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