MODEL PERSAMAAN STRUKTURAL FAKTOR-FAKTOR YANG MEMENGARUHI IMPULSE BUYING BEHAVIOR TRANSAKSI BELANJA ONLINE (Studi Kasus di Lingkungan Institut Pertanian Bogor)
MUTIA HADIDTYANINGRUM
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Model Persamaan Struktural Faktor-Faktor yang Memengaruhi Impulse Buying Behavior Transaksi Belanja Online (Studi Kasus di Lingkungan Institut Pertanian Bogor) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2016 Mutia Hadidtyaningrum NIM G14120066
ABSTRAK MUTIA HADIDTYANINGRUM. Model Persamaan Struktural Faktor-Faktor yang Memengaruhi Impulse Buying Behavior Transaksi Belanja Online (Studi Kasus di Lingkungan Institut Pertanian Bogor). Dibimbing oleh MOHAMMAD MASJKUR dan PIKA SILVIANTI. Kegiatan berbelanja secara online telah menjadi kebutuhan dan gaya hidup modern masyarakat Indonesia. Sebagaian besar pelaku transaksi e-commerce melalui toko online masih didominasi transaksi bisnis fashion. Ada yang menarik dari perilaku konsumen di Indonesia, sebagian besar konsumen yang membelanjakan uang mereka dalam bisnis online mengalami impulse buying (pembelian tak terencana) saat berbelanja. Gambaran faktor-faktor yang memengaruhi transaksi impulsif konsumen menjadi perhatian bagi pengusaha maupun perusahaan toko online. Secara teori impulse buying behavior dipengaruhi oleh shopping lifestyle, fashion involvement, dan faktor situasional. Shopping lifestyle, fashion involvement, faktor situasional dan impulse buying behavior merupakan variabel yang tidak dapat diukur secara langsung (variabel laten) sehingga, analisis statistika yang dapat digunakan adalah model persamaan struktural (MPS). Tujuan penelitian ini adalah memperoleh model persamaan struktural yang dapat menggambarkan hubungan antar variabel laten, dan antar variabel laten dengan variabel indikatornya. Data yang digunakan dalam penelitian ini adalah data primer hasil survei terhadap mahasiswa aktif IPB pada tahun 2016 yang melakukan transaksi belanja produk fashion secara online minimal 3 kali dalam periode April 2015 - Maret 2016. Model pengukuran menunjukkan semua variabel indikator pada impulse buying behavior, yakni spontanitas, kekuatan, kompulsi ,dan intensitas, kegairahan dan stimulasi, serta ketidakpedulian akan akibat, dan variabel indikator lingkungan sosial pada faktor situasional telah mampu mencerminkan variabel laten dan reliabel mengukur variabel latennya. Model persamaan struktural menunjukkan bahwa faktor situasional berpengaruh nyata terhadap impulse buying behavior. Kata kunci: model pengukuran, model persamaan struktural, model struktural, variabel indikator, variabel laten.
ABSTRACT MUTIA HADIDTYANINGRUM. Structural Equation Model of Factors Influencing Impulse Buying Behavior Online Shopping Transactions (Case Studies in Environmental Bogor Agricultural University). Supervised by MOHAMMAD MASJKUR and PIKA SILVIANTI. Online shopping activities has become a necessity and modern lifestyle of Indonesian society. A large part of perpetrators of e-commerce transactions through online stores still dominated the fashion business transactions. There is interest from consumer behavior in Indonesia, most consumers who spend their money in online business experience impulse buying (unplanned purchase) when shopping. Description of the factors that influence impulsive consumer transactions attracted the attention of the employers and the company online store. In theory impulse buying behavior is influenced by shopping lifestyle, fashion involvement, and situational factors. Shopping lifestyle, fashion involvemnent, situational factors and impulse buying behavior is a variable that can not be measured directly (latent variable). Statistical analysis that can be used is a structural equation model (SEM). The purpose of this study was to obtain the structural equation model describing the relationship between latent variables, and between the latent variables with indicator variables. The data used in this study are primary data survey of active students IPB in 2016 conducting transactions online shopping fashion products at least 3 times in the period April 2015 - March 2016. The measurement equation model shows all the indicator variables on impulse buying behavior and variable indicators of social environment on situational factors have been able to reflect the latent variables and reliably measure the latent variables. Structural equation modeling showed that situational factors influence the impulse buying behavior. Keywords: measurement model, structural equation modeling, structural model, indicator variable, latent variable.
MODEL PERSAMAAN STRUKTURAL FAKTOR-FAKTOR YANG MEMENGARUHI IMPULSE BUYING BEHAVIOR TRANSAKSI BELANJA ONLINE (Studi Kasus di Lingkungan Institut Pertanian Bogor)
MUTIA HADIDTYANINGRUM
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
PRAKATA Puji dan syukur kehadirat Allah subhanahu wa ta’ala atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari - Maret 2016 ini ialah Model Persamaan Struktural, dengan judul Model Persamaan Struktural Faktor-Faktor yang Memengaruhi Impulse Buying Behavior Transaksi Belanja Online (Studi Kasus di Lingkungan Institut Pertanian Bogor). Karya ilmiah ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dalam menyelesaikan karya ilmiah ini, antara lain: 1. Bapak Ir Mohammad Masjkur, MS dan Ibu Pika Silvianti, SSi MSi selaku pembimbing yang telah memberikan banyak saran pada penelitian ini. 2. Dosen pengajar Departemen Statistika atas ilmu yang telah diberikan. 3. Bapak Sofyan, Ibu Markonah, dan staf Tata Usaha Departemen Statistika yang ulet dan tak pernah lelah mengurusi administrasi kelengkapan mulai dari kolokium hingga sidang mahasiswa Statistika. 4. Orang tua, dan adik-adik atas doa, kasih sayang, dan dorongan semangat yang begitu besar kepada penulis. 5. Rian, Arin, dan Dara yang selalu memberikan dukungan dan membantu proses belajar selama studi di Statistika. 6. Teman-teman satu perjuangan satu dosen bimbingan yang selalu memberikan inspirasi dan dukungan serta masukan. 7. Teman-teman Statistika 49 atas motivasi dan dukungan selama ini. Semoga karya ilmiah ini dapat bermanfaat bagi semua pihak. Penulis mohon maaf atas segala kekurangan dan kesalahan yang terdapat dalam pembuatan karya ilmiah ini.
Bogor, Juli 2016 Mutia Hadidtyaningrum
DAFTAR ISI DAFTAR TABEL
ix
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
x
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
TINJAUAN PUSTAKA
2
Shopping Lifestyle
2
Fashion Involvement
2
Faktor Situasional
3
Impulse Buying Behavior
3
Model Persamaan Struktural
4
METODE
4
Data
4
Analisis Data
5
HASIL DAN PEMBAHASAN Validitas dan Reliabilitas Kuesioner
9 9
Deskripsi Karateristik Responden
10
Spesifikasi Model
13
Identifikasi Model
13
Pendugaan Parameter Model Persamaan Struktural
14
SIMPULAN DAN SARAN
19
SIMPULAN
19
SARAN
19
DAFTAR PUSTAKA
20
RIWAYAT HIDUP
30
DAFTAR TABEL Tabel 1
Nilai reliabilitas cronbach alpha variabel laten
9
Tabel 2
Uji kecocokan dan ukuran kebaikan model sebelum dan sesudah modifikasi pada tahap pertama. Uji kecocokan dan ukuran kebaikan model sebelum dan sesudah modifikasi pada tahap kedua. Construct Reliability, Variance Extracted dan Reliabilitas model impulse buying behavior setelah modifikasi tahap kedua Koefisien lintas antar variabel laten
Tabel 3 Tabel 4
Tabel 5
15 17
18 18
DAFTAR GAMBAR Gambar 1 Gambar 2 Gambar 3 Gambar 4
Gambar 5 Gambar 6 Gambar 7 Gambar 8 Gambar 9 Gambar 10
Jumlah responden berdasarkan tahun masuk pada fakultas yang berbeda. Sebaran presentase frekuensi belanja item fashion secara online pada jenis kelamin responden Sebaran presentase responden menurut asal responden pada frekuensi pembelanjaan item fashion secara online. Sebaran presentase responden menurut pendapatan dalam satu bulan (juta rupiah) pada frekuensi pembelanjaan item fashion secara online. Toko online yang dipilih responden dalam melakukan transaksi pembelian item fashion. Diagram lintasan model hybrid dengan model Basic Model- Conceptual Diagram. Diagram lintasan model tahap pertama sebelum modifikasi dengan model Basic Model-T-values. Diagram lintasan model tahap pertama setelah modifikasi dengan model Basic Model-T-values. Diagram lintasan model tahap kedua sebelum modifikasi dengan model Basic Model-Standarized Solution. Diagram lintasan model tahap kedua sesudah modifikasi dengan model Basic Model-Standarized Solution.
10 11 11
12 12 13 14 15 16 17
DAFTAR LAMPIRAN Lampiran Lampiran Lampiran Lampiran Lampiran
1 2 3 4 5
Kuesioner penelitian Flowchart prosedur Model Persamaan Struktural Nilai uji validitas setiap pertanyaan dalam kuesioner Daftar nama variabel laten dan variabel indikator Nilai estimasi koefisien lintas setelah modifikasi tahap dua
22 26 27 28 29
PENDAHULUAN Latar Belakang Indonesia merupakan negara yang sangat potensial sebagai lahan tumbuhnya e-commerce. Populasi penduduk Indonesia dengan jumlah 253 juta penduduk, menduduki posisi ke-4 sebagai negara yang memiliki populasi terbesar di dunia. Dalam hal jumlah pengguna internet, Indonesia menduduki posisi ke-6 dengan jumlah pengguna internet sebanyak 83 juta. Menurut data dari survei TechinAsia masyarakat Indonesia telah melakukan transaksi e-commerce melalui toko online mencapai Rp 34,3 triliun pada tahun 2014. Sebagian besar pelaku transaksi e-commerce melalui toko online masih didominasi transaksi bisnis fashion. Menariknya, market Indonesia sekarang didominasi kalangan youth, yaitu mereka yang umurnya dibawah 35 tahun. Perusahaan teknologi pembayaran global, VISA mengeluarkan hasil riset yang menunjukan sebanyak 70% responden Indonesia melakukan transaksi ecommerce setidaknya satu kali dalam sebulan. Transaksi online telah menjadi kebutuhan dan gaya hidup modern di Indonesia. Minat masyarakat Indonesia untuk berbelanja online meningkat dari 55,8% pada 2013 menjadi 70,6% tahun berikutnya. Dinamika transaksi e-commerce memicu pola belanja masyarakat, sebagian besar konsumen yang membelanjakan uang mereka dalam bisnis online melakukan pembelian langsung tanpa niat belanja sebelumnya. Perusahaan riset di Indonesia, The Nielsen Company, pada tahun 2011 menilai tren belanja masyarakat Indonesia berkembang semakin impulsif setiap tahunnya. Konsumen cenderung membeli barang tanpa perencanaan atau melakukan impulse buying. Meningkatnya konsumen yang melakukan pembelian impulsif dari 10% (2002) menjadi 39% (2010). Hal ini menunjukkan bahwa pembeli Indonesia tumbuh menjadi lebih impulsif setiap tahun dan tidak dikecualikan Kota Bogor, khususnya pada mahasiswa Institut Pertanian Bogor. Rook dan Fisher (1995) dalam Chen (2008) menyatakan bahwa pembelian secara impulsif akan lebih tinggi saat melakukan pembelanjaan online dibandingkan dengan toko belanja. Ini berarti menunjukan bahwa, lingkungan Institut Pertanian Bogor memiliki kemungkinan untuk melakukan pembelian impulsif ketika melakukan belanja online. Ketika konsumen youth melakukan pembelian secara spontan, terburu-buru, dipengaruhi keadaan emosi serta ketidakpedulian akan akibat pembelian, pembelian tersebut yang menyebabkan terjadinya impulse buying. Teknik pengukuran impulse buying behavior sendiri sampai saat ini masih merupakan hal yang belum baku. Impulse buying behavior pada penelitian sebelumnya, Japarinto dan Sugiharto (2011) dipengaruhi oleh shoping lifestyle, dan fashion involvement, sementara menurut Longdong dan Pangemanan (2015) atmosfer isyarat virtual, promosi penjualan dan faktor situasional berpengaruh signifikan pada impulse buying behavior belanja online. Faktor- faktor pada penelitian yakni shoping lifestyle, fashion involvement, faktor situasional, dan impulse buying behavior merupakan variabel yang tidak dapat diamati secara langsung (variabel laten). Model Persamaan Struktural (MPS) merupakan suatu
2 model gabungan dari analisis faktor, analisis jalur, dan regresi berganda yang dapat digunakan untuk menguji serangkaian hubungan dependen variabel laten yang terdiri dari beberapa struktur secara serentak (Kline 2011).
Tujuan Penelitian Tujuan dari penelitian ini adalah memperoleh model persamaan struktural yang dapat menggambarkan hubungan antara variabel shopping lifestyle, fashion involvement, faktor situasional, dan impulse buying behavior dalam berbelanja item fashion secara online.
TINJAUAN PUSTAKA Shopping Lifestyle Memahami kepribadian tidaklah lengkap jika tidak memahami konsep gaya hidup. Gaya hidup adalah konsep yang lebih baru dan lebih mudah terukur dibandingkan kepribadian. Shopping lifestyle didefinisikan secara sederhana sebagai bagaimana konsumen hidup. Menurut Sumarwan (2011), gaya hidup didefinisikan sebagai pola dimana orang hidup dan menggunakan uang dan waktunya, gaya hidup lebih menggambarkan perilaku seseorang, yaitu bagaimana ia hidup, menggunakan uangnya dan memanfaatkan waktu yang dimilikinya. Gaya hidup seringkali digambarkan dengan kegiatan, minat, dan opini dari seseorang (activities, interest, and opinions). Cobb dan Hoyer (1986) dalam Japarinto dan Sugiharto (2011) mengemukakan bahwa untuk mengetahui hubungan shopping lifestyle terhadap impulse buying behavior adalah dengan menggunakan indikator : menanggapi untuk membeli setiap tawaran iklan mengenai produk fashion, membeli pakaian model terbaru ketika melihatnya, berbelanja merk yang paling terkenal, meyakini bahwa merk (produk kategori) terkenal yang di beli terbaik dalam hal kualitas, sering membeli berbagai merk (produk kategori) daripada merk yang biasa di beli, dan meyakini ada dari merk lain (kategori produk) yang sama seperti yang di beli.
Fashion Involvement Japarianto dan Sugiharto (2011) mendefinisikan fashion involvement sebagai keterlibatan seseorang dengan suatu produk pakaian karena kebutuhan, kepentingan, ketertarikan dan nilai terhadap produk tersebut. Dalam membuat keputusan pembelian pada fashion involvement ditentukan oleh beberapa faktor yaitu karakteristik konsumen, pengetahuan tentang fashion, dan perilaku pembelian. Kim (2005) dalam Japarinto dan Sugiharto (2011) mengemukakan bahwa untuk mengetahui hubungan fashion involvement terhadap impulse buying behavior adalah dengan menggunakan indikator: mempunyai satu atau lebih pakaian dengan model yang terbaru (tren), fashion adalah satu hal penting yang
3 mendukung aktivitas, lebih suka apabila model pakaian yang digunakan berbeda dengan yang lain, pakaian menunjukkan karakteristik, mudah mengetahui karateristik seseorang dengan pakaian yang digunakan, ketika memakai pakaian favorit membuat orang lain tertarik melihatnya, mencoba produk fashion terlebih dahulu sebelum membelinya, dan mengetahui adanya fashion terbaru dibandingkan dengan orang lain.
Faktor Situasional Peter dan Olson (2010) dalam Sumarwan (2011) mengemukakan bahwa lebih mudah untuk melihat pengaruh lingkungan dalam konteks situasi tertentu. Arti situasi didefinisikan oleh seorang konsumen yang berperilaku di sebuah lingkungan untuk mencapai tujuan tertentu. Engel, Blackwell dan Miniard (1995) dalam Solomon et al. (2006) mengemukakan lima karateristik dari situasi konsumen, yakni lingkungan fisik, lingkungan sosial yang menunjukan kehadiran dan ketidakhadiran orang lain pada situasi tersebut, karateristik waktu atau saat perilaku muncul, tujuan, dan suasana hati atau kondisi jiwa sesaat yang dibawa pada suatu situasi. Menurut Beatty dan Farrel dalam Longdong dan Pangemanan (2015) faktor situasional yang memengaruhi impulse buying termasuk waktu yang sebenarnya atau dirasakan tersedia dan daya beli (Beatty dan Ferrell 1998 dikutip oleh Muruganantham dan Bhakat 2013 dalam Longdong dan Pangemanan 2015) dan dalam proses pembelian impulsif, ketersediaan uang memiliki peran penting, misalnya dapat menjadi peran fasilitator (Beatty dan Elizabeth Ferrell 1998 dikutip oleh Foroughi, Buang, dan Sadeghi 2012 dalam Longdong dan Pangemanan 2015), karena individu yang memiliki ketersediaan uang akan memengaruhi atau meningkatkan emosi positif dan perilaku pembelian impulsif (Foroughi, Buang, dan Sadeghi 2012 dalam Longdong dan Pangemanan 2015). Hasil dari penelitian diatas menjadi acuan dalam penelitian ini untuk menentukan variabel yang diduga berpengaruh terhadap impulse buying behavior yakni variabel lingkungan fisik, lingkungan sosial, waktu dan ketersedian uang.
Impulse Buying Behavior Impulse buying merupakan suatu kondisi yang terjadi ketika individu membuat keputusan pembelian yang unintended, unreflective and immediate (Rook dan Fisher 1995) dalam (Hulten dan Vanyushyn 2011). Konsumen tiba-tiba melakukan pembelian langsung tanpa niat belanja sebelumnya untuk membeli produk tertentu. Terjadi dorongan untuk membeli dan cenderung spontan dan tanpa banyak refleksi. Pemahaman tentang konsep pembelian impulsif (impulse buying) dan pembelian tidak direncanakan (unplanned buying) oleh beberapa peneliti tidak dibedakan. Engel (1995) dalam Japarinto dan Sugiharto (2011) mengemukakan, pembelian berdasar impulse mungkin memiliki satu atau lebih karateristik : (i) spontanitas, (ii) kekuatan, kompulsi, dan intensitas, (iii) kegairahan dan stimulasi, (iv) ketidakpedulian akan akibat.
4 Model Persamaan Struktural Model Persamaan Struktural (MPS), merupakan suatu teknik modeling statistika yang paling umum, dan telah digunakan secara luas dalam ilmu perilaku (behavior science). Model persamaan struktural adalah suatu model berupa gabungan dari analisis faktor dan regresi berganda yang dapat digunakan untuk menguji serangkaian hubungan dependen yang terdiri dari beberapa struktur secara serentak (Hair et al. 2010). Terdapat 2 jenis variabel dalam MPS yakni variabel laten dan variabel indikator. Variabel laten adalah suatu variabel yang tidak dapat diukur secara langsung tetapi dapat diukur oleh satu atau lebih variabel indikator (Hair et al. 2010). Terdapat dua jenis variabel laten, yaitu variabel laten eksogen dan variabel laten endogen. Variabel laten eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada pada MPS, dinotasikan dengan huruf Yunani “ksi” sedangkan variabel laten endogen adalah variabel terikat pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan sisanya variabel tersebut merupakan variabel bebas, dinotasikan dengan huruf Yunani “eta” (Wijanto 2008). Variabel indikator adalah variabel penyusun dari suatu variabel laten dan merupakan variabel yang digunakan untuk mengukur variabel laten. Dari variabel-variabel indikator penyusun inilah dapat diperoleh informasi mengenai suatu variabel laten (Hair et al. 2010).
METODE Data Sumber data yang digunakan dalam penelitian ini berupa data primer yang diperoleh melalui survei dengan bantuan kuesioner. Pernyataan-pernyataan yang dibuat dalam kuesioner diadaptasi berdasarkan kuesioner penelitian Japarinto dan Sugiharto (2011), serta pengembangan teori dari studi literatur yang terlampir pada Lampiran 1. Pertanyaan yang terdapat dalam kuesioner yaitu demografi / profil responden, dan 21 pertanyaan indikator untuk mengetahui faktor-faktor apa saja yang memengaruhi impulse buying behavior. Teknik pengambilan contoh yang digunakan dalam penelitian ini adalah metode penarikan contoh tak berpeluang, yang terdiri dari metode penarikan contoh snowball dan purposive. Responden terpilih dalam penelitian ini adalah mahasiswa aktif IPB pada tahun 2016 yang melakukan transaksi belanja produk fashion secara online minimal 3 kali dalam periode April 2015 - Maret 2016. Namun, karena penelitian ini menggunakan analisis MPS dengan ukuran sampel minimum berjumlah 100 dan selanjutnya menggunakan perbandingan 5-10 kali jumlah variabel indikator (Mattjik dan Sumertajaya 2011) pada penelitian kali ini digunakan 231 sampel. Pada penelitian ini, faktor-faktor perilaku shopping lifestyle, fashion involvement, dan faktor situasional terhadap impulse buying behavior dalam transaksi online, diukur dengan memodifikasi skala pengukuran berdasarkan model semantic differential scale, menggunakan 5 poin tingkatan perasaan, dari sangat tidak setuju sampai dengan sangat setuju (Hoolbrook dan Batra 1987) dalam Semuel (2005).
5 Analisis Data . 1. Pengujian validitas dan reliabilitas kuesioner. Kuesioner dianggap valid jika nilai koefisien korelasi product moment lebih besar dari r-tabel (;n-2) (Azwar 2012). Koefisien korelasi product moment yaitu:
dengan n adalah jumlah responden, X adalah skor indikator responden ke-i (i = 1, 2, ... , n) , dan Y adalah skor total dari indikator responden ke-i (i = 1, 2, ... , n). Kuesioner dianggap reliabel jika nilai koefisien reliabilitas lebih dari 0.6 (Malhotra dan Birks 2005). Pengujian reliabilitas menggunakan cronbach alpha yaitu: dengan adalah koefisien reliabilitas instrumen, k adalah jumlah indikator pertanyaan , adalah ragam skor indikator pertanyaan ke-i (i = 1, 2, … , k) , dan adalah ragam skor total 2. Melakukan eksplorasi data untuk mengetahui gambaran umum data dan karateristik responden. 3. Data kemudian dianalisis dengan menggunakan Metode Persamaan Struktural (MPS), flowchart prosedur MPS dijelaskan pada Lampiran 2 : a. Konseptualisasi model persamaan struktural berdasarkan teori yaitu berkaitan dengan pembentukan model awal sebelum dilakukan pendugaan parameter. b. Membuat diagram jalur yang bertujuan untuk melihat alur hubungan antara variabel indikator dengan variabel latennya, dan hubungan antara variabel laten secara visual. c. Melakukan konstruksi diagram jalur ke model struktural dan model pengukuran. Model pengukuran bertujuan untuk melihat pola hubungan antara variabel laten dengan variabel indikator yang terobservasi, sedangkan model struktural bertujuan untuk melihat pola hubungan antara variabel latennya. Secara umum persamaan model struktural dinyatakan sebagai (Denis 2015): dengan adalah vektor variabel laten endogen berukuran mx1, adalah matriks koefisien variabel laten endogen terhadap endogen berukuran mxm, adalah matriks koefisien variabel laten eksogen terhadap endogen berukuran mxn, adalah vektor variabel laten eksogen berukuran nx1, adalah vektor sisaan acak hubungan antara variabel laten endogen dan eksogen/endogen berukuran mx1, m adalah jumlah variabel laten endogen, dan n adalah jumlah variabel laten eksogen. Persamaan model pengukuran secara umum dinyatakan sebagai berikut (Denis 2015):
6
d.
e.
f.
g.
h.
dengan y adalah vektor variabel indikator bagi variabel laten endogen berukuran px1, x adalah vektor variabel indikator bagi variabel laten eksogen berukuran qx1, Λy adalah matriks koefisien y terhadap variabel laten endogen berukuran pxm, Λx adalah matriks koefisien x terhadap variabel laten eksogen berukuran qxn, ε adalah vektor sisaan pengukuran dari y berukuran px1, δ adalah vektor sisaan pengukuran dari x berukuran qx1, p adalah jumlah variabel indikator bagi variabel laten endogen, dan q adalah jumlah variabel indikator bagi variabel laten eksogen. Melakukan identifikasi model dengan menggunakan t-rule, parameter yang diduga akan mempunyai solusi jika jumlah parameter yang diduga harus lebih kecil dari unit matriks masukan atau disebut over-identified (Hair et al. 2010). Persamaan t-rule dirumuskan sebagai berikut:
dengan t adalah jumlah parameter yang diduga, p adalah jumlah variabel indikator variabel laten endogen, dan q adalah jumlah variabel indikator variabel laten eksogen. Menentukan matriks input yang akan digunakan dalam menduga parameter. Matriks input yang digunakan dalam penelitian ini adalah matriks korelasi, karena jumlah butir pernyataan setiap variabel indikator berbeda. Hal ini mengakibatkan skala setiap variabel indikator berbeda. Melakukan pendugaan parameter secara keseluruhan. Metode pendugaan yang digunakan ialah metode kuadrat terkecil tak terboboti atau Unweighted Least Square (ULS). Fungsi pengepasan metode ULS dinyatakan oleh:
dengan adalah matriks korelasi sampel, adalah matriks korelasi dari model yang dispesifikasi, dengan adalah vektor yang berisi parameter-parameter model tersebut. Metode ini dapat dianalogikan sebagai metode kuadrat terkecil biasa (OLS) seperti dalam analisis regresi. Metode ini meminimumkan jumlah kuadrat masing-masing unsur dalam matriks sisaan (Bollen 1989). Keuntungan menggunakan ULS ialah tidak diperlukannya asumsi sebaran dari variabel indikator. Selanjutnya proses pendugaan menggunakan LISREL 8.80. Mengevaluasi tingkat kecocokan data dengan model menggunakan metode two step approach, pendekatan dengan mengunakan dua tahap analisis. Tahap pertama yaitu melakukan CFA (Confirmatory Factor Analysis) terhadap model pengukuran terlebih dahulu hingga memiliki model yang didapatkan fit, jika tidak dilakukan modifikasi terhadap model pengukuran. Tahap kedua setelah model pengukuran fit adalah analisis terhadap model struktural dengan analisis lintas (Hair et al. 2010). Analisis model pengukuran dievaluasi terhadap validitas dan reliabilitas model pengukuran. Analisis awal pengujian validitas model pengukuran terhadap hasil estimasi difokuskan pada pemeriksaan offending estimates (nilai-nilai estimasi yang melebihi batas yang dapat diterima), terutama adanya error variances yang negatif (Heywood cases), cara untuk memperbaikinya adalah dengan menetapkan error variances tersebut ke
7
4.
a.
b.
nilai positif yang sangat kecil misalnya 0.005 atau 0.01, serta mendapatkan nilai-t dari muatan faktor hasil estimasi yang lebih dari 1.96 (Hair et al. 2010), serta mendapatkan muatan faktor standar variabel indikator yang lebih besar sama dengan 0.30 (Igbaria et al. 1997). Model pengukuran yang telah valid kemudian di evaluasi melalui pemeriksaan keseluruhan kecocokan model. Mengevaluasi ukuran kecocokan keseluruhan model melalui nilai evaluasi ukuran kecocokan absolut, ukuran kecocokan komparatif terhadap model dasar, dan ukuran kecocokan parsimoni model. Ukuran-ukuran yang digunakan untuk mengevaluasi: Khi-kuadrat, Goodness of Fit Index, Root Mean Square Error of Approximation, Comparative Fit Index, Adjusted Goodness of Fit Index, dan Akaike Information Criterion. Khi-kuadrat (χ2) Pengujian χ2 diklasifikasikan sebagai ukuran kecocokan keseluruhan model absolut, untuk mengetahui seberapa dekat kecocokan antara matriks korelasi dari data (S) dengan matriks korelasi model Σ(θ). Hipotesisnya: Uji statistik yang digunakan yaitu: χ2 =(n-1)F( , )) dengan n adalah ukuran contoh. Hipotesis H0 akan di terima jika nilai-p > 0.05 yang menunjukkan bahwa adanya kecocokan antara matriks korelasi dari data dengan matriks korelasi model (Hair et al. 2010). Goodness of Fit Index (GFI) GFI dapat diklasifikasikan sebagai ukuran kecocokan keseluruhan model absolut, karena pada dasarnya GFI menentukan derajat prediksi model keseluruhan (model struktural dan pengukuran) terhadap matrik korelasi dan kovarian (Wijanto 2008).
dengan adalah nilai minimum dari F untuk model yang dihipotesiskan, dan adalah nilai minimum dari F, ketika tidak ada model yang dihipotesiskan sama sekali ( ). Nilai GFI berkisar antara 0 sampai 1. Nilai GFI 0.90 menunjukan goodfit, 0.80 GFI 0.90 menunjukan marginal fit, sedangkan GFI < 0.80 disebut sebagai worst fit (Loehlin 2004). c. Root Mean Square Error of Approximation (RMSEA) RMSEA merupakan jenis uji yang dikembangkan untuk memperbaiki karakteristik dari uji khi-kuadrat yang cenderung menolak model jika ukuran contohnya relatif besar (Hair et al. 2010). RMSEA juga diklasifikasikan sebagai ukuran kecocokan absolut dan dinyatakan sebagai berikut (Kline 2011):
dengan adalah nilai khi kuadrat model, N adalah ukuran contoh, dan db adalah derajat bebas model. Jika nilai RMSEA 0.08 adalah good fit, RMSEA <0.05 adalah marginal fit, dan RMSEA > 0.08 adalah worst fit (Wijanto 2008).
8 d.
Comparative Fit Index (CFI) CFI merupakan ukuran kecocokan komparatif dengan membandingkan model yang diusulkan terhadap model dasar atau null model yang merupakan model dengan semua variabel di dalam model bebas satu sama lain (atau semua korelasi di antara variabel adalah nol) (Wijanto 2008). CFI dinyatakan sebagai berikut (Kline 2011):
dengan adalah nilai khi kuadrat dari model yang dihipotesiskan, adalah nilai khi kuadrat dari model dasar, adalah derajat bebas dari model yang dihipotesiskan, dan adalah derajat bebas dari model dasar. Nilai CFI berkisar antara 0 sampai 1. Nilai CFI 0.90 menunjukkan good fit, 0.80 CFI 0.90 menunjukan marginal fit, sedangkan CFI < 0.90 disebut sebagai worst fit (Wijanto 2008). e. Adjusted Goodness of Fit Index (AGFI) AGFI merupakan perluasan dari GFI yang disesuaikan dengan rasio antara derajat bebas dari model dasar dengan derajat bebas dari model yang dihipotesiskan (Wijanto 2008). AGFI diklasifikasikan pada ukuran kecocokan komparatif dan dapat dinyatakan sebagai berikut (Kline 2011):
dengan adalah derajat bebas dari tidak ada model, dan adalah derajat bebas dari model yang dihipotesiskan. Nilai AGFI berkisar antara 0 sampai 1. Nilai AGFI 0.90 menunjukan goodfit, 0.80 AGFI 0.90 menunjukan marginal fit, sedangkan AGFI < 0.90 disebut sebagai worst fit (Loehlin 2004). f. Akaike Information Criterion (AIC) AIC merupakan ukuran kecocokan parsimoni, yang mengaitkan Goodness of Fit (derajat kecocokan) model dengan jumlah parameter yang diestimasi, yakni yang diperlukan untuk mencapai kecocokan pada tingkat tertentu. AIC = AIC digunakan untuk perbandingan model. Dengan asumsi jarak anatara saturated AIC (S) ke independence AIC (I) adalah 100. Jarak antara model AIC (M) dengan saturated AIC (S) yang menunjukan nilai positif kecil menunjukan kecocokan keseluruhan model yang baik (Wijanto 2008). 5. Mengevaluasi reliabilitas model pengukuran melalui nilai construct reliability (CR) dan variance extracted (VE) dari nilai-nilai muatan faktor standar dan error variances melalui rumus: CRj =
VEj = dengan CRj dan VEj adalah reliabilitas model pengukuran variabel laten kej, c adalah jumlah variabel indikator yang mengukur variabel laten ke-j, adalah muatan faktor standar variabel indikator ke-i variabel laten ke-j, serta
9
6.
7.
adalah ragam galat pengukuran indikator ke-i, serta adalah jumlah variabel indikator pada variabel laten-j. Construct Reliability (CR) menggambarkan kemampuan variabel-variabel indikator secara bersama-sama dapat mengukur variabel laten. Semakin besar CRj maka semakin besar pula representatif variabel indikator terhadap variabel laten. Nilai reliabilitas konstruk yang disarankan adalah lebih besar sama dengan 0.70. Sementara itu, Variance Extracted (VE) menggambarkan kemampuan setiap variabel indikator dalam mengukur variabel laten. Semakin besar variance extracted maka semakin besar pula representatif setiap variabel indikator terhadap variabel laten. Variance extracted yang disarankan adalah lebih besar sama dengan 0.50 (Hair et al. 2010). Evaluasi terhadap model struktural mencakup pemeriksaan terhadap signifikansi koefisien-koefisien yang diestimasi. Spesifikasi tingkat signifikan dengan taraf nyata 5%. Interpretasi model terhadap validitas dan reliabilitas variabel indikator, muatan faktor standar, serta koefisien lintas.
HASIL DAN PEMBAHASAN Validitas dan Reliabilitas Kuesioner Pengujian validitas dan reliabilitas terhadap kuesioner telah dilakukan terhadap 30 responden melalui survei pendahuluan. Pengujian validitas dilakukan untuk mengetahui ketepatan dan kecermatan kuesioner dalam melakukan fungsinya sebagai alat ukur. Uji validitas dilakukan dengan melihat korelasi antara nilai masing-masing pernyataan dengan jumlah dari nilai-nilai pernyataan yang ingin diukur pada setiap variabel laten. Berdasarkan Lampiran 3 semua pernyataan dalam kuesioner valid pada taraf nyata 5% yang ditunjukan dengan nilai r-hitung lebih besar dari 0.361. Tabel 1 Variabel laten Shopping Lifestyle Fashion Invovement Faktor Situasional Impulse Buying Behavior
Nilai reliabilitas cronbach alpha variabel laten Nilai cronbach alpha Keterangan 0.726 Reliabel 0.775 Reliabel 0.713 Reliabel 0.807
Reliabel
Pengujian reliabilitas digunakan untuk mengetahui konsistensi dan keterandalan kuesioner agar dapat digunakan lebih lanjut. Tabel 1 menunjukan bahwa semua variabel laten reliabel karena memiliki nilai reliabilitas cronbach alpha lebih besar dari 0.6 sehingga dapat disimpulkan semua pernyataan yang mengukur variabel laten dalam kuesioner adalah reliabel. Hal ini menunujukan bahwa kuesioner yang digunakan dalam penelitian ini merupakan kuesioner yang reliabel.
10 Deskripsi Karateristik Responden
Responden (orang)
Responden yang terpilih merupakan mahasiswa aktif IPB pada tahun 2016 yang dalam satu tahun terakhir pada periode April 2015 hingga Maret 2016 melakukan minimal 3 kali transaksi pembelanjaan item fashion secara online. Total keseluruhan jumlah responden berjumlah 231 orang, responden terpilih terdiri dari 21.21% berjenis kelamin pria atau sejumlah 49 orang responden, dan 78.79% berjenis kelamin wanita dengan jumlah 182 orang responden. Responden pada penelitian memiliki umur berkisar antara 15-23 tahun dengan jumlah responden terbanyak pada umur 21 tahun sebanyak 94 orang responden dan jumlah responden paling sedikit pada umur 15 dan 23 tahun masing-masing berjumlah 1 orang responden. Asal responden terpilih terbagi menjadi 3, Jabodetabek sebanyak 109 orang responden, Jawa luar Jabodetabek sebanyak 72 orang responden, dan sisanya luar Jawa sebanyak 50 orang responden.
40 35 30 25 20 15 10 5 0
Tahun Masuk
2011 2012 2013 2014 2015
Fakultas
Gambar 1
Jumlah responden berdasarkan fakultas pada tahun masuk yang berbeda.
Gambar 1 menunjukan dari keseluruhan jumlah responden, sebagian besar responden berasal dari FMIPA dengan jumlah 81 orang responden. Responden paling banyak adalah mahasiswa dengan tahun masuk 2012 dan berasal dari FMIPA dengan jumlah 35 orang responden. Sedangkan jumlah responden paling sedikit yakni mahasiswa dengan tahun masuk 2011 dan masing-masing berjumlah 1 orang responden berasal dari FEM dan FEMA.
11
Presentase (%)
120,00
100,00
100,00
85,00
74,64
80,00
80,77 Jenis Kelamin
60,00 40,00
Pria 25,36
19,23
15,00
20,00
Wanita
0,00 3-5
6-10
11-20
>20
Frekuensi Belanja
Gambar 2
Sebaran presentase frekuensi belanja item fashion secara online pada jenis kelamin responden.
Presentase (%)
Intensitas frekuensi belanja online mahasiswa IPB pada periode April 2015 hingga Maret 2016 terbagi menjadi 4 rentang kategori yakni 3-5, 6-10, 1120, dan lebih dari 20 kali. Selama 1 tahun, sebagian besar responden melakukan transaksi belanja online pada rentang 3 hingga 5 kali sebesar 59.74% responden (138 orang), 6 hingga 10 sebesar 25.97% responden ( 60 orang), 11 hingga 20 sebesar 11.26% ( 26 orang), dan sisanya 3.03% responden (7 orang) melakukan transaksi belanja lebih dari 20 kali. Perilaku berbelanja responden pria dan wanita sesuai dengan teori temuan Zhang et al. (2007) dalam Astari dan Widagda K (2014) yang menunjukan bahwa secara kolektif, perbedaan gender memiliki hubungan terhadap niat untuk melakukan pembelian online, impulsifitas pada konsumen dan frekuensi pembelian selama berada dalam bursa jual-beli online. Seperti ditunjukan pada Gambar 2 wanita memiliki frekuensi berbelanja lebih tinggi dibandingkan pria dan mempunyai rentang kategori yang lebih beragam dibandingkan pria. 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00
51,67 43,48 34,78 21,74
57,69 42,86
28,33 20,00
42,86
Jabodetabek
26,92 15,38
Asal Responden
14,29
Jawa Luar Jabodetabek Luar Jawa
3-5
6-10
11-20
>20
Frekuensi Belanja
Gambar 3
Sebaran presentase responden menurut asal responden pada frekuensi pembelanjaan item fashion secara online.
Ketiga asal responden memiliki variasi rentang kategori frekuensi berbelanja yang sama, dengan jumlah responden pada tiap frekuensi yang berbeda.
12
Presentase (%)
Jumlah responden terbanyak untuk setiap rentang frekuensi pembelanjaan berasal dari Jabodetabek, seperti ditunjukkan pada Gambar 3. Walaupun untuk frekuensi pembelanjaan lebih dari 20 kali, jumlah respoden Jabodetabek sama dengan jumlah respoden yang berasal dari Jawa luar Jabodetabek masing-masing sebesar 3 orang responden.
70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00
60,00
57,69
49,28 45,65
Pendapatan satu bulan
42,86 42,86 (juta rupiah) 0.5 - 1
35,00 23,08 4,35 0,72 3-5
19,23
1.1 - 2 14,29
5,00 6-10
2.1 - 5 >5
11-20
>20
Frekuensi Belanja
Gambar 4
Sebaran presentase responden menurut pendapatan dalam satu bulan ( juta rupiah) pada frekuensi pembelanjaan item fashion secara online.
Pendapatan per bulan responden berasal dari kiriman orang tua, beasiswa, maupun hasil bekerja, sebagian besar yaitu sebesar 51.95% respoden (120 orang) berada pada rentang antara Rp 1100000,00 hingga Rp 2000000,00. Pada rentang pendapatan tersebut, sebagian responden sebanyak 29.44% respoden (68 orang) memiliki frekuensi belanja online 3 hingga 5 kali. Bahkan, 3.03% respoonden (7 orang) dari 7.79% respoden (18 orang) dengan pendapatan per bulan lebih dari Rp 2000000,00 memiliki frekuensi pengalaman berbelanja online dalam rentang tersebut, hasilnya disajikan pada Gambar 4.
Gambar 5
Toko online yang dipilih responden dalam melakukan transaksi pembelian item fashion.
Sebagian besar responden memilih Lazada Indonesia (LAZ ID), sebagai toko online yang sering mereka pilih saat melakukan pembelanjaan item fashion pada periode satu tahun, April 2015-Maret 2016 seperti yang ditunjukan pada
13 Gambar 5, dengan jumlah 53 orang responden. Lazada Indonesia mengungguli Zalora dengan jumlah 37 orang responden, dan Tokopedia 32 orang responden. Hal ini dikarenakan Lazada Indonesia merupakan situs e-commerce dengan model bisnis perpaduan antara B2C (Business to Consumer) dan marketplace, yang perpaduan keduanya merupakan tren dunia digital di Indonesia pada saat ini. Sedangkan, model bisnis yang diusung Zalora B2C dan model bisnis Tokopedia yakni berupa marketplace. Keterangan AP merupakan Adorable Project dan keterangan lainnya merupakan penjumlahan total responden dengan jumlah responden kurang dari 5, yakni hargabaju.com, Rakuten Belanja Online, 8wood, Hijabenka, Cotton Ink, iwearup, Elevania, Kaskus, Line Shopping, dan OLX Indonesia.
Spesifikasi Model Berdasarkan teori yang telah dikemukakan, dikembangkan model persamaan full SEM atau model hybrid, yang terdiri dari model pengukuran dan model struktural sebagai berikut :
Gambar 6
Diagram lintasan model hybrid dengan model Basic ModelConceptual Diagram.
Gambar 6 menunjukan diagram lintasan model pengukuran dan model struktural, Shopping Lifestyle pada model struktural dinotasikan sebagai SL, Fashion Involvement dinotasikan sebagai FI, Faktor Situasional dinotasikan sebagai FS, dan Impulse Buying Behavior dinotasikan sebagai IB. Variabel dengan simbol kotak adalah variabel indikator, sedangkan simbol bulat merupakan variabel laten, notasi X1 hingga Y4 dijelaskan pada Lampiran 4.
Identifikasi Model Identifikasi model berkaitan dengan adanya solusi dari parameter yang akan diduga. Identifikasi model dilakukan dengan menggunakan t-rule. Variabel indikator dalam model berjumlah 21, maka jumlah data yang diketahui sebesar (21 x (21+1))/2= 231, dan jumlah parameter yang diestimasi sebesar 48. Sehingga derajat bebas yang dihasilkan 231-48=183>0 atau positif, dan ini berarti bahwa model yang dispesifikasikan adalah over-identifed.
14 Pendugaan Parameter Model Persamaan Struktural Analisis awal two step approah terhadap hasil estimasi difokuskan kepada model pengukuran yang menggambarkan hubungan antara sebuah variabel laten dengan variabel indikator melalui evaluasi terhadap validitas dan reliabilitas model pengukuran. Tahapan pertama validitas model pengukuran dievaluasi berdasarakan nilai-t dari muatan faktor hasil estimasi > 1.96. Jika ada nilai-t dari estimasi muatan faktor < 1.96, menunjukan muatan faktor tersebut tidak signifikan. Gambar 7 menunujukan CFA terhadap model pengukuran sebelum modifikasi memberikan kesimpulan bahwa terdapat dua nilai-t dari muatan faktor hasil estimasi yang lebih kecil dari 1.96, variabel tersebut merupakan variabel yang tidak signifikan yakni variabel X5 (mencoba berbagai merek) dan variabel X6 (kesamaan kualitas), sehingga perlu dilakukan respesifikasi untuk memperbaiki validitas model pengukuran.
Gambar 7
Diagram lintasan model tahap pertama sebelum modifikasi dengan model Basic Model-T-values.
Respesifikasi model dilakukan dengan memanfaatkan informasi modification indices yang tersedia pada Lisrel. Respesifikasi pada modification indices mengandung saran untuk memperbaiki pengujian kecocokan model pengukuran dengan penurunan nilai khi-kuadrat, karena nilai khi-kuadrat yang rendah akan menunujukan kecocokan model yang baik. Terdapat dua kelompok saran yang diberikan modification indices: penambahan lintasan atau path hubungan kausal dari variabel laten ke variabel indikator, dan atau menambahkan korelasi kovarian kesalahan pengukuran antara sebuah variabel indikator dengan variabel indikator lain. Respesifikasi pada tahap ini dilakukan dengan mengkorelasikan kovarian kesalahan pengukuran diantara dua variabel indikator : X3 dan X4 yang akan menurunkan khi-kuadrat dari model sebesar 34.3, X3 dan X5 yang akan menurukan nilai khi-kuadrat model sebesar 9.6, X5 dan X16 yang akan menurunkan nilai khi-kuadrat model sebesar 15.5, X16 dan X17 yang akan menurunkan nilai khi-kuadrat model sebesar 15.1, serta Y1 dan Y3 yang akan menurunkan nilai khi-kuadrat model sebesar 15.0, serta melakukan penghapusan terhadap variabel yang memiliki yang memiliki nilai-t < 1.96, dan merupakan nilai-t terendah dari keseluruhan nilai muatan faktor hasil estimasi, penghapusan
15 dilakukan terhadap variabel indikator X6 (kesamaan kualitas). Penambahan lintasan atau path hubungan kausal dari variabel laten ke variabel indikator tidak dilakukan, walaupun saran tersebut memiliki penurunan nilai khi-kuadrat yang sangat besar, hal ini dilakukan karena mempertimbangkan substansi dari teori pembentukan model tersebut. Seperti yang ditunjukan pada Gambar 8, setelah dilakukan respesifikasi, semua nilai-t dari muatan variabel hasil estimasi > 1.96. Sehingga, dapat disimpulkan estimasi muatan variabel dari variabel-variabel yang ada dalam model adalah signifikan atau tidak sama dengan nol. Uji kecocokan data dan ukuran kebaikan model sebelum dan sesudah modifikasi tahap pertama disajikan pada Tabel 2.
Gambar 8
Diagram lintasan model tahap pertama setelah modifikasi dengan model Basic Model-T-values.
Tabel 2 menunjukan bahwa sebelum dan sesudah modifikasi pada tahap pertama nilai khi-kuadrat menunjukan kecocokan dan kebaikan model yang kurang baik, hal ini karena nilai khi-kuadrat sangat sensitif dengan ukuran contoh, semakin besar ukuran contoh maka nilai khi-kuadrat-nya semakin tinggi dan berpengaruh kepada penolakan model. RMSEA yang dikembangkan untuk memperbaiki karateristik khi-kuadrat yang cenderung menolak model jika ukuran contoh relatif besar, menunjukan kriteria kecocokan dan kebaikan model yang good fit setelah dilakukan modifikasi. Hal ini menandakan matriks korelasi dari model sama dengan matriks korelasi dari data, artinya model yang dibuat sesuai terhadap data. Tabel 2
Uji kecocokan dan ukuran kebaikan model sebelum dan sesudah modifikasi pada tahap pertama. Kriteria kesesuaian Hasil uji sebelum Hasil uji sesudah model modifikasi modifikasi Khi-kuadrat
GFI
529.310 P=0.000 ( worst fit) 0.930 (good fit)
372.380
P=0.000 ( worst fit) 0.950 (good fit)
16 Tabel 3
Uji kecocokan dan ukuran kebaikan model sebelum dan sesudah modifikasi pada tahap pertama. Kriteria kesesuaian Hasil uji sebelum Hasil uji sesudah model modifikasi modifikasi RMSEA
0.091 ( worst fit) 1.000 (good fit)
0.076 ( good fit) 1.000 (good fit)
AGFI
0.920 (good fit)
0.930 (good fit)
AIC
0.079 (good fit)
0.029 (good fit)
CFI
Evaluasi terhadap validitas model pengukuran selanjutnya didasarkan pada muatan faktor standar dengan memanfaatkan informasi dari model Standarized Solution. Menurut Igbaria et al. (1997) variabel indikator dapat dipertimbangkan untuk tidak dihapus jika ada nilai muatan faktor standar < 0.50, tetapi masih ≥ 0.30.
Gambar 9
Diagram lintasan model tahap kedua sebelum modifikasi dengan model Basic Model-Standarized Solution.
Model setelah modifikasi pada tahap pertama menjadi model awal pada analisis tahap kedua. Nilai muatan faktor standar model awal dapat dilihat pada Gambar 9. Terdapat beberapa nilai muatan faktor standar < 0.30, seperti pada variabel indikator X4, X5, X11, X14, X16, dan X17. Pemeriksaan hasil estimasi pada model menunjukan terdapat adanya error variance yang negatif pada variabel indikator X15.
17
Gambar 10
Diagram lintasan model tahap kedua sesudah modifikasi dengan model Basic Model-Standarized Solution.
Gambar 10 menunjukan model kedua setelah modifikasi dengan model Basic Model-Standarized Solution. Pada model terlihat nilai muatan faktor standar variabel indikator ≥ 0.30. Modifikasi pada tahap kedua dilakukan dengan menghapus variabel indikator yang mempunyai nilai muatan faktor standar < 0.30, yakni X4, X5, X11, X14, X16, dan X17, serta menetapkan error variance X15 menjadi 0.01. Penetapan tersebut dilakukan untuk menghindari adanya error variance yang negatif pada model. Sehingga, modifikasi pada tahap kedua menghasilkan model variabel laten shopping lifestyle dengan tiga variabel indikator (X1-X3), fashion involvement dengan enam variabel indikator (X7-X10, X12, dan X13), faktor situasional dengan 1 variabel indikator (X15), dan impulse buying behavior dengan empat indikator (Y1-Y4). Tabel 4
Uji kecocokan dan ukuran kebaikan model sebelum dan sesudah modifikasi pada tahap kedua. Kriteria kesesuaian Hasil uji sebelum Hasil uji sesudah model modifikasi modifikasi Khi-kuadrat
GFI RMSEA AGFI CFI AIC
372.380
298.440 P=0.000
P=0.000 ( worst fit) 0.950 ( good fit) 0.076 ( good fit)
( worst fit) 0.930 ( good fit) 0.076 ( good fit)
0.930 (good fit) 1.000 (good fit) 0.029 (good fit)
0.910 (good fit) 1.000 (good fit) 0.021 (good fit)
Setelah modifikasi tahap kedua dilakukan, kecocokan keseluruhan model dapat dilihat pada Tabel 3. Baik untuk ukuran kecocokan absolut yang direpresentasikan pada kriteria kecocokan GFI dan RMSEA, ukuran kecocokan
18 komparatif yang direpresentasikan kriteria CFI dan AGFI, dan ukuran kecocokan parsimoni yang direpresentasikan AIC. Lima kriteria tersebut menunujukan bahwa kecocokan model dan data setelah modifikasi tahap kedua secara keseluruhan model, adalah baik walaupun nilai khi-kuadrat yang menunujukan kurang baik, namun terjadi penurunan nilai setelah modifikasi. Sehingga dapat dikatakan model setelah modifikasi tahap kedua lebih baik daripada model modifikasi tahap pertama, dan menunujukan kecocokan model yang lebih baik. Tabel 4 Variabel
Construct Reliability, Variance Extracted dan Reliabilitas model impulse buying behavior setelah modifikasi tahap kedua CR VE Kesimpulan Reliabilitas 0.6478 0.3883 Tidak Reliabel
Shopping Lifestyle Fashion 0.7257 Involvement Faktor 0.9900 Situasional Impulse Buying 0.8753 Behavior
0.3170
Tidak Reliabel
1.0000
Reliabel
0.6346
Reliabel
Tabel 4 menujukan bahwa variabel Shopping Lifestyle, dan Fashion Involvement tidak reliabel, yang artinya indikator-indikator tidak mempunyai konsistensi yang tinggi dalam mengukur konstruk latennya. Sementara itu, nilai dari CR dan VE yang dihasilkan Faktor Situasional dan Impulse Buying Behavior menunjukan reliabilitas model pengukuran yang baik. Analisis awal model pengukuran menunjukan bahwa model pengukuran yang mempunyai kecocokan data, validitas, dan reliabilitas yang baik yakni model pengukuran antara variabel laten faktor situasional dengan satu variabel indikator X15 (lingkungan sosial) yang mempunyai koefisien lintas estimasi sebesar 1.00, dan model pengukuran antara variabel laten impulse buying behavior dengan empat variabel indikatornya Y1 (spontanitas), Y2 (kekuatan, kompulsi, dan intensitas), Y3 (kegairahan dan stimulasi), serta Y4 (ketidakpedulian akan akibat), dengan koefisien lintas estimasi terbesar 0.86 pada Y1 (spontanitas), nilai estimasi koefisien lintas dapat dilihat pada Lampiran 5. Tabel 5 Hubungan antar variabel laten Shopping Lifestyle Impulse Buying Behavior Fashion Involvement Impulse Buying Behavior Faktor Situasional Impulse Buying Behavior
Koefisien lintas antar variabel laten Koefisien lintas Nilai-t 0.46
5.86
0.14
1.86
0.13
2.49
Analisis model struktural, mencakup pemeriksaan terhadap signifikansi koefisien-koefisien yang diestimasi. Berdasarkan nilai-t pada Tabel 5 dapat
19 disimpulkan bahwa antara fashion involvement tidak berpengaruh nyata terhadap impulse buying behavior pada taraf nyata 5%. Shopping lifestyle, dan faktor situasional berpengaruh secara nyata terhadap impulse buying behavior pada taraf nyata 5%. Pengaruh langsung shopping lifestyle terhadap impulse buying behavior dilihat dari koefisien lintas antar variabel laten sebesar 0.46, yang artinya nilai dugaan perubahaan rataan impulse buying behavior ketika shopping lifestyle berubah satu satuan sebesar 0.46. Namun, berdasarkan evaluasi model pengukuran, hubungan antara variabel shopping lifestyle dan variabel indikatornya menunjukan tidak reliabel. Sehingga model struktural yang baik, digambarkan pada hubungan antara faktor situasional dan impulse buying behavior, pengaruh langsung antara faktor situasional dengan impulse buying behavior sebesar 0.13, yang artinya nilai dugaan perubahaan rataan impulse buying behavior ketika faktor situasional berubah satu satuan sebesar 0.13.
SIMPULAN DAN SARAN SIMPULAN Responden wanita pada periode April 2015 hingga Maret 2016 memiliki frekuensi berbelanja lebih tinggi dibandingkan pria, serta memiliki rentang kategori yang lebih beragam dibandingkan responden pria. Sebagian besar transaksi yang dilakukan responden berada pada rentang frekuensi 3 hingga 5 kali. Lazada Indonesia menjadi toko online yang sering responden pilih saat melakukan pembelanjaan item fashion pada periode tersebut. Model persamaan struktural yang diperoleh pada tahap kedua setelah modifikasi menunjukan kecocokan keseluruhan model yang baik. Hubungan antara variabel laten dan indikatornya yang mempunyai kriteria baik berdasarkan validitas dan reliabilitas model pengukuran yakni variabel laten faktor situasional dan impulse buying behavior. Variabel indikator untuk faktor situasional yakni lingkungan sosial (ada tidaknya kehadiran orang lain pada proses pengambilan keputusan melakukan transaksi). Sedangkan, variabel indikator untuk impulse buying behavior yakni proses yang dilakukan secara spontan, berdasarkan kekuatan, kompulsi, dan intensitas, disertai kegairahan dan stimulasi, serta ketidakpedulian akan akibat. Kecocokan model struktural terhadap pemeriksaan signifikansi koefisien-koefisien yang diestimasi menunjukan adanya hubungan linier antara variabel faktor situasional dan impulse buying behavior.
SARAN Kombinasi tren model bisnis online menjadi peluang yang baik bagi pihak marketing toko online, dalam rangka menciptakan dan memenuhi kebutuhan konsumen, serta memenangi pasar pada dunia yang sering berubah. Perlu pengembangan faktor-faktor lain yang memengaruhi impulse buying behavior, sehingga didapatkan model struktural yang lebih lengkap dan dapat menjelaskan fenomena yang ada.
20
DAFTAR PUSTAKA Amandra MN. 2013. Evaluasi Loyalitas Konsumen Terhadap Laptop Merek XYZ pada Mahasiswa Institut Pertanian Bogor [skripsi]. Bogor(ID): Institut Pertanian Bogor. Astari NPLW, Widagda KIGNJA. 2014. Pengaruh Perbedaan Jenis Kelamin dan Kontrol Diri terhadap Keputusan Pembelian Impulsif Produk Parfum. E-Jurnal Manajemen Universitas Udayana. 3(3):546-560 Azwar S. 2012. Reliabilitas dan Validitas Edisi ke-4. Yogyakarta(ID): Pustaka Pelajar. Bollen KA. 1989. Structural Equation With Latent Variables. New York (US): John Willey and Sons. Chen T. 2008. Online Impulse Buying and Product Involvement. Communication of the IBIMA. Volume (5) : 74-81. Decliya S. 2011. Pembelanjaan Indonesia Makin Impulsif [Internet]. [diunduh 2016 Feb 04]. Tersedia pada: http://bisnis.tempo.co/read/news/2011/06/21/090342265/pembelanjaindonesia-makin-impulsif. Denis DJ. 2015. Applied Univariate, Bivariate, and Multivariate Statistics. New Jersey(US) :Wiley. Hair JF, Black WC, Babin BJ, Anderson RE. 2010. Multivariate Data Analysis 7th Edition. New Jersey(US): Pearson Prentice Hall. Hulten P, Vanyushyn V. 2011. Impulse Purchase of Groceries in France and Sweden . Journal of Consumer Marketing. 28(5):376-384. Igbaria et al. 1997. Personal Computing Acceptable Factors in Small Frims: A Structural Equation Modelling . MIS Quartely. September : 279-299. Indosat. 2015. Transaksi Fashion Dominasi Penjualan Toko Online [Internet]. [diunduh 2015 Des 21]. Tersedia pada: http://indosatooredoo.com/id/personal/layanan-digital/dunia-digital/payup/info-list/transaksi-fashion-dominasi-penjualan-toko-online. Japarianto E, Sugiharto S. 2011. Pengaruh Shopping Lifestyle dan Fashion Involvement Terhadap Impulse Buying Behavior Masyarakat High Income Surabaya. Jurnal Manajemen Pemasaran. 6( 1):32-41. Kasumaningrum Y. 2015. Masyarakat Indonesia Kian Konsumtif [Internet]. [diunduh 2015 Des 27]. Tersedia pada: http://www.pikiranrakyat.com/ekonomi/2015/08/08/337508/masyarakat-indonesia-kiankonsumtif. Kline RB. 2011. Principle and Practice of Structural Equation Modeling 3th ed. New York (US): The Guilford Press. Loehlin JC. 2004. Latent Variable Models An introduction to Factor, Path, and Structural Equation Analysis. New Jersey (US): LEA. Longdong EYE, Pangemanan SS. 2015. Analyzing The Effect Of Virtual Atmospheric Cues, Sales Promotions, And Situational Factors On Online Impulse Buying In Manado. Jurnal EMBA 119 Vol.3(3). ISSN 230311. Malhotra NK, Birks DF. 2005. Marketing Research:An Applied Approach,2nd edition.Harlow(UK):Pearson Education.
21 Mattjik AA, Sumertajaya IM. 2011. Sidik Variabel ganda dengan Menggunakan SAS. Bogor (ID):Departemen Statistika Institut Pertanian Bogor. O’Cass A. 2004. Fashion clothing consumption: antecedents and consequences of fashion clothing involvement. European Journal of Marketing. 38(7): 86982. Rina A. 2010. Analisis Bentuk In-Store Promotion Yang Paling Memengaruhi Keputusan Impulse Buying Konsumen [skripsi]. Bogor(ID): Institut Pertanian Bogor. Semuel H. 2005. Respons Lingkungan Berbelanja Sebagai Stimulus Pembelian Tidak Terencana pada Toko Serba Ada (Toserba). Jurnal Manajemen & Kewirausahaan. 7(2):152-170. Solomon M, Bamossy G, Askegrad S, Margaret KH. 2006. Consumer Behavior 3th Edition. New Jersey (US): Preince Hall. Sumarwan U. 2011. Perilaku Konsumen: Teori dan Penerapannya dalam Pemasaran. Jakarta(ID):Ghalia Indonesia. Syafril A. 2015. Transaksi Online Indonesia capai Rp34,3 Triliun [Internet]. [diunduh 2015 Des 21]. Tersedia pada: http://www.antaranews.com/berita/505724/transaksi-online-indonesiacapai-rp343-triliun. Tarigan A. 2015. Minat Belanja Online di Indonesia Meningkat [Internet].[diunduh 2015 Des 21]. Tersedia pada: http://www.antaranews.com/berita/522039/minat-belanja-online-diindonesia-meningkat. Taslim K. 2015. 5 Perilaku Konsumen E-Commerce Indonesia yang Menarik untuk Diketahui [Internet]. Tersedia pada: http://startupbisnis.com/5perilaku-konsumen-e-commerceindonesia-yang-menarik-untukdiketahui/. Tirmizi AM, Rehman, Ur, Kashif,X SMI. 2009. an Empirical Study Of Consumer Impulse Buying Behavior In Local Markets, European Journal of Scientific Research. 28( 4):522532. Wijanto SH. 2008. Structural Equation Modeling dengan Lisrel 8.8 (Konsep dan Tutorial). Yogyakarta (ID): Graha Ilmu.
22 Lampiran 1
Kuesioner penelitian
Kementerian Pendidikan Nasional Fakultas Matematika dan Ilmu Pengetahuan Alam Departemen Statistika Jalan Meranti Wing 22, Level 4 Kampus IPB Dramaga Bogor 16680 No. Kuesioner : ___
Tanggal : ... / ... /2016
Kuesioner Penelitian Responden yang terhomat, Saat ini saya Mutia Hadidtyaningrum (G14120066) mahasiswa Departemen Statistika IPB angkatan 49 sedang melakukan survei mengenai Pengaruh Shopping Lifestyle, Fashion Involvement, dan Faktor Situasional Terhadap Impulse Buying Behavior Transaksi Belanja Online (Studi kasus lingkungan Institut Pertanian Bogor). Survei ini merupakan instrumen penelitian dalam rangka penulisan skripsi program sarjana saya. Saya mengharapkan partisipasi Saudara/i dalam mengisi kuesioner ini dengan sejujur-jujurnya sesuai dengan pengalaman yang dimiliki. Informasi yang diterima dari kuesioner ini bersifat rahasia dan hanya digunakan untuk kepentingan akademis. Atas partisipasi Anda, saya ucapkan terima kasih.
A. IDENTITAS RESPONDEN Nama 1 NIM 2 Fakultas 3 Usia 4 Jenis 5 Kelamin Asal Daerah 6
a. Laki-laki a. JABODE TABEK b. Jawa Luar JABODE TABEK
No. 7 Handphone Pendapatan / kiriman per Rp bulan 8 Dalam satu tahun terakhir berapa kali 9 Anda telah melakukan transaksi pembelanjaan
b. Perempuan c. Luar Jawa
23 online item fashion pada online shop ? Diantara 22 online shop di Indonesia, online shop mana yang lebih sering Anda 10 pilih untuk berbelanja? Adorable Project
Hijabenka
Line Shopping
Tokopedia
Berrybenka
Hijup
MatahariMall
Zalora
Blibli
Iwearup
VIP Plaza
Bobobobo
Kaskus
Cotton Ink
Lamudi Lazada Indonesia
OLX Indonesia Qoo10 Indonesia Rakuten Belanja Online
Elevania
8wood
Shoope ID
Petunjuk Pengisian: Pilihlah salah satu pernyataan yang paling sesuai dengan keadaan Saudara/i. 1 : Sangat Tidak Setuju 2 : Tidak Setuju 3 : Netral 4 : Setuju 5 : Sangat Setuju TANGGAPAN S No
PERNYATAAN
STS
T TS
1 1
2 2
B. SHOPPING LIFESTYLE
1. 2. 3. 4. 5.
Setiap tawaran iklan mengenai produk 1 fashion, saya cenderung menanggapi untuk membelinya Saya cenderung membeli pakaian model 2 terbaru ketika saya melihatnya pada situs online shop Saya 3 cenderung berbelanja fashion merk terkenal Saya yakin bahwa merk produk fashion 4 terkenal yang saya beli terbaik dalam hal kualitas Saya 5 sering membeli berbagai merek fashion yang berbeda daripada merek
N
3
N
S
S
SS
3
4
4
5
S
5
24
6.
yang biasa saya beli Saya 6 yakin ada fashion merek lain yang sama kualitasnya seperti yang saya beli C. FASHION INVOLVEMENT
7.
Saya 7 mempunyai satu atau lebih pakaian dengan model yang terbaru (tren)
8.
Fashion 8 adalah satu hal penting yang mendukung aktifitas saya
9. 10. 11. 12.
13.
Saya lebih suka apabila model pakaian 9 yang saya gunakan berbeda dengan yang lain Pakaian 1 yang saya miliki menunjukkan karakteristik saya Saya 1 dapat mengetahui banyak tentang seseorang dari pakaian yang digunakan Ketika saya memakai pakaian favorit 1 saya, orang lain melihat akan melihat ke arah saya Saya cenderung lebih mengetahui adanya 1 fashion terbaru dibandingkan dengan orang lain D. FAKTOR SITUASIONAL
14.
15.
16.
17.
Lokasi tempat tinggal saya saat ini 1 cenderung memudahkan saya untuk melakukan transaksi pembelian online. Saya cenderung terpengaruh orang lain 1 (teman / selebriti / ahli atau pakar fashion) dalam memilih mode fashion Ketika memiliki uang lebih saya 1 cenderung melakukan pembelanjaan item fashion secara online Waktu akses yang fleksible 1 mempermudah saya untuk melakukan transaksi belanja online E. IMPULSE BUYING BEHAVIOR
18.
1 Bila ada tawaran khusus, saya cenderung berbelanja banyak
25
19.
20.
21.
Saat berbelanja produk fashion, saya 1 cenderung berbelanja tanpa berpikir panjang dulu sebelumnya Saya cenderung terobsesi untuk membelanjakan 2 uang yang saya miliki sebagian atau seluruhnya untuk produk fashion Saya cenderung membeli produk fashion 2 meskipun saya tidak begitu membutuhkannya
26 Lampiran 2 Flowchart prosedur Model Persamaan Struktural 1. Spesifikasi Model Path Diagram atau model matematik dari model penelitian 2. Identifikasi Model Pendugaan parameter yang diestimasi menggunakan t-rule 3. Estimasi Program SIMPLIS untuk model pengukuran (Model CFA) Estimasi ULS 4. Uji Kecocokan Analisis model pengukuran 1. Uji Validitas Nilai-t > 1.96 SLF ≥ 0.30 2. Uji reliabilitas CR ≥ 0.70 dan VE ≥ 0.50 3. Uji kecocokan keselurihan model (Goodness of Fit)
Ok? Tidak
Ya
Modifikasi program simplis Memanfaatkan modifation indices Menghapus variabel indikator yang tidak memenuhi syarat
Analisis model struktural 4. Uji persamaan struktural nilai-t > 1.96
Interpretasi hasil
27 Lampiran 3 Nilai uji validitas setiap pernyataan dalam kuesioner Pernyataan Nilai r (korelasi)* Pernyataan Nilai r (korelasi)* Pernyataan no 1 0.721 Pernyataan no 12 0.632 Pernyataan no 2 0.701 Pernyataan no 13 0.667 Pernyataan no 3 0.602 Pernyataan no 14 0.755 Pernyataan no 4 0.694 Pernyataan no 15 0.646 Pernyataan no 5 0.743 Pernyataan no 16 0.897 Pernyataan no 6 0.432 Pernyataan no 17 0.681 Pernyataan no 7 0.621 Pernyataan no 18 0.647 Pernyataan no 8 0.711 Pernyataan no 19 0.842 Pernyataan no 9 0.768 Pernyataan no 20 0.835 Pernyataan no 10 0.663 Pernyataan no 21 0.855 Pernyataan no 11 0.486 *Korelasi nyata pada taraf nyata 5%. Hal ini menunjukan bahwa pernyataan valid mengukur variabel latennya pada taraf nyata 5%.
28 Lampiran 4 Daftar nama variabel laten dan variabel indikator Notasi Jenis Variabel Keterangan Variabel laten eksogen ke-1 Shopping Lifestyle X1 Variabel indikator ke-1 dari variabel laten Menanggapi Tawaran eksogen ke-1 Iklan X2 Variabel indikator ke-2 dari variabel laten Pakaian Model Terbaru eksogen ke-1 X3 Variabel indikator ke-3 dari variabel laten Fashion Merek Terkenal eksogen ke-1 X4 Variabel indikator ke-4 dari variabel laten Kualitas Produk Terbaik eksogen ke-1 X5 Variabel indikator ke-5 dari variabel laten Mencoba Berbagai Merek eksogen ke-1 Berbeda X6 Variabel indikator ke-6 dari variabel laten Kesamaan Kualitas eksogen ke-1 Variabel laten eksogen ke-2 Fashion Involvement X7 Variabel indikator ke-7 dari variabel laten Kepemilikan Tren Fashion eksogen ke-2 X8 Variabel indikator ke-8 dari variabel laten Fashion Pendukung eksogen ke-2 Aktifitas X9 Variabel indikator ke-9 dari variabel laten Model Pakaian yang eksogen ke-2 Berbeda X10 Variabel indikator ke-10 dari variabel Karateristik Diri laten eksogen ke-2 X11 Variabel indikator ke-11 dari variabel Pakaian yang Digunakan laten eksogen ke-2 X12 Variabel indikator ke-12 dari variabel Pakaian Favorit laten eksogen ke-2 X13 Variabel indikator ke-13 dari variabel Up to date laten eksogen ke-2 Variabel laten eksogen ke-3 Faktor Situasional X14 Variabel indikator ke-14 dari variabel Lingkungan Fisik laten eksogen ke-3 X15 Variabel indikator ke-15 dari variabel Lingkungan Sosial laten eksogen ke-3 X16 Variabel indikator ke-16 dari variabel Ketersediaan uang laten eksogen ke-3 X17 Variabel indikator ke-17 dari variabel Waktu laten eksogen ke-3 Variabel laten endogen Impulse Buying Behavior Y1 Variabel indikator ke-18 dari variabel Spontanitas laten endogen Y2 Variabel indikator ke-19 dari variabel Kekuatan, kompulsi, dan laten endogen intensitas Y3 Variabel indikator ke-20 dari variabel Kegairahan dan stimulasi laten endogen Y4 Variabel indikator ke-21 dari variabel Ketidakpedulian akan laten endogen akibat
29 Lampiran 5 X1 X2 X3 X7 X8 X9 X10 X12 X13 X15 Y1 Y2 Y3 Y4
Nilai estimasi koefisien lintas setelah modifikasi tahap dua SL FI FS IB 0.61 0.75 0.48 0.69 0.65 0.40 0.36 0.54 0.65 1.00 0.86 0.74 0.83 0.75
30
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 28 Januari 1994 di Purwokerto dari Ayah bernama Haryono dan Ibu bernama Listyowati. Penulis merupakan anak pertama dari empat bersaudara. Tahun 2012 penulis lulus dari SMA Negeri 1 Purwokerto dan pada tahun yang sama diterima di Institut Pertanian Bogor melalui jalur Seleksi Masuk Perguruan Tinggi Negeri (SNMPTN) – Undangan. Penulis diberikan kesempatan untuk belajar menempuh pendidikan sarjananya di Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam IPB dengan minor Ilmu Konsumen. Selama mengikuti pendidikan di Departemen Statistika – IPB, penulis aktif menjadi asisten responsi Sosiologi Umum pada tahun akademik 2013/2014 dan 2014/2015. Penulis juga aktif dalam organisasi Himpunan Profesi Gamma Sigma Beta (GSB). Sepanjang tahun 2014, penulis aktif sebagai staf departemen Sains, kemudian pada tahun 2015 penulis menjadi bedahara Human Resources Development, bagian yang mengurusi hubungan internal serta eksternal mahsiswa dan alumni Statistika IPB milik GSB. Selain berorganisasi, penulis juga mengikuti beberapa kepanitiaan, diantaranya: staf divisi logistik dan transportasi Pekan Olahraga Statistika (PORSTAT) 2014, staf divisi LO pada Statistika Ria 2014, staf divisi acara Welcome Ceremony of Statistics (WCS) 2014, sekretaris divisi acara Welcome Ceremony of Statistics (WCS) 2015, staf divisi konsumsi Career-G 2015, dan staf divisi humas Komstat Jr 2015. Selama bulan Juni – Agustus 2014 penulis melaksanakan Praktik Lapang di Perusahaan Marketing dan Advertising Iris Worldwide pada departemen Customer Relationship Management. Penulis juga sempat menjadi surveyor pada Consumer Statification of Kalibata City Mall Agung Sedayu Group. Penulis aktif mengikuti bebrapa perlombaan baik tingkat mahasiswa maupun tingkat nasional . Beberapa prestasi yang diraih oleh penulis antara lain ialah Juara I Lomba Voli Putri pada Pekan Olahraga Statistika (PORSTAT) 2014. Penulis juga sempat menjadi semi finalis Disaster Data Challenge 2015 pada Universitas Islam Indonesia.
