3.3. Teknik Pengumpulan Data 3.3.1.
Jenis Data
a. Data Primer
Data primer yang diolah dalam penelitian ini diperoleh dengan menyebarkan kuesioner kepada konsumen yang membeli produk notebook Acer di Hi-
Tech Mall Surabaya. b. Data Sekunder
Adalah data pendukung yang diperoleh dari perusahaan yang bersangkutan dalam hal ini Hi-Tech Mall Surabaya. Data ini antara lain berupa data
perusahaan dan gambaran umum tentang produk notebook Acer.
3.3.2. Sumber Data
Sumber data yang digunakan dalam analisis ini adalah data yang diambil langsung dari konsumen yang membeli dan menggunakan produk notebook
Acer di Hi-Tech Mall Surabaya dengan cara menyebarkan kuesioner.
3.3.3. Tehnik Pengumpulan Data
Pengumpulan data dalam skripsi ini dilakukan dengan menggunakan beberapa cara berikut:
a. Observasi Merupakan pengamatan langsung pada perusahaan untuk mendapatkan bukti -
bukti yang berkaitan dengan obyek penelitian. b. Kuisioner
Yaitu pengumpulan data dilakukan dengan cara menyebarkan daftar pertanyaan kepada konsumen yang membeli dan menggunakan notebook
Acer di Hi-Tech Mall Surabaya untuk diisi agar memperoleh jawaban langsung dari konsumen.
3.4. Teknik Analisis dan Uji Hipotesis 3.4.1.
Teknik Analisis
Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling [SEM]. Merupakan teknik statistik yang
memungkinkan pengujian sebuah rangkaian hubungan yang relative rumit. Model pengukuran nilai pelanggan terhadap minat mereferensikan menggunakan
confirmatory factor analyses. Penaksiran pengaruh masing-masing variable bebas terhadap variabel terikatnya menggunakan koefisien jalur
Persamaan Dimensi variabel kegunaan produk adalah sebagai berikut : X1 =
1 kegunaan produk + er_1 X2 =
2 kegunaan produk + er_2 X3 =
3 kegunaan produk + er_3 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk
diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh variabel kegunaan produk akan nampak sebagai
berikut:
Gambar 4.1 : Contoh Model Pengukuran Loyalitas merek
Er 1
X
1.1
Er 2
X1.2
Er 3
X1.3
Kegunaan Produk
X1
Keterangan : Y1.1 = pertanyaan tentang kegunaan pada saat efektivitas kerja
Y1.2 = pertanyaan tentang kegunaan pada produktivitas penghematan waktu Y1.3 = pertanyaan tentang kegunaan pada sistem pekerjaan seseorang
er_j = error term X1j
3.4.2. Outliers
Outlier adalah obsevasi yang muncul dengan nilai-nilai eksterim baik secara univariat maupun multivariate yang muncul karena kombinasi karakteristik
unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainya. Dapat diadakan treatment khusus pada outliers ini asal diketahui
munculnya outlier itu. Outliers pada dasarnya dapat muncul dalam empat kategori.
Pertama, Outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. Misalnya 8 diketik
80 sehingga jauh berbeda dengan nilai-nilai lainnya dalam rentang jawaban responden antara 1-10 jika hal semacam ini lolos maka akan menjadi sebuah
nilai ekstrim. Kedua, outlier dapat muncul karena keadaan yang benar-benar khusus yang
memungkinkan profil datanya lain daripada yang lain daripada tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu.
Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai nilai
ekstrim itu. Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila
dikombinasi dengan varibel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut multivariate outlier.
3.4.3. Evaluasi atas outliers
Menagamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier Multivariate outlier diukur dengan kriteria jarak mahalanobis pada tingkat p
0,001.Jarak diuji dengan Chi-Square X pada df degrees of Freedom sebesar jumlah variabel bebasnya. Ketentuan : Mahalanobis dari nilai X adalah
multivariate outlier.
2 2
3.4.4. Uji Validitas
Uji validitas adalah suatu derajat ketepatan alat ukur penelitian tentang isi sebenarnya yang diukur. Analisis validitas item bertujuan untuk menguji apakah
tiap butir pertanyaan benar-benar sudah sahih, paling tidak kita dapat menetapkan derajat yang tinggi dari kedekatan data yang diperoleh dengan apa yang diyakini
dalam pengukuran. Sebagai alat ukur yang digunakan, analisis ini dilakukan dengan cara mengkorelasiakn antar skor item denga skor total item. Dalam hal ini
koefisien korelasi yang nilai signifikasinya lebih kecil dari 5 level of significance menunjukkan bahwa item-item tersebut sudah sahih sebagai
pembentukan indikator.
Rumus: }
}{ {
2 2
2 2
Y
Y n
X X
n Y
X XY
n Sudjana, 2002: 369
Keterangan : r = koefisien korelasi
X = tanggapan responden Y = total tanggapan responden seluruh pertanyaan
n = jumlah responden
3.4.5. Uji Reliabilitas
Yang dimaksud dengan reabilitas ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukan derajat sampai dimana
masing-masing indicator itu menghasilakan sebuah konstrukfaktor laten yang umum.
Construct-reliability dan Variance-extracted dihitung dengan rumus: Construct-reliability =
j
Loading Std
Loading Std
2 2
. .
Variance – extracted =
j
Loading Std
Loading Std
2 2
. .
Ferdinand, 2002:62- 64
Dimana :
Std. Loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator diambil dari computer, AMOS 4.01, dengan melihat nilai
estimasi setiap construct standardize regression weigths terhadap setiap butir sebagai indikatornya. Sementara
ε
j
dapat dihitung dengan formula:
j
= 1- Standardize Loading
2
Secara umum,nilai construct reliability yang dapat diterima adalah ≥ 0,70
dan variance extracted ≥ 0,5 Hair et. al., 1998 .
3.4.6. Uji Normalitas
Untuk menguji normalitas distribusi data-data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah
adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik diskriptif dari hampir semua program statistik.
Nilai statistik untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
N Skewness
6
Score NilaiZ
dimana N adalah ukuran sampel. Bila nilai –z lebih besar dari nilai kritis, maka dapat diduga bahwa
distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifiukasi yag dikehendaki. Misalnya, bila nilai yang dihitung lebih
besar dari 2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0,01 1. Nilai kritis lainnya yang umum digunakan
adalah nilai kritis sebesar
1,96 yang berarti bahwa asumsi normalitas ditolak pada tingkat signifikasi 0.05 5 Sumber Ferdinand Augusty 2002 : 95
3.4.7. Multicollinearity dan Singularity
Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati
determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak
dapat digunakan untuk analisis yang sedang dilakukan. Ferdinand Augusty 2002
: 108. 3.4.8. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p
[probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.
3.4.9. Pengujian model dengan Two-Step Approach
Two-Step Approach to structural equation modelling [SEM] digunakan untuk menguji model yang diajukan pada gambar 3.6. Two-Step Approach
digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan [Hartline Ferrell,1996], dan
keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-step approach ini. Cara yang dilakukan dalam menganalisis SEM dengan Two step
approach adalah sebagai berikut: a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator
summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi [Z-scores] dengan mean = 0, deviasi standar
= 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut [Hair et.al.,1998].
b. Menetapkan error [ ] dan lambda [] terms, error terms dapat dihitung
dengan rumus 0,1 kali
2
dan lamda terms dengan rumus 0,95 kali
[Anderson dan Gerbing,1988]. Perhitungan construct reliability [ ] telah
dijelaskan pada bagian sebelumnya dan deviasi standar [ ] dapat dihitung
dengan bantuan program aplikasi statistik SPSS. Setelah error [ ] dan lambda
[ ] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix
pada analisis model pengukuran SEM.
3.4.10. Evaluasi Model
Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan
pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang
diperkuat. Sebaliknya, suatu model teotitis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam
penggunaan structural equation modelling.
Goodness of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
X
2
- Chi-square Menguji apakah covariance populasi yang destimasi sama
dengan cova-riance sample [apakah model sesuai dengan data]. Diharapkan Kecil, 1 s.d 5.
atau paling baik diantara 1 dan 2.
Probability Uji signifikansi terhadap perbedaan matriks covariace data dan
matriks covariance yang diestimasi. Minimum 0,1 atau 0,2,
atau 0,05
RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar.
0,08 GFI
Menghitung proporsi tertimbang varians dalam matrtiks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi
[analog dengan R
2
dalam regresi berganda]. 0,90
AGFI GFI yang disesuaikan terhadap DF.
0,90 CMINDDF
Kesesuaian antara data dan model 2,00
TLI Pembandingan antara model yang diuji terhadap baseline model.
0,95 CFI
Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model.
0,95 Sumber : Hair et.al., [1998]
1. X
² CHI SQUARE STATISTIK
Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio chi-square ini bersifat sangat sensitif terhadap besarnya sampel yang
digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik chi-square ini harus didampingi oleh alat uji lain. Model yang diuji akan
dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X² semakin baik model itu. Karena tujuan analisis adalah mengembangkan
dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X² yang kecil dan signifikan. X² bersifat
sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar.
2. RMSEA-THE ROOT
MEAN SQUARE
ERROR Of
APPROXIMATION
RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA menunjukkan
goodness-of-fit yang dapat diharapkan bila model diestimasi alam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat
diterimanya degress of freedom.
3. GFI – GOODNES of FIT INDEKS
GFI adalah analog dari R dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians
sampel yang dijelaskan oleh kovarians matriks populasi yang terestimasi. GFI adalah sebuah ukuran non- statistika yang mempunyai rentang nilai antara 0 poor
fit sampai dengan 1,0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
4. AGFI – ADJUST GOODNES of FIT INDEX
AGFI = GFIdf Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai niali yang sama dengan atau lebih besar dari 0.90. GFI maupun
AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians alam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterprestasikan
sebagai tingkatan yang baik good overall model fit sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup adequate fit.
5. CMINDF
Sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMNIDF tidak lain adalah statistik chi-square, X² dibagi Dfnya
sehingga disebut X² relatif. Nilai X² relatif kurang dari 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X² relatif
yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan diestimasi.
6. TLI – TUCKER LEWIS INDEKS
TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah
penerimaan ≥0,95 nilai yang sangat mendekati 1 menunjukkan a verry good fit.
7. CFI – COMPERATIF FIT INDEX
Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mendidentifikasikan tingkat fit yang paling tinggi a very good fit.
Nilai yang direkomendasikan adalah CFI 0.95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk
mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relatif Non certrality Indeks RNI.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN