Teknik Pengumpulan Data 1. Teknik Analisis dan Uji Hipotesis 1.

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