Teknik Analisis Data 1. Teknik Uji Instrumen

teknik x 4 program komunikasi untuk variabel Implementasi Pemasaran Langsung IPL.

F. Teknik Analisis Data 1. Teknik Uji Instrumen

a. Uji reliabilitas Digunakan untuk menguji apakah instrumen dapat mengukur sesuatu yang diukur secara konsisten dari waktu ke waktu. Pada penelitian ini reliabilitas diukur dengan menggunakan metode Cronbach’s Alpha Koefisien Alpha dengan rumus sebagai berikut. Keterangan: α = reliabilitas instrumen k = banyaknya butir pertanyaan ∑σb 2 = jumlah varians butir σ t 2 = varians total α lebih dari 0,6 atau mendekati 1,0 menunjukkan tingkat reliabilitas tinggi. b. Uji validitas Uji validitas menunjukkan seberapa nyata suatu pengujian mengukur apa yang seharusnya diukur Jogiyanto, 2004. Dikarenakan konstruk yang hendak diuji merupakan pengujian kembali dari penelitian yang telah dilakukan sebelumnya, dimana pada penelitian sebelumnya telah berhasil mengidentifikasi faktor-faktor yang membentuk konstruk maka dalam penelitian ini teknik analisis yang dipakai dengan menggunakan Confirmatory Factor Analysis CFA, dengan bantuan paket perangkat lunak program SPSS 15.0 for Windows. CFA perlu dilakukan karena untuk dapat menganalisis model dengan SEM, indikator masing-masing konstruk harus memiliki loading factor yang signifikan terhadap konstruk yang diukur. Menurut Hair et al. 1998 factor loading ± 0,30 dianggap memenuhi level minimal. Factor loading ± 0,40 dianggap lebih baik dan sesuai dengan rules of thumb yang dipakai para peneliti. Sedangkan factor loading ≥ 0,50 dianggap signifikan. Berdasarkan pedoman tersebut, peneliti menetapkan nilai factor loading yang signifikan adalah ≥ 0,50. c. Analisis Faktor Konfirmatori Analisis ini dilakukan untuk menguji atau mengkonfirmasi secara empirik struktur ketepatan dari model, yang dibangun berdasarkan suatu konsep teori tertentu. Pertanyaan yang timbul pada analisis konfirmatori adalah tentang seberapa baik data empirik sesuai dengan model yang sedang diuji Jöreskog dan Sorbom, 1993. Tujuan dari dilakukannya analisis faktor adalah sebagai berikut Solimun, 2002. 1. Mereduksi jumlah variabel yang banyak untuk pengolahan data selanjutnya dengan tetap mempertahankan informasi awal yang terkandung dalam variabel sebanyak mungkin. 2. Memberikan perbedaan kuantitatif dan kualitatif data, misalnya jumlah dan karakter dimensi yang mendsain variasi suatu set variabel. 3. Menguji hipotesis tentang perbedaan kualitatif dan kuantitatif yang terdapat dalam data. Sedangkan fungsi yang lebih spesifik adalah sebagai berikut Hair, 1998. 1. Mengidentifikasi satu himpunan dimensi yang bersifat laten tak mudah dikenali dalam sejumlah variabel. 2. Mengelompokkan objek-objek ke dalam kelompok-kelompok yang berbeda. 3. Menyeleksi variabel-variabel yang tepat untuk digunakan dalam analisis lanjutan, misalnya untuk analisis regresi, koreksi atau diskriminan. 4. Membuat satu himpunan variabel asal, untuk keperluan analisis lebih lanjut, seperti metode regresi, koreksi, diskriminan atau cluster.

2. Uji Asumsi

Sebelum dilakukan analisis model uji hipotesis maka, menurut Ghozali dan Fuad 2005, ada asumsi-asumsi yang “seharusnya” dipenuhi dalam LISREL, yaitu sebagai berikut. a. Uji normalitas Asumsi yang paling fundamental dalam analisis multivariate adalah normalitas yang merupakan bentuk suatu distribusi pada suatu variabel metrik tunggal dalam menghasilkan distribusi normal Hair, 1998. Suatu distribusi data yang tidak membentuk distribusi normal, maka data tersebut tidak normal sebaliknya data dikatakan normal apabila ia membentuk suatu distribusi normal. Apabila asumsi normalitas tidak dipenuhi dan penyimpangan normalitas tersebut besar, maka seluruh hasil uji statistik adalah tidak valid karena perhitungan uji t dan lain sebagainya, dihitung dengan asumsi data normal. Untuk menguji dilanggartidaknya asumsi normalitas, maka dapat digunakan nilai statistik z untuk skewness dan kurtosis-nya. Nilai skewness dapat dihitung sebagai berikut. Z skewness = N skewness 6 dimana N merupakan ukuran sampel. Nilai statistik z untuk kurtosisnya dapat dihitung dengan menggunakan formula berikut ini. Z kurtosis = N kurtosis 24 jika z, baik Z kurtosis dan atau Z skewness adalah signifikan kurang daripada 0.05 pada tingkat 5, maka dapat dikatakan bahwa distribusi data adalah tidak normal. Sebaliknya jika z, baik Z kurtosis dan atau Z skewness adalah tidak signifikan lebih besar daripada 0.05 pada tingkat 5, maka distribusi normal. Curran et. al. dalam Ghozali dan Fuad 2005 menjelaskan bahwa data yang benar-benar tidak terdistribusi normal adalah data yang memiliki nilai skewness lebih dari 3 dan kurtosis lebih besar dari 21. b. Multikolinieritas Asumsi Multikolinieritas mengharuskan tidak adanya korelasi yang sempurna atau besar di antara variabel-variabel independen. Nilai korelasi antara variabel observed yang tidak diperbolehkan adalah sebesar 0,9 atau lebih.

3. Uji Hipotesis

Analisis data untuk menguji hipotesis dalam penelitian ini menggunakan alat uji Structural Equation Modelling SEM, dengan bantuan perangkat lunak LISREL 8.54. a. Variabel Laten Sebuah konsep yang dapat didefinisikan peneliti dalam istilah konseptual, tapi tidak dapat diukur tanpa adanya kesalahan, disebut dengan konstruk construct. Variabel laten merupakan operasionalisasi dari sebuah konstruk dalam SEM, yang tidak dapat diukur secara langsung tapi dapat diwakili atau diukur dengan satu atau lebih variabel manifest. Sebuah SEM dapat terdiri dari dua jenis variabel laten, yaitu variabel eksogen dan variabel endogen. Variabel eksogen dilambangkan dengan karakter “ksi” ξ dan variabel endogen yang dilambangkan dengan karakter “eta” η. Variabel eksogen adalah variabel independen dalam setiap persamaan yang ada, sementara variabel endogen adalah variabel dependen pada minimal satu persamaan yang ada, meskipun dalam persamaan lain bisa menjadi variabel independen Jöreskog dan Sorbom, 1993. b. Variabel Manifest Variabel manifest adalah suatu nilai hasil obeservasi untuk suatu item atau pertanyaan yang spesifik, yang dihasilkan dari jawaban responden, atau dari pengamatan peneliti. Variabel manifest digunakan sebagai indikator terhadap variabel laten. Variabel manifest merupakan ukuran dan skor aktual, yang ditujukan untuk menghubungkan model variabel laten dengan data sebenarnya. Variabel manifest yang berhubungan dengan variabel eksogen dilambangkan dengan X dan yang berhubungan dengan variabel endogen dihubungkan dengan Y Jöreskog dan Sorbom, 1993. c. Indikator Indikator adalah suatu nilai hasil obeservasi variabel manifest yang digunakan untuk mengukur sebuah konsep atau variabel laten yang tidak dapat diukur secara langsung. Peneliti harus menetapkan indikator mana yang berhubungan dengan masing-masing konstruk Jöreskog dan Sorbom, 1993. d. Model Struktural Structural Model Dalam SEM, model struktural merupakan kumpulan dari satu atau lebih hubungan keterkaitan yang membentuk konstruk model. Dalam diagram, panah berkepala satu menggambarkan hubungan regresi, sementara panah berkepala dua menggambarkan hubungan korelasi Jöreskog dan Sorbom, 1993. e. Kesalahan Struktural Structural Error Karena kesulitan untuk memprediksi konstruk secara sempurna, maka model SEM mengikutsertakan istilah kesalahan struktural, yang dilambangkan dengan karakter “Zeta” ζ. Istilah kesalahan ini diasumsikan tidak berkorelasi dengan variabel eksogen dalam model, namun dapat dimodelkan berkorelasi dengan kesalahan lainnya. hal ini mengindikasikan bahwa variabel endogen yang berhubungan dengan kesalahan tersebut berbagi variasi bersama common variation yang tidak dijelaskan oleh perkiraan hubungan dalam model Jöreskog dan Sorbom 1993. f. Model Pengukuran Measurement Model Para peneliti SEM menghubungkan variabel laten dengan pengukurannya melalui suatu model analisis faktor, dimana masing-masing variabel laten dimodelkan sebagai faktor bersama common factor yang mendasari pengukuran bersangkutan Jöreskog dan Sorbom, 1993. g. Kesalahan Pengukuran Measurement Error SEM mencakup istilah-istilah yang mewakili kesalahan pengukuran, untuk memodelkan ketidaksempurnaan dalam pengukuran. Istilah kesalahan pengukuran yang berhubungan dengan pengukuran X dilambangkan dengan karakter “delta” δ, sementara yang berhubungan dengan pengukuran Y dilambangkan dengan karakter “epsilon” ε. Hampir semua pengukuran mempunyai kesalahan, atau dengan kata lain hampir semua pengukuran mencakup beberapa kesalahan Jöreskog dan Sorbom, 1993. h. Diagram Jalur Path Diagram Diagram jalur adalah gambaran grafis dari seluruh hubungan yang ada di antara konstruk mode. Diagram jalur sangat berguna untuk memperlihatkan sekumpulan dari hubungan kausal. Hubungan kausal digambarkan oleh garis panah lurus, dengan arah panah dari variabel prediktor menuju variabel dependen. Tanda panah yang melengkung menggambarkan korelasi antara konstruk atau indikator namun tidak ada hubungan sebab akibat Jöreskog dan Sorbom, 1993. i. Estimasi Model Sebuah model struktural dan model pengukuran ditetapkan dan jenis input data sudah dipilih, maka kita harus memilih program komputer untuk melakukan estimasi. Program yang paling sering digunakan adalah LISREL, sebuah software yang fleksibel untuk sejumlah situasi penelitian, baik studi cross-sectional, eksperimental, dan longitudinal. LISREL dapat diterapkan pada banyak bidang studi dan sering disamakan dengan SEM itu sendiri Jöreskog dan Sorbom, 1993. j. Goodness of fit Statistic Jöreskog dan Sorbom 1993 menyatakan Goodness of fit Statistic merupakan uji kebaikan kesesuaian yang memperlihatkan seberapa baik kesesuaian data dengan model yang kita analisis. Beberapa aturan praktis yang digunakan adalah sebagai berikut. 1 Nilai chi-square seharusnya tidak terlalu besar perbandingannya jika dibandingkan dengan degrees of freedom. Nilai chi-square yang digunakan untuk mengukur kesesuaian data dengan model. Semakin besar perbandingan nilai chi-square dengan degree of freedom menunjukkan kesesuaian data kurang baik. Menurut Wheaton et.al 1997 dalam Imam 2004 nilai rasio 5 lima atau lebih kecil dari 5 sudah dikatakan reasonable atau ukuran yang fit. 2 Root Mean square Errors of Approximation RMSEA yang baik adalah yang bernilai 0.05, namun nilai RMSEA yang mendekati 0.08 masih dianggap baik. RMSEA mengukur ketidaksesuaian model dengan degree of freedom. 3 P-value, dianggap sudah baik jika nilainya 0.05 Hair, 1998. P-value digunakan untuk mengukur peluang kesesuaian nilai chi-square, semakin besar nilainya menunjukkan bahwa peluang kesesuaian data dengan model akan semakin besar. 4 Goodness of fit Index GFI. GFI menunjukkan derajat kesesuaian dari keseluruhan model. Nilai GFI ada pada rentang 0 model tidak sesuai sampai 1 model sempurna. Semakin besar nilai GFI semakin tinggi kesusaian modelnya. Nilai GFI yang direkomendasikan adalah 0.90. 5 Adjusted Goodness of fit Index AGFI. AGFI merupakan penyesuaian dari nilai GFI dengan mempertimbangkan perbandingan antara degrees of freedom dari model yang diusulkan dengan degrees of freedom dari null model. Nilai GFI yang direkomendasikan untuk diterima adalah 0.90. 6 Rood Mean Squared Residual RMR adalah rata-rata kuadrat residual. Nilai RMR yang direkomendasikan adalah 0.05. 7 Normed Fit Index NFI merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1,0 perfect fit. Nilai NFI yang direkomendasikan adalah 0.90. 8 Comparative Fit Index CFI Besarnya indeks ini adalah pada rentang nilai 0 sampai 1,0 dimana semakin mendekati 1,0 mengidentifikasikan tingkat fit yang paling tinggi. Nilai CCFI yang direkomendasikan adalah 0.90. Dalam penelitian model, indeks CFI sangat dianjurkan untuk digunakan karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model. Tabel 3.2 Pengujian Goodness of fit Model pada SEM Goodness of fit Cut-off Chi-square Diharapkan kecil P-value 0,05 RMR 0,05 RMSEA 0,08 GFI 0,90 AGFI 0,90 NFI 0,90 CFI 0,90

BAB IV. ANALISIS DATA DAN PEMBAHASAN HASIL