Keyakinan Konsumen Confidence X Sikap Konsumen Attitude X Niat Beli Purchase Intention Y Analisis Data

memberikan kesan yang kurang sehingga kurang menimbulkan daya tarik konsumen.

b. Keyakinan Konsumen Confidence X

2 Tabel 4.5 Jawaban Responden Mengenai Indikator pada Keyakinan Konsumen Indikator Frekuensi Mean Skor STS TS N S SS Mendapatk an X 2.1 0 0 44 55 11 3,62 Menyimpan X 2.2 0 6 49 50 5 3,55 Mengkonsu msi X 2.3 4 7 57 42 0 3,61 Sumber : Data Kuesioner diolah Berdasarkan tabel 4.5 Nilai mean tertinggi terdapat pada indikator kemudahan mendapatkannya X 2.1 , bahwa konsumen merasa yakin pada Obat Flu Mixagrip mudah didapatkan saat konsumen membeli membutuhkan. Nilai terendah pada indikator kemudahan penyimpanan, bahwa obat flu mixagrip harus dihindarkan dari sinar matahari, sehingga konsumen kurang praktis dalam menyimpannya.

c. Sikap Konsumen Attitude X

3 Tabel 4.6 Jawaban Responden Mengenai Indikator pada Sikap Konsumen Indikator Frekuensi Mean Skor STS TS N S SS Harga X 3.1 2 7 37 49 15 3,70 Manfaat X 3.2 4 1 45 50 10 3,49 Komposisi X 3.3 0 6 42 51 11 3,25 Sumber : Data Kuesioner diolah Keterangan : Berdasarkan table 4.6 Nilai mean tertinggi terdapat pada indikator Harga X 3.1 , bahwa Produk Obat Flu Mixagrip memiliki harga yang terjangkau sesuai ekonomi konsumen, sehingga konsumen tidak perlu mengeluarkan uang terlalu banyak. Nilai terendah pada indikator Komposisi, bahwa konsumen kurang memperhatikan komposisi dari obat flu mixagrip.

d. Niat Beli Purchase Intention Y

Tabel 4.7Jawaban Responden Mengenai Indikator Niat Beli Indikator Frekuensi Mean Skor STS TS N S SS Informasi Y 1 5 8 61 36 0 3,16 Segera membeli Y 2 4 8 58 37 3 3,25 Preferensial Y 3 6 7 53 39 5 3,27 Sumber : Data Kuesioner diolah Berdasarkan tabel 4.7 Nilai mean tertinggi pada indikator Keinginan Preferensial Y 3 , bahwa konsumen memilih produk mixagrip menjadi pilihan utama dan tidak ingin menggunakan produk lainnya. Nilai terendah pada indikator Informasi, bahwa konsumen kurang mencari informasi karena konsumen sudah cocok terhadap obat flu mixagrip tersebut.

4.2 Analisis Data

4.2.1 Evaluasi Outlier

Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi yang muncul dalam bentuk nilai eksterim, baik untuk sebuah variable tunggal atau variable kombinasi Hair dkk, 1995. Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998 ; Tabachnick Fidel, 1996. Uji terhadap outlier multivariate dilakukan dengan menggunakan jarak mahalanobis pada tingkat p 1. Jarak mahalanobis itu dievaluasi dengan menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut : Tabel 4.8 Outlier Data Sumber : Lampiran Minimum Maximum Mean Std. Deviation N Predicted Value -4.264 88.321 56.000 19.359 110 Std. Predicted Value -3.113 1.670 0.000 1.000 110 Standard Error of Predicted Value 4.365 14.707 8.925 2.136 110 Adjusted Predicted Value -9.648 94.012 56.059 20.043 110 Residual -63.139 54.795 0.000 25.177 110 Std. Residual -2.366 2.053 0.000 0.943 110 Stud. Residual -2.618 2.239 -0.001 1.007 110 Deleted Residual -77.301 65.164 -0.059 28.793 110 Stud. Deleted Residual -2.701 2.287 -0.001 1.016 110 Mahalanobis Distance [MD] 1.924 32.106 11.891 6.299 110 Cooks Distance 0.000 0.133 0.011 0.021 110 Centered Leverage Value 0.018 0.295 0.109 0.058 110 a Dependent Variable : NO. RESP Deteksi terhadap multivariate outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak mahalanobis itu dievaluasi dengan menggunakan χ² pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai jarak mahalanobis lebih besar dari nilai chi-square pada tingkat signifikan 0,001 maka terjadi multivariate outliers. Nilai χ² 0,001 dengan jumlah indikator 12 adalah sebesar 32,909. Hasil analisis Mahalanobis diperoleh nilai 32,106 yang lebih kecil dari χ² tabel yaitu sebesar 32,909 tersebut. Dengan demikian, tidak terdapat outlier multivariat antar variabel.

4.2.2 Evaluasi Reliabilitas

Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s Alpha ini digunakan untuk mengestimasi reliabilitas setiap skala variabel atau observasi indikator. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan Purwanto, 2003. Hasil selengkapnya dapat dilihat pada tabel berikut : Tabel 4.9 Reliabilitas Data Konstrak Indikator Item to Total Correlation Koefisien Cronbachs Alpha X11 0.705 X12 0.673 Advertising X13 0.661 0.416 X21 0.763 X22 0.760 Customer Confidence X23 0.636 0.541 X31 0.598 X32 0.673 Customer Attitude X33 0.692 0.336 Y1 0.658 Y2 0.678 Purchase Intention Y3 0.773 0.494 : tereliminasi Sumber : Lampiran Proses eliminasi dilakukan pada item to total correlation pada indikator yang nilainnya , 0,5 [Purwanto, 2003]. Tidak terjadi eliminasi karena nilai item to total correlation indikator seluruhnya ≥ 0,5. Indikator yang tereliminasi tidak disertakan dalam perhitungan cronbachs alpha. Perhitungan cronbachs dilakukan setelah proses eliminasi. Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di atas menunjukkan hasil cukup baik dimana koefisien Cronbach’s Alpha yang diperoleh belum seluruhnya memenuhi rules of thumb yang disyaratkan yaitu ≥ 0,7 [Hair et.al.,1998].

4.2.3 Evaluasi Validitas

Validitas menyangkut akurasi yang dicapai oleh sebuah indicator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Karena indikator multidimensi, maka uji validitas dari setiap latent variable construct akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini : Tabel 4.10 Validitas Data Sumber : Lampiran Faktor Loading Konstrak Indikator 1 2 3 4 X11 0.284 X12 0.586 Advertising X13 0.312 X21 0.579 X22 0.638 Customer Confidence X23 0.384 X31 0.403 X32 0.281 Customer Attitude X33 0.195 Y1 0.287 Y2 0.292 Purchase Intention Y3 0.997 Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct belum seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya cukup baik.

4.2.4 Evaluasi Construct Reliability dan Variance Extracted

Selain melakukan pengujian konsisten internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang sama [Purwanto, 2003]. Dan variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance extracted dapat dilihat dalam tabel 4.11 Tabel 4.11 Construct Reliability dan Variance Extracted Sumber : Lampiran Konstrak Indikator Standardize Factor Loading SFL Kuadrat Error [ εj] Construct Reliability Variance Extrated X11 0.284 0.081 0.919 X12 0.586 0.343 0.657 Advertising X13 0.312 0.097 0.903 0.360 0.174 X21 0.579 0.335 0.665 X22 0.638 0.407 0.593 Customer Confidence X23 0.384 0.147 0.853 0.548 0.297 X31 0.403 0.162 0.838 X32 0.281 0.079 0.921 Customer Attitude X33 0.195 0.038 0.962 0.221 0.093 Y1 0.287 0.082 0.918 Y2 0.292 0.085 0.915 Purchase Intention Y3 0.997 0.994 0.006 0.575 0.387 Batas Dapat Diterima ≥ 0,7 ≥ 0,5 Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen kurang reliabel, yang ditunjukkan dengan nilai construct reliability belum seluruhnya ≥ 0,7. Meskipun demikian angka tersebut bukanlah sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai di bawah 0,70 pun masih dapat diterima sepanjang disertai alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.

4.2.5 Evaluasi Normalitas

Uji normalitas sebaran dilakukan dengan Skewness Value dari data yang digunakan yang biasanya disajikan dalam statistic deskriptif. Nilai statistic untuk menguji normalitas itu disebut z-value. Bila nilai z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikan 0.01 1 yaitu sebesar ±2,58. Hasilnya diperoleh nilai c.r. multivariate diantara ± 2,58 dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut : Tabel 4.12 Normalitas Data Variable min max kurtosis c.r. X11 1 5 0.825 1.766 X12 1 5 0.646 1.383 X13 2 5 -0.620 -1.327 X21 1 5 0.326 0.697 X22 1 5 1.644 3.520 X23 2 5 -0.317 -0.679 X31 3 5 -0.706 -1.510 X32 2 5 -0.225 -0.483 X33 1 4 1.273 2.725 Y1 1 4 1.187 2.542 Y2 1 5 1.034 2.215 Y3 1 5 0.848 1.815 Multivariate 19.064 5.454 Batas Normal ± 2,58 Sumber : Lampiran Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di luar ± 2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bentler Chou [1987] bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation [MLE] walau ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.

4.2.6 Analisis Model One – Step Approach to SEM

Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terjadi disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi secara bersama-sama one-step approach to SEM. One-step approach model to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan realibilitas data sangat baik. Hair.et.al, 1998. Hasil estimasi dan fit model one-step approach to SEM dengan menggunakan program aplikaso AMOS 4.01 terlihat pada gambar dan tabel Goodness of fit di bawah ini. Gambar 4.1 MODEL PENGUKURAN STRUKTURAL Advertising, Customer Confidence, Customer Attitude, Purchase Intention Model Specification : One Step Approach - Base Model Customer Confidence 1 Advertising Sumber : Lampiran Tabel 4.13 Evaluasi Kriteria Goodness of Fit Sumber : Lampiran Dari hasil evaluasi terhadap model one step base model ternyata dari semua kriteria goodness of fit yang digunakan, belum seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model belum sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya didukung oleh fakta. Dengan Kriteria Hasil Nilai Kritis Evaluasi Model CminDF 1.257 ≤ 2,00 baik Probability 0.105 ≥ 0,05 baik RMSEA 0.049 ≤ 0,08 baik GFI 0.912 ≥ 0,90 baik AGFI 0.863 ≥ 0,90 kurang baik TLI 0.840 ≥ 0,95 kurang baik CFI 0.879 ≥ 0,94 kurang baik er_1 X21 X22 er_2 1 1 1 X11 er_4 1 X12 er_5 1 1 X23 er_3 Customer Attitude X31 er_7 X32 er_8 1 1 1 d_cc 1 Purchase Intention Y1 er_10 Y2 er_11 Y3 er_12 d_pi 1 1 1 1 1 d_ca 1 X33 er_9 1 X13 1 er_6 demikian model ini masih perlu dimodifikasi sebagaimana terdapat di bawah ini. Gambar 4.2 MODEL PENGUKURAN STRUKTURAL Advertising, Customer Confidence, Customer Attitude, Purchase Intention Model Specification : One Step Approach - Base Model Sumber : Lampiran Tabel 4.14 Evaluasi Kriteria Goodness of Fit Indices – modifikasi Kriteria Hasil Nilai Kritis Evaluasi Model CminDF 0.952 ≤ 2,00 baik Probability 0.571 ≥ 0,05 baik RMSEA 0.017 ≤ 0,08 baik GFI 0.932 ≥ 0,90 baik AGFI 0.900 ≥ 0,90 baik TLI 1.030 ≥ 0,95 baik CFI 1.000 ≥ 0,94 baik Sumber : Lampiran Dari hasil evaluasi terhadap model one step modifikasi ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model Customer Confidence 1 Advertising er_1 X21 X22 er_2 1 1 1 X11 er_4 1 X12 er_5 1 X23 1 0,005 er_3 d_cc 1 Customer Attitude X31 er_7 X32 er_8 1 1 1 X33 er_9 1 X13 1 er_6 Purchase Intention Y1 er_10 Y2 er_11 Y3 0,005 er_12 0,005 d_pi 1 1 1 1 1 0,005 d_ca 1 ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model.

4.2.7 Uji kausalitas

Dilihat dari angka determinant of sample covariance matrix : 500.986.528 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas di bawah ini Tabel 4.15 Hasil Uji Kausalitas Regression Weights Ustd Std Faktor Faktor Estimate Estimate Prob. Customer_Confidence Advertising 0.497 0.990 0.000 Customer_Attitude Advertising 0.246 0.961 0.000 Purchase_Intention Customer_Confidence -1.062 -2.491 0.037 Purchase_Intention Customer_Attitude 2.439 2.922 0.008 Batas Signifikansi ≤ 0,10 Sumber : Lampiran Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan bahwa : a. Faktor Advertising berpengaruh positif terhadap Faktor Customer Confidence, dapat diterima [Prob. kausalnya 0,000 ≤ 0,10 [signifikan [positif]. b. Faktor Advertising berpengaruh positif terhadap Faktor Customer Attitude, dapat diterima [Prob. kausalnya 0,000 ≤ 0,10 [signifikan [positif]. c. Faktor Customer Confidence berpengaruh positif terhadap Faktor Purchase Intention, tidak dapat diterima [Prob. kausalnya 0,037 ≤ 0,10 [signifikan [negatif]. d. Faktor Customer Attitude berpengaruh positif terhadap Faktor Purchase Intention, dapat diterima [Prob. kausalnya 0,008 ≤ 0,10 [signifikan [positif].

4.2.8 Analisis Unidimensi First Order

Tabel 4.16 Unidimensi First Order Regr ession Weight s Ust d St d Est im at e Est im at e Pr ob. X11 - - Adv ert ising 0.256 0.284 0.010 X12 - - Adv ert ising 0.506 0.586 0.000 X13 - - Adv ert ising 0.243 0.312 0.004 X21 - - Cust om er _Confidence 1.000 0.579 0.000 X22 - - Cust om er _Confidence 1.038 0.638 0.000 X23 - - Cust om er _Confidence 0.567 0.384 0.002 X31 - - Cust om er _At t it ude 1.000 0.403 0.000 X32 - - Cust om er _At t it ude 0.735 0.281 0.025 X33 - - Cust om er _At t it ude 0.554 0.195 0.098 Y1 - - Pur chase_I nt ent ion 1.000 0.287 0.000 Y2 - - Pur chase_I nt ent ion 1.058 0.292 0.023 Y3 - - Pur chase_I nt ent ion 4.021 0.997 0.002 Sumber : Lampiran

4.3 Pembahasan