commit to user
96
Tabel 4.11 Hasil Pengujian Outlier
Observation Number Mahalanobis d-squared
p1 p2
73 38.059 0.013 0.893
151 37.295 0.016 0.758
166 37.081 0.016 0.552
144 36.998 0.017 0.341
56 36.392
0.02 0.265 52
35.598 0.024 0.252 127
34.434 0.033 0.344 149
34.348 0.033 0.229 41
34.04 0.036 0.179 43
33.073 0.045 0.274 114
32.871 0.048 0.215 129
32.786 0.049 0.147 78
32.724 0.049 0.094 135
32.397 0.053 0.086 .
. .
. .
. .
. .
. .
. Sumber: data primer diolah, 2011
Berdasarkan Tabel 4.11 dapat diketahui terdapat indikasi 13 nilai observasi yang mengalami outlier karena nilai p1 0,05, sedangkan dari 13
nilai observasi tersebut memiliki nilai p2 0,05. Sehingga dapat disimpulkan bahwa 13 nilai observasi tersebut masih dapat diterima outliers masih dapat
diterima.
C. Penilaian Model Fit
Menilai model fit adalah sesuatu yang kompleks dan memerlukan perhatian yang besar. Suatu indek yang menunjukkan bahwa model adalah fit tidak
memberikan jaminan bahwa model memang benar-benar fit. Sebaliknya, suatu indeks fit yang menyimpulkan bahwa model adalah sangat buruk, tidak memberikan jaminan
commit to user
97
bahwa model tersebut benar-benar tidak fit. Dalam SEM, peneliti tidak boleh hanya tergantung pada satu indeks atau beberapa indeks fit. Tetapi sebaiknya pertimbangan
seluruh indeks fit. Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau
menguji hipotesis mengenai model Hair et al., 1995; joreskog Sorbom, 1989; Long, 1983; Tabachnick Fidell, 1996 dalam Ferdinand, 2002. Umumnya terhadap
berbagai jenis fit index yang digunakan untuk mengukur derajat kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Peneliti diharapkan untuk
melakukan pengujian dengan menggunakan beberapa fit index untuk mengukur kebenaran model yang diajukannya. Berikut ini adalah hasil pengujian indeks
kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak. Hasil pengujian Goodness of Fit dapat di lihat
pada gambar model struktural sebagai berikut:
commit to user
98
.80
Celebrity Endors em ent
1.50
Event Spons ors hip
.74
TV Advertis ing
2.52
Print Advers iting
3.64
Web Advers iting
2.17
Price Prom otion
Brand Awarenes s
Loyalty CE1
.70
e1
1.00 1
CE2
.40
e2
1.04 1
ES1
.46
e5
1.00 1
ES2
.53
e4
.56 1
ES3
.78
e3
.79 1
TA1
.66
e7
1.00 1
TA2
1.41
e6
1.02 1
PA1
-.15
e9
1.00 1
PA2
1.84
e8
.50 1
WA1
-1.26
e11
1.00 1
WA2
1.18
e10
.57 1
PP1
.42
e13
1.00 1
PP2
.67
e12
.73 1
BA1
.94
e18
1.00 1
BA2
.15
e17
1.26 1
BA3
.37
e16
1.09 1
BA4
.56
e15
1.05 1
L1
.29
e19
1.00 1
L2
.98
e20
1 1.16
.18 .17
.27 .02
.04 .03
.32 .55
z1
1
.91
z2
1 .31
.44 .33
-.02 .13
.21 .20
.31 .05
.06 .21
.12 .40
-.03 .58
L3
1.71
e21
.71 1
BA5
1.16
e14
.59 1
Gambar: Model Struktural
GOODNESS OF FIT Chi-Square = 267.570
Probability = .000 CMINDF = 1.602
GFI = .878 TLI = .915
CFI = .933 RMSEA = .059
Berdasarkan hasil pengujian dengan menggunakan program AMOS 16 diperoleh hasil goodness of fit sebagai berikut:
Tabel 4.12 Evaluasi Goodness-of-Fit Indices
Indeks Model goodness of fit
Cut-off Value
Hasil Model
Kesimpulan
Chi Square Diharapkan kecil
267,5 Tidak Fit
Probabilitas Chi Square p 0,05
0,000 CMINDF
2,00-3,00 1,602
Fit Adjusted goodness of fit index
AGFI 0,90
0,878 Tidak Fit
Comparative fit index CFI 0,95
0,933 Tidak Fit
Tucker-Lewis Index TLI 0,95
0,915 Tidak Fit
Root mean square error approximation RMSEA
0,08 0,059
Fit
Sumber: data primer diolah, 2011
Tabel 4.12 menunjukkan ringkasan hasil yang diperoleh dalam kajian dan
nilai yang direkomendasikan untuk mengukur fit-nya model. Seperti yang
Gambar 4.3 Model Struktural SEM
commit to user
99
ditunjukkan dalam tabel di atas, sebagai syarat utama model MLE maximum likelihood estimate
adalah nilai chi-square harus fit nilai probabilitas 0,05 tidak terpenuhi maka langkah pertama model harus dire-estimasi, dan apabila
setelah dire-estimasi model masih memiliki nilai goodness of fit yang tidak fit, maka langkah selanjutnya model harus dimodifikasi.
D. Re-estimasi Model Struktural
Dikarenakan nilai goodness of fit masih belum terpenuhi maka langkah selanjutnya adalah dengan mere-estimasi model. Adapun langkah untuk mere-
estimasi model dengan cara melihat nilai loading faktor tiap instrumen indikator dengan ketentuan apabila nilai loading faktor 0,5 maka indikator tersebut harus
didrop direduksi, hasil selengkapnya menunjukkan terdapat dua item yang memiliki nilai loading faktor 0,5 yaitu BA5 dan L3, sehingga item tersebut akan didrop atau
direduksi dihilangkan: Tabel 4.13
Loading Faktor Tiap Instrumen
Item Variable
Estimate
CE1 ---
Celebrity_Endorsement 0.733
CE2 ---
Celebrity_Endorsement 0.824
ES1 ---
Event_Sponsorship 0.875
ES2 ---
Event_Sponsorship 0.685
ES3 ---
Event_Sponsorship 0.741
TA1 ---
TV_Advertising 0.729
TA2 ---
TV_Advertising 0.592
PA1 ---
Print_Adversiting 1.01
PA2 ---
Print_Adversiting 0.516
WA1 ---
Web_Adversiting 1.183
WA2 ---
Web_Adversiting 0.739
PP1 ---
Price_Promotion 0.92
PP2 ---
Price_Promotion 0.791
commit to user
100
Tabel Lanjutan 4.13 Loading Faktor Tiap Instrumen
Item Variable
Estimate
BA1 ---
Brand_Image 0.672
BA2 ---
Brand_ Image 0.946
BA3 ---
Brand_ Image 0.846
BA4 ---
Brand_ Image 0.777
BA5 ---
Brand_ Image
0.438 L1
--- Loyalty
0.906 L3
--- Loyalty
0.468 L2
--- Loyalty
0.736
Sumber: data primer diolah, 2011
Dikarenakan BA5 dan L3 direduksi atau didrop, maka pada gambar struktural model penelitian untuk item BA5 dan L3 harus dibuang atau tidak diikut sertakan
dalam pengujian selanjutnya. Adapun hasil setelah model di re-estimasi adalah sebagai berikut:
.80
Celebrity Endors em ent
1.50
Event Spons ors hip
.74
TV Advertis ing
2.53
Print Advers iting
3.43
Web Advers iting
2.17
Price Prom otion
Brand Awarenes s
Loyalty CE1
.70
e1
1.00 1
CE2
.40
e2
1.05 1
ES1
.45
e5
1.00 1
ES2
.53
e4
.56 1
ES3
.78
e3
.79 1
TA1
.66
e7
1.00 1
TA2
1.41
e6
1.02 1
PA1
-.15
e9
1.00 1
PA2
1.84
e8
.50 1
WA1
-1.04
e11
1.00 1
WA2
1.10
e10
.60 1
PP1
.42
e13
1.00 1
PP2
.67
e12
.73 1
BA1
.91
e18
1.00 1
BA2
.17
e17
1.22 1
BA3
.37
e16
1.07 1
BA4
.54
e15
1.04 1
L1
.31
e19
1.00 1
L2
.95
e20
1 1.19
.19 .17
.27 .02
.05 .03
.32 .56
z1
1
.89
z2
1
UJI HIPOTESA Chi-Square = 236.6
Probability = .000 CMINDF = 1.820
GFI = .879 TLI = .902
CFI = .926 RMSEA = .069
.31 .44
.33 -.01
.14 .20
.20 .31
.05 .07
.21 .13
.40 -.03
.58
Structural Equation Model setelah Re-estimasi
Gambar 4.4 Model Struktural SEM Setelah Dire-estimasi
commit to user
101
Dari hasil re-estimasi model menunjukkan bahwa nilai goodness of fit mengalami perbaikan hasil akan tetapi nilai-nilai goodness of fit masih menunjukkan
nilai yang belum fit sehingga model harus dimodifikasi agar syarat goodness of fit terpenuhi.
E. Modifikasi Model Struktural