertanyaan yang mewakili dimensi variabel-variabel tersebut. Dari uraian dan penjelasan yang akan diuji, maka dapat digambarkan ringkasan definisi dari dimensi variabel tersebut seperti ditunjukan pada tabel 3.1. Tabel 3.1 Operasional Variabel Variabel
Definisi Variabel
Dimensi Variabel
Menurut 1.Keunggulan Schiffman dan merek dapat Kanuk (2010), membuat Brand image konsumen adalah percaya persepsi yang bahwa atribut bertahan lama, dan manfaat dibentuk yang melalui diberikan Brand Image pengalaman, oleh suatu dan bersifat brand dapat (X1) relative memuaskan kebutuhan konsisten. dan Ferrinnadewi,2009 keinginan konsumen 2.Kekuatan merek bergantung pada bagaimana informasi masuk dalam ingatan konsumen
http://digilib.mercubuana.ac.id/
Indikator Variabel
Skala
- favorability of brand association
Ordinal
-Strenght of brand association
41
3.Sebuahbrand -Uniqueness haruslah of brand menarik association sehingga produk tersebut memiliki ciri khas dan sulit untuk ditiru para pesaing.
Variabel
Definisi Variabel
Kepercayaan merek (Brand Trust) adalah kemampuan merek Brand Trust untuk dipercaya yang bersumber pada keyakinan (X2) konsumen bahwa produk tersebut mampu memenuhi Ferrinnadewi, nilai yang dijanjikan dan intensi baik 2008 merek (Brand intention) yang didasarkan pada keyakinan konsumen bahwa merek tersebut mampumengutamak an kepentingan konsumen (Delgado dalam Ferrinnadewi, 2008).
Dimensi Variabel
Indikator Variabel
1.janjikonsume -Achieving n yang harus result dipenuhi bila ingin mendapatkan kepercayaan konsumen. 2.adanya konsisten antara ucapan dan tindakan dalam setiap situasi 3.kemampuan perusahaan untuk menujukan perhatiannya kepada konsumen dalam bentuk menunjukan sikap pengertian
http://digilib.mercubuana.ac.id/
-Acting with integrity
-Demonstrate concern
Skala
Ordinal
42
konsumen jika menghadapi masalah dengan produk
Variabel
Brand Loyalty (X2) Rangkuti, 2009
Definisi Variabel
Dimensi Variabel
Indikator
Menurut Schifman dan Kanuk (2009), loyalitas merek adalah preferensi konsumen secara konsisten untuk melakukan pembelian pada merek yang sama pada produk yang spesifik atau kategori pelayanan tertentu.
1.memperhitun gkan pola pembelian actual
-Behavior measure
2.pada umumnya jika biaya untuk mengganti merek sangat mahal, pelanggan akan enggan untuk menganti merek 3.bila ketidakpuasa n pelanggan terhadap suatu merek rendah, maka tidak cukup alasan untuk berpindah ke merek lain
-Measuring switch cost
4. ukuran rasa suka tersebut adalah
-Measuring liking brand
http://digilib.mercubuana.ac.id/
Skala
Ordinal
-Measuring satisfaction
43
kemauan untuk membayar harga yang lebih mahal untuk mendapatkan produk tersebut
Variabel
Keputusan Pembelian (Y) Rangkuti, 2009
5.kesukaan pelanggan akan mendorong mereka untuk membicarakan merek tersebut kepada orang lain
-Measuring commitment
Definisi Variabel
Dimensi Variabel
Indikator Variabel
Menurut Suharno (2010:96), menyatakan bahwa keputusan pembelian konsumen adalah tahap di mana pembeli telah menentukan pilihannya dan melakukan pembelian produk, serta mengkonsumsinya.
1.menghimpun informasi dan sejumlah konsumen para pemasar dapat mengenal rangsangan
-Pengenalan masalah atau kebutuhan -Pencarian informasi
2.Biasanya -Penilaian pencarian alternative informasi meningkat pada saat konsumen mulai bergerak dari keputusan situasi pemecahan
http://digilib.mercubuana.ac.id/
Skala
Ordinal
44
masalah yang terbatas pemecahan masalah yang lebih luas
3.Bila konsumen merasa puas terhadap produk yang dibelinya, maka ada peluang untuk melakukan pembelian ulang.
--Perilaku pasca pembelian -Keputusan membeli
E. Populasi dan Sampel 1. Populasi penelitian Menurut Sunyoto, Danang(2014:111) populasi adalah jumlah keseluruhan
objek
(satuan-satuan
atau
individu-individu)
yang
karakteristiknya hendak diduga.satuan-satuan atau individu-individu ini disebut unit analisis. Dalam hal ini adalah seluruh pengguna iPhone 5 di DKI Jakarta. 2. Sampel penelitian Menurut Sugiyono dalam Sunyoto, Danang (2014:112) sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut.Apa yang dipelajari dari sampel itu, kesimpulannya akan
http://digilib.mercubuana.ac.id/
45
diberlakukan untuk populasi. Sehingga sampel yang diambil harus benarbenar mewakili.Dalam penelitian ini populasi yang digunakan adalah pengguna iphone 5 di wilayah DKI Jakarta. Pada penelitian ini teknik sampling yang digunakan adalah non probabilty sampling dengan cara purposive sampling. Menurut Sugiyono (2008) dalam Sunyoto, Danang (2014:113) non probability sampling adalah teknik pengambilan sampel yang tidak memberi peluang atau kesempatan sama bagi setiap anggota populasi untuk dipilih menjadi sampel. Sedangkan penentuan pengambilan jumlah
responden
Convenience/Accidental
(sampel)
dilakukan
sampling.
Teknik
melalui
teknik
Convenience/Accidental
Sampling, accidental sampling yaitu teknik pengambilan sampel berdasarkan kebetulan yaitu siapa saja yang secara kebetulan bertemu bersama dengan peneliti dapat dijadikan sampel bila dipandang orang yang ditemui itu cocok sebagai sumber data (serious problem sampling) (Widiyanto,2008:32). Ukuran populasi dalam penelitian ini sangat banyak dan tidak dapat diketahui dengan pasti,. Menurut Sangaji, Etta Mamang, 2013 jumlahnya dapat dihitung dengan cara sebagai berikut: n=
Z2 4 (Moe) 2
Keterangan : n = ukuran sampel Z = score pada tingkat signifikansi tertentu (derajat keyakinan ditentukan 95%) maka
http://digilib.mercubuana.ac.id/
46
Z = 1,96 Moe = margin of error , tingkat kesalahan maksimum adalah 10% Dengan menggunakan rumus diatas, maka diperoleh perhitungan sebagai berikut: n=
n=
Z2 4 (Moe) 2 (1,96)2 4 (10%) 2
n = 96,04 ≈ 97 atau dibulatkan 100 Dari hasil perhitungan rumus di atas dapat diperoleh jumlah sampel yang akanditeliti adalah sebesar 100 responden. F. Tehnik Pengumpulan Data Teknik pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut : 1. Kuesioner Kuesioner adalah metode pengumpulan data yang dilakukan dengan cara memberikan daftar pertanyaantertulis kepada responden untuk di isi. Dalam penelitian ini pengukuran yang digunakan yaitu dengan skala likert.Skala likert digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau kelompok tentang fenomena (Soegiyono dalam Mamang Sangadji 2013:113). Jawaban setiap pertanyaan yang menggunakan skala likert mempunyai gradasi dari yang sangat positif hingga sangat negative yang dapat berupa kata-kata, antara lain :
http://digilib.mercubuana.ac.id/
47
Sangat Setuju (SS)
= diberi skor 5
Setuju (ST)
= diberi skor 4
Ragu-ragu/ Netral (RG)
= diberi skor 3
Tidak setuju (TS
= diberi skor 2
Sangat Tidak Setuju (STS) = diberi skor 1 2. Wawancara Wawancara merupakan metode yang digunakan untuk memperoleh informasi secara langsung, mendalam, tidak terstruktur, dan individual (Sofiyan Siregar 2013:32). G. Metode Analisis 1. Analisis SEM (Structural Equation Model) Teknik analisis data yang digunakan untuk membahas permasalahan dalam penelitian ini adalah Structural Equation Model (SEM). Model Persamaan Struktural atau Structural Equation Model (SEM) adalah teknik-teknik statistika yang memungkinkan pengujian suatu rangkaian hubungan yang relatif kompleks secara simultan. Model yang digunakan dalam penelitian ini adalah model kausalitas dan untuk menganalisis data serta menguji hipotesis yang diajukan digunakan teknik analisis model persamaan struktural atau Structural Equation Modeling(SEM) dengan menggunakan program AMOS (Analysis of Moment Strucures). Hair et al. dalam (Ghozali, 2009)mengajukan tahapan permodelan dan analisis persamaan struktural menjadi 6 (enam) langkah yaitu:
http://digilib.mercubuana.ac.id/
48
Langkah 1. Pengembangan Model Berdasar Teori Model persamaan structural disasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti reaksi kimia atau dapat juga hubungan yang kurang ketat seperti dalam riset perilaku yaitu alasan seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justufikasi (pembenaran) secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan dedukasi dari teori. Keasalahan paling kritis di dalam pengembangan model berdasarkan teori adalah dihilangkannya satu atau lebih variabel prediktif dan masalah ini dikenal dengan specification error. Implikasi menghilangkan variabel signifikan adalah memberikan bias pada penilaian variabel lainnya. Sebagai misal, ada dua variabel (A dan B) yang keduanya merupakan variabel predictor C. jika kita masukkan kedua variabel A dan B kedalam analisis, maka akan dapat penilaian yang benar relative pentingnya variabel tersebut seperti ditunjukan oleh koefisien estimasinya. Namun demikian jika variabel B dikeluarkan dari analisis, maka koefisien variabel A akan berbeda. Perbedaan ini sebagai akibat dari koefisien variabel A yang mencerminkan tidak hanya pengaruhnya terhadap C tetapi pengaruh yang di share dengan B. Share effect inilah yang dikendalikan ketika dua variabel A dan B dimasukkan kedalam analisis.
http://digilib.mercubuana.ac.id/
49
Keinginan untuk memasukkan semua variabel kedalam model harus diimbangi dengan keterbatasan praktis dalam SEM. Sering terjadi bahawa interpretasi hasil menjadi sulit bilamana jumlah konsep melebihi 20.Jadi yang penting adalah model hasus parsimony (sederhana) dengan concise theoretical model. Gambar Pengembangan Model
BI1
BI2
BI3
BI4
1 BT1
Brand Image
BT2 1 BT3 1
Keputusan Pembelian
Brand Trust
1
KP1 1 KP2 KP3 KP4
Brand Loyalty
BL1
BL2
BL3
1
1
1
BL4
BL5
1
1
Gambar 3.1
http://digilib.mercubuana.ac.id/
50
Langkah 2 dan 3 :Menyusun Diagram Jalur dan Permasaan Struktural Langlah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menghubungkan antar konstruk laten baik endogen maupun eksogen dan menyusun measurement model yaitu mengubungkan konstruk laten endogen atau eksogen dengan variabel indikator atau manifest. Ketika measurement model telah terspesifikasi oleh peneliti ( member nilai fixed atau tetap) baik structural dan measurement model, peneliti dapat juga memspesifikasi korelasi antara konstruks eksogen atau antara konstruk endogen. Dengan mengkorelasikan konstruk eksogen beberapa kali maka hal ini menggambarkan “share” pengaruh terhadap konstruk endogen. Mengkorelasikan antar konstruk endogen tidak banyak berguna dan tidak direkomendasikan untuk tujuan tertentu oleh karna menggambarkan korelasi antara permsamaan structural sehingga menimbulkan kesulitan interpretasi. Variabel indikator atau manifest dalam measurement model juga dapat dikorelasikan dari korelasi konstruk. Hal ini sebaiknya dihindari kecuali dalam masalah khusus. Misalkan dalam studi dimana diketahui dengan pasti pengaruh dari measurement atau proses pengumpulan data dari dua atau lebih indikator atau longitudinal study dimana indikator yang sama dikumpulkan tetapi dalam periode waktu yang berbeda.
http://digilib.mercubuana.ac.id/
51
Berikut ini contoh sederhana dalam penelitian ini memiliki tiga variabel konstruk eksogen yaitu X1, X2 dan X3 yang berkorelasi dan satu konstruk endogen Y, hubungan kausalitas keempat variabel ini dapat di tulis sebagai berikut : Y = b1X1 + b2X2 + b3X3 Atau dapat di gambarkan dalam diagram jalur sebagai berikut :
Gambar Diagram Jalur Sederhana X1
B
A X2
Y
D
C
X3 Gambar 3.2 Dalam membaca diagram jalur ada ketentuan yang harus diikuti yaiyu diagram jalur tidak boleh maju kemuadian mundur, seharusnya mundul dahulu baru maju artinya yang pertama kali dibaca adalah variabel akibat baru variabel penyebabnya.
http://digilib.mercubuana.ac.id/
52
Gambar Diagram Jalur
e4
e3
e2
e1
BI1
BI2
BI3
BI4
1 e5 e6 e7
BT1 Brand Image
BT2 1
Keputusan Pembelian
Brand Trust
BT3
1 1
KP1 1 KP2
e13
KP3
e15
KP4
e16
Brand Loyalty
BL1
BL2
BL3
BL4
BL5
1e8
1e9
1 e10
1e11
1 e12
Gambar 3.3 Hubungan Kausalitas Independen
Dependen
X1 X2 X3 ------------------------------- Y1
Langkah 4 :Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan Penggunaan korelasi cocok jika tujuan penelitiannya hanya untuk memahami pola hubungan antar konstruk, tetapi tidak menjelaskan total varian
http://digilib.mercubuana.ac.id/
e14
53
dari konstruk. Penggunaan lain adalah untuk membandingkan berbagai variabel yang berbeda, oleh karena dengan matrik kovarian dipengaruhi oleh skala pengukuran. Koefisien yang diperoleh dari matrik korelasi selalu dalam bentuk standardize unit sama dengan koefisien beta dan persamaan regrsesi dan nilainya berkisar antara – 1.0 dan + 1.0. 1)
Ukuran Sample Besarnya ukuran sampel memiliki peran penting dalam interpretasi
hasil SEM. Ukuran sampel memberikan dasar untuk mengestimasikan sampling error. Pertanyaan kritis yang dapat diajukan dalam SEM, berapa besar jumlah sampel yang diperlukan? Dengan model estimasi menggunakan Maximum Likelihood (ML) minimum diperlukan sampel 100. Ketika sampel dinaikan di atas nilai 100, metode ML menigkatkan sensitivitasnya untuk mendeteksi perbedaan antara data. Begitu sampel menjadi besar (di atas 400 sampai 500), maka metode ML menjadi sangat sensitive dan selalu menghasilkan perbedaan secara signifikan sehingga ukuran Goodness-of-fit menjadi jelek. Jadi dapat direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan untuk metode estimasi ML. 2)
Estimasi Model Teknik estimasi model persamaan struktural pada awalnya
dilakukan dengan ordinary square (OLS) regression, tetapi teknik ini telah digantikan oleh Maximum Likehood Estimation (ML) yang lebih efisien
http://digilib.mercubuana.ac.id/
54
dan unbiased jika asumsi normalitas multivariate dipenuhi. Teknik ML sekarang digunakan oleh banyak program computer. Namun demikian teknik ML sangat sensitive terhadap non-normalitas data sehingga diciptakan teknik estimasi lain seperti weighted least squares(WLS), generalized lease square (GSL) dan asymptotically distribution free (ADF) saat ini banyak digunakan karena tidak sensitive terhadap data yang tidak normal, hanya saja untuk menggunakan teknik estimasi ADF diperlukan jumlah sampel yang besar. Jika model structural dan model pengukuran telah terspesifikasi dan input matrik telah dipilih, langkanh berikutnya adalah memilih program computer untuk mengestimasi. Ada beberapa program computer yang telah dibuat untuk mengestimasi model anrala lain program LISREL (LInear Struktul Relations), program EQS, COSAM, PLS dan AMOS. Langkah 5 :Menilai Identifikasi Model Structural Selama proses estimasi berlangsung dengan program computer sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah ketidak mampuan proposed model untuk menghasilkan unique estimate. Cara melihat ada tidaknya probel identifikasi adalah dengan melihat hasil estimasi yang meliputi: (1) adanya nilai standar error yang besar untuk satu atau lebih koefisien, (2) ketidakmampuan program untuk invert information matrix, (3) nilai estimasi yang
http://digilib.mercubuana.ac.id/
55
tidak mungkin misalkan error variance yang negative, (4) adanya nilai korelasi yang tinggi (> 0,09) antar koefisien estimasi. Jika diketahui ada problem identifikasi maka ada tiga hal yang harus dilihat : (1) besarnya jumlah koefisien yang diesrimasi relative terhadap jumlah kovarian atau korelasi, yang diindikasikan dengan nilai degree of freedem yang kecil, (2) digunakannya pengaruh timbale-balik atau resiprokal antar konstruk (model non-recursive) atau (3) kegagalan dalam menetapkan nilai tetap (fix) pada skala konstruk. Apa yang dapat dilakukan untuk mengatasi problem identifikasi adalah menetapkan lebih banyak konstain dalam model. Penelitian menambah lebih banyak konstrain (menghapus path dari diagram path) sampai masalah yang ada hilang. Langkah 6 :Menilai Kriteria goodness-of-fit Langkah yang harus dilakukan sebelum menilai kelayakan dari model structural adalah menilai apakah data yang akan diolah memenuhi asumsi model persamaan structural. Ada tiga asumsi dasar seperti halnya pada teknik multivariate yang lain yang harus dipenuhi untuk dapat menggunakan model persamaan structural yaitu : (1) observasi data independen, (2) responden diambil secara random (ramdom sampling respondent), dan (3) memiliki hubungan linear. Disamping itu SEM sangat sensitive terhadap karakteristik distribusi data khususnya distribusi yang melanggar normalitas multivariate atau adanya kurtosis yang tinggi (kemenangan distribusi) dalam data. Untuk itu sebelum data diolah
http://digilib.mercubuana.ac.id/
56
harus diuji dahulu ada tiadanya data outlier dan distribusi data harus normal secara multivariate. Setelah asumsi SEM dipenuhi langkah berikutnya adalah melihat ada tidaknya offending estimate yaitu estimasi koefisien baik dalam model structural maupun model pengukuran yang nilainya diatas batas yang dapat diterima. Contoh yang sering terjadi offending estimateadalah : (1) varian error yang negative atau non-significant error variance untuk suatu konstruk, (2) standardize coefficient yang mendekati 1.0, (3) adanya standar error yang tinggi. Jika terjadi offending estimate, maka peneliti harus menghilangkan hal ini lebih dahulu sebelum melakukan penilaian kelayakan model. a. Absolute Fit Measures 1) Likelihood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likelihood-ratio chi-square ( 2). Nilai chi square yang tinggi relative terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan menujukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) lebih kecil dari tingkat signifikansi (α). Sebaliknya nilai chi-square yang kecil akan menghasilkan nilai probabilitas (p) yang lebih besar dari tingkat signifikansi (α) dan ini menujukkan bahwa input matrik kovarian antara rediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan karena mengharapkan bahwa model
http://digilib.mercubuana.ac.id/
57
yang diusulkan cocok atau fit dengan data observasi. Program AMOS 22.0 akan memberikan nilai chi-square dengan perintah \cmin dan nilai probabilitas dengan perintah \p. ,serta besarnya degree of freedom dengan perintah \df. Tabel 3.2 No 1 2 3 4 5 6 7 8
Kriteria Goodness of fit Chi-Square (X2) Probability (ƿ) CMIN/DF (X2/df) GFI AGFI RMSEA CFI TLI (NNFI)
Cut-of value Diharapkan kecil ≥0.05 ≤5 ≥0.90 ≥0.90 0.05 < RMSEA ≤ 0.08 ≥0.90 ≥0.90
Sumber : Ghozali (2009) 3. CMIN Adalah menggambarkan perbedaan antara unrestricted sampel covariance matrix S dan restricted covariance matrix
0) atau secara esensi menggambarkan
likelihood ratio test statistic yang umumnya dinyatakan dalam Chi-square ( 2) statistics. Nilai statistic ini sama dengan (N-1) Fmin (ukuran besar sampel dikurangi 1 dan dikalikan dengan minimum fit function). Jadi nilai Chi-square akan selalu signifikan. Oleh karna itu, jika Chi-square signifikan, maka dianjurkan untuk mengabaikannya dan melihat ukuran goodness fit lainnya.
4. CMIN/DF Adalah nilai chi-square dibagi dengan degree of freedem. Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit
http://digilib.mercubuana.ac.id/
58
menurut Wheaton et. Al, 1977 (dalam Ghozali,2009) nilai ratio lima atau kurang dari lima merupakan ukuran yang reasonable. Peneliti lainnya seperti Byrne,1988(dalam Ghozali,2009) mengusulkan nilai ratio ini < 2 merupakan ukuran fit. Program AMOS akan memberikan nilai CMIN/DF dengan perintah \cminfd. 5. GFI GFI (goodness of fit index) dikembangkan oleh joreskog dan Sorborn, 1984 (dalam Ghozali, 2009) yaitu ukuran non-statisyik yang nilainya berkisar dari nilai 0 (poor fit) sampai1.0 (perfect fit). Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI yang dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai diatas 90% sebagai ukuran good fit, program AMOS akan memberikan nilai GFI dengan perintah\gfi. 6. RMSEA Root mean square error of approximation (RMSEA) merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi-square menolak model dengan jumlah dampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfirmatori atau competing model strategy dengan jumlah sampel besar. Program AMOS akan memberikan nilai RMSEA dengan perintah \rmsea.
http://digilib.mercubuana.ac.id/
59
b. Incremental Fit Measures Incremental fit measures membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya. 1. AGFI Adjusted goodness-of-fit merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedem untuk null model. Nilai yang direkomendasikan adalah sama atau > 0,90. Program Amos akan memberikan nilai AGFI dengan perintah\agfi. 2. TLI Trucker-Lewis Index atau dikenal dengan nonnormed fit index (NNFI). Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1.0. nilai TLI yang direkomendasikan adalah sama atau > 0.90 program Amos akan memberikan nilai TLI dengan perintah \tli. 3. NFI Normed Fit Index merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1.0 (perfect fit). Seperti halnya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan sama atau > 0.09. program Amos akan memberikan nilai NFI dengan perintah \nfi
http://digilib.mercubuana.ac.id/
60
c. Parsimonious Fit Measures Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit tujuan dasarnya adlah untuk mengdiagnose apakah model fit telah tercapai dengan “overfitting” data yang dimiliki banyak koefisien. Prosedur ini mirip dengan adjustment terhadap nilai R2 didalam multiple regression. Namun demikian karena tidak di uji statistic yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model. 1. PNFI Parsimonious normal fit index (PNFI) merupakan modifikasi dari NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang berbeda. Digunakan untuk membandingkan m,odel alternative sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model aka perbedaan PNFI 0.60 sampai 0.90 menujukkan adanya perbedaan model yang signifikan. Program Amos akan menghasilkan nilai PNFI dengan perintah \pnfi. 2. PGFI Parsimonious goodness-of-fit index (PGFI) memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai1.0 dengan nilai semakin tinggi menunjukkan model lebih parsimony. Program Amos akan memberikan nilai PGFI dengan perintah\pgfi.
http://digilib.mercubuana.ac.id/
61
d. Measurement Model Fit Setelah keseluruhan model fit dievaluasi, maka langkah berikutnya adlaha pengukuran setiap konstruk untuk menilai unidimensionalitas dan relibialitas dari konstruk. Unidimensionalitas adalah asumsi yang melandasi perhitungan relibilitas dan di tunjukkan ketika indikator suatu konstruk memiliki accrptable fit ayau single faktor (one dimensional) model. Penggunaan ukuran Cronbach Alpha tidak
menjamin
unidimensionalitas
tetapi
mengasumsikan
adanya
unidimensionalitas untuk semua multiple indikator construct sebelum menilai reliabilitasnya. Pendekatan untuk menilai measurement model adalah mengukur composite reliability dan variance extraxted untuk setiap konstruk. Reliability adalah ukuran internal consistency indikator suatu konstruk. Hasil reliabilitas yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas < 0.70 dapat diterima untuk penelitian yang masih bersifat eksploratori. Perlu diketahhui bahwa reliabilitas tidak menjamin adanya validitas. Validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat mengukur apa yang hendak di ukur.ukuran reliabilitas yang lain adalah variance extracted
sebagai
pelengkap
ukuran
construct
direkomendasi untuk nilai variance extracted > 0.50.
http://digilib.mercubuana.ac.id/
reliability.
Angka
yang
62
(∑ std loading)2 Construct Reliability = ------------------(∑std loading)2 + ∑ εj
∑std loading2 Variance Extracted =-------------------(∑ std loading)2+ ∑ εj e. Struktural Model Fit Untuk menilai structural model fit melibatkan signifikansi dari koefisien. SEM memberikan hasil nilai estimasi koefisien, standard error dan nilai critical value (cr) untuk setiap koefisien. Dengan tingkat signifikansi tertentu (0.05) maka dapat menilai signifikansi dipengaruhi oleh justifikasi teoritis untuk hubungan kausalitas yang diusulkan. Jika dihipotesakan hubungannya negative atau positif, maka digunakan uji signifikansi one tail (satu sisi). Namun demikian jiuka peneliti tidak dapat memperkirakan arah hubungan maka harus digunakan uji two tails (dua sisi). f. Membandingkan Compating Model atau Nested Model Compating model atau strategi pengembangan model dilakukan dengan membandinngkan hasil suatu model untuk menentukan model terbaik dari berbagai alternative model yang ada. Langkah yang dilakukan peneliti adalah
http://digilib.mercubuana.ac.id/
63
mulai dengan model awal dan dilanjutkan dengan spesifikasi beberapa model untuk meningkatkan model fit. Untuk membandingka model telah dikembangkan beberapa pengukuran. Satu pengukuran untuk overall model fit, ada juga ukuran model parsimony. Perbedaan antar model dapat dilihat dari perbedaan nilai chi-square ( 2). Perbedaan
2
dapat di uji secara statistic dengan tingkat degree freedom tertentu.
Syarat yang diperlukan adalah bahwa jumlah konstruk dan indikator harus masih sama sehingga null model sama dengan model lainnya (nedted model). Jika model menjadi non-nested yau memiliki jumlah indikator dan konstruk yang berbeda, maka peneliti harus menggunakan ukuran parsimony fit. Langkah 7 :Interpretasi dan Modifikasi Model Ketika
model
mempertimbangkan
telah
dinyatakan
dilakukannya
diterima,
modifikasi
model
maka untuk
peneliti
dapat
memperbaiki
penjelasan teoretis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum sebelum model modifikasi diterima. Pengukuran model dapat dilakukan dengan modification indices. Nilai modification indices
sama dengan terjadinya penurunan Chi-squares jika
koefisien diestimasi. Nilai sama dengan atau > 3.84 menunjukkan telah terjadi penurunan chi squares secara signifikan.
http://digilib.mercubuana.ac.id/