2 2
2 2
xy
Y Y
n X
X n
Y X
XY n
r …............................….2
Keterangan : r
xy
= Korelasi antar X dan Y n = Jumlah responden
X = Skor masing-masing pertanyaan Y = Skor total
b. Uji Reliabilitas Jika alat ukur dinyatakan sahih, selanjutnya reliabilitas alat ukur tersebut diuji.
Reliabilitas adalah suatu nilai yang menunjukkan konsistensi suatu alat ukur di dalam mengukur gejala yang sama Umar, 2003. Reliabilitas alat ukur dalam bentuk skala
dapat dicari dengan menggunakan teknik alpha cronbach berikut :
2 1
2 11
σ σ
1 1
k k
r ………………...........................………….3
Keterangan : r
11
= Reliabilitas instrumen K = Banyaknya butir pertanyaan
2
= Jumlah ragam butir
2 1
= Jumlah ragam total Untuk mencari nilai ragam digunakan rumus berikut :
n n
X X
2 2
2
...………….....................................……….4
Keterangan : n = Jumlah responden
X = Nilai skor yang dipilih
3.3.4 Pengolahan dan Analisis Data
Penelitian ini dilakukan dengan menggunakan metode kuantitatif dan kualitatif serta pendekatan konsep – konsep manajemen pemasaran yang ada, yaitu dengan
menggunakan model CDM, Model Persamaan Struktural yang dibantu dengan menggunakan software SmartPLS 2.0 dan Excel 2007.
1. Consumer Decition Model CDM
Model dengan enam variabel yang saling berhubungan, yaitu Pesan Iklan F, finding information, Pengenalan Merek B, brand recognition, Kepercayaan
konsumen C, confidence, Sikap konsumen A, attitude, Niat Beli I, intention dan Pembelian Nyata P, purchase. Unuk mengetahui efektivitas iklan dengan
menggunakan CDM digunakan analisis bentuk hubungan dan analisis keeratan hubungan. Pengaruh langsung suatu variabel independen terhadap variabel dependen
pada penelitian sebelumnya di telusri dengan menggunakan analisis regresi linear sederhana. Analisis regresi yang digunakan memperhatikan prinsip parsimony, yaitu
semakin sederhana suatu model semakin bagus model tersebut dan dengan pertimbangan efisiensi dan kemudahan pemahaman model tersebut dari sisi pengguna
Durianto, 2003. Model populasi yang digunakan adalah: Yi = α + βXi + εi .....................................................................5
Dimana : Yi = variabel dependen
Xi = variabel independen α = intersep model
β = koefisien regresi ε = error term
Pada persamaan tersebut akan dianalisis persamaan regresi sederhana antara variabel informasi yang dilihat di social media F dengan pengenalan merek B,
informasi yang dilihat di social media F dengan kepercayaan konsumen C, informasi yang dilihat di social media F dengan sikap konsumen A. Pada ketiga
pesan tersebut, variabel informasi yang dilihat di social media F menjadi variabel independen dan variabel B, C, dan A menjadi variabel dependen. Persamaan regresi
berikutnya adalah persamaan regresi antara variabel pengenalan merek B dengan kepercayaan konsumen C, pengenalan merek B dengan sikap konsumen A,
dimana variabel B sebagai variabel independen dan variabel C dan A sebagai variabel dependen. Persamaan berikutnya yang akan dianalisis adalah persamaan regresi
sederhana antara variabel niat beli I dengan kepercayaan konsumen C, niat beli I dengan sikap konsumen A, dan niat beli I dengan pembelian nyata P. Pada
persamaan ini, variabel niat bei Isebagai variabel dependen dan variabel C, A, dan P menjadi variabel independen.
Sebagaimana diketahui, sebenarnya path analysis sama dengan analisis regresi, namun hasil dari path analysis adalah koefisien regresi yang sudah distandarkan
sehingga bisa langsung diketahui variabel mana diantara variabel – variabel yang dilibatkan yang kontribusinya paling besar memberi kontribusi paling tinggi kepada
variabel terikat Sitinjak, 2006. 2. Model Persamaan Struktural Stuctural Equation Modeling
Ditinjau dari efek kausal Model Persamaan Struktural dibedakan menjadi dua jenis model struktural, yaitu recursive model. Dalam recursive model semua efek
kausal adalah satu arah unidirectional dan errors kesalahan tidak berkolerasi. Sedangkan dalam non recorsive model, dimungkinkan adanya feedback loop dengan
errors yang berkolerasi. Pada umumnya variabel latent bebas dimasukkan dalm model tidak dapat secara sempurna menjelaskan variabel latent terikatnya, sehingga dalam
model strukturalnya biasanya ditambahkan komponen kesalahan struktural. Model pengukuran menggambarkan hubungan variabel latent dengan variabel – variabel
teramati atau variabel indikator. Variabel – variabel teramati dari suatu variabel latent tidak dapat merefleksikan variabel latentnya secara sempurna, dengan demikian
penambahan kesalahan pengukuran dalam model sangat diperlukan agar model pengukuran menjadi lengkap
Sitinjak, 2006. Variabel – variabel dalam model CDM dianalisis hubungnnya dengan menggunakan model persamaan struktural Structural
Equation Modeling, sehingga dapat dilihat apakah ada pengaruh antara variabel indikator informasi pada social media F sampai dengan pembelian nyata P. Jenis
variabel dalam model persamaan struktural Kusnaedi, 2008 dapat dilihat pada gambar 6 berikut:
Gambar 7. Jenis variabel dalam SEM Sitinjak, 2006
Penerapan SEM mengikuti prosedur umum berikut Sitinjak, 2006: 1. Spesifikasi model Model Specification
Spesifikasi model secara garis besar dijalankan dengan menspessifikasi model struktural. Spesifikasi model pengukuran model pengukuran meliputi aktivitas
mendefinisikan variabel – variabel latent, mendefinisikan variabel – variabel teramati, dan mendefinisikan hubungan antara variabel latent dengan variabel –
variabel teramati. Spesifikasi model struktural dilakukan dengan mendefinisikan hubungan kausal di antara variabel – variabel latent. Tahapan selanjutnya
menetapkan gambaran path diagram model hybrid yang merupakan kombinasi model pengukuran dan struktural.
2. Identifikasi Identification Tahapan identifikasi dimaksudkan untuk menjaga agar model yang dispesifikasikan
bukan merupakan model under identified atau unidentified yaitu model dimana Variabel dalam
Model Persamaan Struktural SEM
Model Struktural Model Pengukuran
Variabel Laten
Eksogen Variabel
Laten Ekdogen
Variabel Manifes
Ekdogen Variabel
Manifes Eksogen
Diteliti Tidak Diteliti
Variabel Antara
intervening Variabel
Independen Variabel
Dependen Diukur oleh
Diukur oleh
jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui. Terdapat tiga kemungkinan identifikasi dalam persamaan simultan, yaitu under
identified, just identified atau over identified. 3. Estimasi Estimation
Tahapan ini ditujukan untuk memperoleh estimasi dari setiap paarameter yang dispesifikasikan dalam model yang membentuk matrik
∑ θ sedemikian rupa sehingga parameter menjadi sedekat mungkin dengan nilai yang ada dalam matriks
S matrik kovarian sampel dari variabel teramati. Matriks kovarian sampel S digunakan untuk mewakili
∑ matriks kovarian populasi karena matriks kovarian populasi tidak diketahui.
4. Uji Kecocokan Testing Fit Tahapan ini ditujukan untuk mengetahui derajat kecocokan atau Goodness of Fit
GOF antara data dan model. Dalam format model – model persamaan struktural, yang dimaksud dengan kesesuaian model adalah kesesuaian antara mariks
kovariansi data sampel dengan mariks kovariansi populasi yang diestimasi. Suatu model dikatakan fit, sesuai, atau cocok dengan data apabila matriks kovariansi data
sampel tidak berbeda dengan matriks kovariansi populasi yang diestimasi. Ukuran derajat kecocokan yang dapat digunakan secara saling mendukung, sebagai patokan
kesesuaian model dalam SEM, sebagai berikut Sitinjak, 2006: a. Absolute Fit Measure Ukuran Kecocokan Absolut
Menentukan derajat prediksi model keseluruhan model struktural dan pengukuran terhadap matrik korelasi dan kovarian.
b. Incremental Fit Measure Ukuran Kecocokan Inkremental Membandingkan model yang diusulkan dengan model dasar yang sering disebut
sebagai null model atau independence model. c. Parsimonius Fit Measure Ukuran Kecocokan Parsimoni
Mengaitkan model dengan jumlah koefisien yang diestimasi yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan
prinsip parsimoni atau kehematan berarti memperoleh degree of fit setinggi – tingginya atau setiap degree of freedom.
Tabel 2. Ukuran Goodness of Fit GOF dalam model – model persamaan
struktural.
Ukuran Kecocokan Absolut Ukuran Derajat Kecocokan
Tingkat Kecocokan yang bisa Diterima
Statistic Chi-square dan P-value Mengikuti uji statistik yang berkaitan dengan
persyaratan signifikan. Semakin kecil semakin baik. Non-Centrality Parameter NCP
Dinyatakan dalam bentuk spesifikasi ulang dari Chi-square. Penilaian didasarkan atas perbandingan
dengan model lain. Semakin kecil semakin baik Scaled NCP SNCP
NCP yang dinyatakan dalam bentuk rata-rata perbedaan
setiap observasi
dalam rangka
perbandingan antar model. Semakin kecil semakin baik.
Goodness of Fit Index GFI Nilai berkisar antara 0-1, dengan nilai lebih tinggi
adalah lebih baik. GFI ≥ 0,9 adalah good fit.
Root Mean Square Residual RMSR
Residual rata-rata antara matrik korelasi atau kovarian teramati dan hasil estimasi. RMRSRMR
≤ 0,05 adalah good fit. Root
Mean Square
Error Approximation RMSEA
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan dalam
sampel. RMSEA ≤ 0,08 adalah good fit.
Expected Cross Validation Index ECVI
GOF yang diharapkan pada sampel yang lain dengan ukuran yang sama. Penilaian didasarkan
atas perbandingan antar model. Semakin kecil semakin baik.
Ukuran Kecocokan Absolut Ukuran Derajat Kecocokan
Tingkat Kecocokan yang bisa Diterima
Tucker-Lewis Index atau Non Normed Fit Index TLI atau
NNFI Nilai berkisar antara 0-1, dengan nilai lebih tingi
adalah lebih baik. TLI ≥ 0,9 adalah good fit, sedang
0,8 ≤ TLI 0,9 adalah marginal fit.
Normed Fit Index NFI Nilai berkisar antara 0-1, dengan nilai lebih tingi
adalah lebih baik. NFI ≥ 0,9 adalah good fit, sedang
0,8 ≤ NFI 0,9 adalah marginal fit.
Lanjutan Tabel 2.
Ukuran Kecocokan Absolut Ukuran Derajat Kecocokan
Tingkat Kecocokan yang bisa Diterima
Adjusted Goodness of Fit Index AGFI
Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. AGFI
≥ 0,9 adalah good fit, sedang 0,8
≤ AGFI 0,9 adalah marginal fit. Incremental Fit Index AFI
Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. IFI
≥ 0,9 adalah good fit, sedang 0,8
≤ IFI 0,9 adalah marginal fit. Comparative Fit Index CFI
Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. CFI
≥ 0,9 adalah good fit, sedang 0,8
≤ CFI 0,9 adalah marginal fit. Parsimonius Goodness of Fit Index
PGFI Spesifikasi ulang dari GFI, dimana nilai lebih
tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan diantara
model-model.
Normed Chi-Square Rasio antara Chi-square dibagi degree of freedom.
Nilai yang disarankan: batas bawah = 1.0, batas atas = 2.0 atau 3.0 dan lebih longgar 5.0.
Parsimonius Normed of Fit Inddex PNFI
Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan untuk perbandingan antar model
alternatif. Akaike
Information Criterion
AIC Nilai positif lebih kecil menunjukkan parsimoni
lebih baik; digunakan untuk perbandingan antar model.
Consistent Akaike
Information Criterion CAIC
Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antar
model. Critical N CN
Estimasi ukuran sampel yang mencukupi untuk menghasilkan suatu edequate model fit untuk Chi-
Square test. CN 200 mengindikasikan bahwa sebuah model cukup mewakili sampel data.
IV. HASIL DAN PEMBAHASAN