45
3.3.Jenis Data
A. Data Primer Data primer yaitu data yang diperoleh dari tangan pertama oleh
peneliti yang berkaitan dengan variabel minat untuk tujuan spesifik studi. Data primer dapat diperoleh dari responden individu, kelompok fokus dan
panel yang secara khusus ditentukan peneliti.
B. Data Sekunder Data sekunder yaitu data yang diperoleh atau dikumpulkan dari
sumber yang telah ada misalnya catatan atau dokumentasi perusahaan, publikasi, analisis industri oleh media, situs Web, Internet dan
sebagainya.
3.4. Pengumpulan Data
a. Kuesioner
Pengumpulan data dengan kuesioner membantu untuk membangun hubungan dengan responden ketika memperkenalkan survei, memberikan
klarifikasi yang diminta oleh responden langsung di tempat dan mengumpulkan kuesioner segera setelah diisi. Adanya kontak langsung
antara peneliti dan responden akan menciptakan suatu kondisi yang cukup baik sehingga responden dengan sukarela akan memberikan data atau
jawaban yang obyektif dan cepat.
46
b. Dokumentasi
Pengumpulan data dilakukan dengan cara mencatat data, dokumen atau arsip dan mempelajari hal-hal yang diperlukan untuk penelitian.
3.5. Teknik Analisis
Teknik analisis data yang dipergunakan didalam penelitian ini adalah teknik Structural Equation Modeling SEM. SEM merupakan sekumpulan
teknik-teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. Ferdinand, 2002 : 6. Sebuah
pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau model pengukuran ditujukan
untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikator empirisnya. Structural model adalah model mengenai struktur hubungan yang
membentuk atau menjelaskan kausalitas antara faktor. Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor Kredibilitas
Credibility dilakukan sebagai berikut : Persamaan dimensi faktor Celebrity Endorser :
X1.1 = λ1 Celebrity Endorser + er_1
X1.2 = λ1 Celebrity Endorser + er_2
Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analisis, maka model
pengukuran dengan contoh faktor Celebrity Endorser akan nampak sebagai berikut :
47
Gambar 3.1 : Contoh Model Pengukuran Faktor Celebrity Endorser
1
1 X1.1
X1.2 Celebrity
Endorser er_
1
er_ 2
Keterangan : X1.1 = Keahlian
X1.2 = Kepercayaan
Gambar 3.2 : Contoh Model Pengukuran Faktor Celebrity Endorser
2
2
2 X2.3
X2.2 X2.1
Celebrity Endorser
er_ 1
er_ 2
er_ 3
Keterangan : X2.1 = Kesamaan
X2.2 = Keakraban X2.3 = Menyenangka
48
Gambar 3.3 : Contoh Model Pengukuran Faktor Citra Merek
2.1 er_
1
2.1
2.1 X2.1.3
X2.1.2 Y2.1.1
Citra Merek er_
2
er_ 3
Keterangan : Y2.1.1 = Nama merek
Y2.1.2 = Logo Y2.1.3 = Kemasan
Gambar 3.4 : Contoh Model Pengukuran Faktor Citra Merek
2.2 Y2.2.1
er_ 1
2.2
2.2 Citra Merek
Y2.2.3 Y2.2.2
er_ 2
er_ 3
49
Keterangan : Y2.2.1 = Informasi
Y2.2.2 = Kualitas Y2.2.3 = Manfaat
Gambar 3.5 : Contoh Model Pengukuran Faktor Citra Merek
2.3
2.3 Y2.3.1
Y2.3.2 er_
1
2.3 Citra Merek
er_ 2
Y2.3.3 er_
3
Keterangan : Y2.3.1 = Ketertarikan
Y2.3.2 = Keingintahuan Y2.3.3 = Pemahaman
50
Gambar 3.6 : Contoh Model Pengukuran Faktor Minat Beli
1 Y1.1
er_ 1
1
1 Minat Beli
Y1.3 Y1.2
er_ 2
er_ 3
Keterangan : Y1.1 = Intensitas Pencarian Pembelian
Y1.2 = Keinginan Segera Membeli Y1.3 = Keinginan Preferensial
3.5.1. Confimatory Factor Analysis
Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confimatory Factor Analysis. Pada Confimatory Factor
Analysis atau CFA peneliti menggunakan variabel-variabel yang diteliti untuk mendefinisikan sebuah faktor yang tidak dapat diukur secara
langsung. Analisis atas indikator-indikator yang digunakan itu memberi makna atas label yang diberikan pada variabel laten atau faktor laten yang
dikonfirmasi itu.
51
3.6. Asumsi Model
a. Uji Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk
permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data dapat diuji dengan metode-metode statistik. Uji normalitas
ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel digunakan sekaligus
dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola
penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52.
b. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena
kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat
muncul dalam 4 kategori : 1.
Outliers muncul karena kesalahan prosedur. 2.
Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain.
52
3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak
dapat mengetahui apa penyebabnya. 4.
Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak
lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier. Perlakuan terhadap outliers dilakukan bergantung pada bagaimana
outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap
multivariate outliers. 1.
Univariate Outlier Deteksi terhadap adanya outlier univariate dapat dilakukan dengan
menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam
standart score atau yang biasa disebut Z-score yang mempunyai rata- rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau
observasi yang mempunyai Z-score 30 akan dikategorikan sebagai outliers.
2. Multivariate Outlier
Evaluasi terhadap multivariate outliers 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 Mahalanobis the Mahalanobis
distance untuk tiap observasi dapat dihitung dan akan menunjukkan
53
jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap outliers multivariate dilakukan
dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak Mahalanobis itu dievaluasi dengan menggunakan X
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian
itu. Ferdinand, 2002 : 102. c.
Multicolinearity dan Singularity Multikolinearitas dapat dideteksi dan determinan matriks
kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau
singularitas. d.
Uji Validitas dan Reliabilitas Validitas berhubungan dengan apakah suatu variabel mengukur apa
yang seharusnya diukur. Seperti yang dikutip dari Wijanto 2008:65 yaitu bagaimana mendefinisikan cara untuk menguji validitas adalah dengan
melihat standard factor loadings muatan factor standar variabel-variabel teramati indikator terhadap variabel laten faktor merupakan estimasi
validitas variabel-variabel teramati tersebut . Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal
dari indikator-indikator suatu konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah
konstrukfaktor laten yang umum Ferdinand, 2002 : 62. Reliabilitas diuji
54
dengan construct reliability dan variance extracted. construct reliability dan variance extracted dapat dihitung dengan rumus sebagai berikut :
Construct reliability = j
loading std
loading std
2 2
Variance extracted = j
loading std
loading std
2 2
Hair et.al 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika :
Nilai Construct Reliability CR nya 0,70
Nilai Variance Extracted VE nya 0,50
3.7. Pengujian Model dengan One Step Approach