b. Kuesioner
Yaitu pengumpulan data di lakukan dengan cara menyebarkan daftar pertanyaan kepada konsumen yang berbelanja produk di Matahari
Department Store di Surabaya. Untuk diisi agar memperoleh jawaban langsung dari konsumen.
3.4. Teknik Analisis dan Uji Hipotesis
3.4.1. Teknik Analisis
Analisis yang di gunakan dalam penelitian ini adalah Stuctural Equation Modelling SEM merupakan sekumpulan teknik yang memungkinkan pengujian
suatu hubungan antara variabel dependen yang di estimasi secara simultan. Metode ini bukan di tujukan untuk menghasilkan teori melainkan
“menginformasikan” teori. Analisis Structural Equation Modelling SEM pada penelitian ini bertujuan untuk mengetahui seberapa besar pengaruh Hedonic
Shopping Value, Fashion Involvement terhadap keputusan Impulse Buying. Penaksiran pengaruh masing-masing variabel bebas terhadap variable terikatnya
menggunakan koefisien jalur. Dengan demikian, analisis yang relevan dan di gunakan dalam penelitian ini adalah SEM Structural Equation Modelling.
Contoh model pengukuran di lakukan sebagai berikut : X1.1 = Hedonic Shopping Value + er_1
X1.2 = Hedonic Shopping Value + er_2 X1.3 = Hedonic Shopping Value + er_3
X1.4 = Hedonic Shopping value + er_4
X1.5 = Hedonic Shopping Value + er_5 Bila persamaan di atas di nyatakan dalam sebuah pengukuran model diuji
maka unidimensionalitasnya melalui Confirmatory Faktor Analisis, maka model pengukuran dengan Hedonic Shopping Value akan nampak sebagai berikut :
Gambar 3.1. Contoh Model pengukuran Hedonic Shopping Value.
Keterangan : X1.1 Pertanyaan tentang keinginan berbelanja.
X1.2 Pertanyaan tentang kegiatan berbelanja. X1.3 Pertanyaan tentang kebebasan berbelanja.
X1.4 Pertanyaan tentang penguasaan berbelanja. X1.5 Pertanyaan tentang dorongan arousal berbelanja.
Demikian juga faktor lain seperti Fashion Involvement. X1.1
X1.2
X1.3
X1.4 HEDONIC
SHOPPING VALUE
X1.5
3.4.2. Outliers
Oulier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariate maupun multivariate yang muncul karena kombinasi
karakteristik unik yang di milikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Dapat di adakan treatment khusus pada outliers ini
asal di ketahui 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 dari pada yang lain, tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim.
Ketiga, outlier dapat muncul karena adanya sesuatu alasan, tetapi peneliti
tidak dapat mengetahui penyebabnya atau tidak ada penjelasan mengenai nilai ekstrim itu.
Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila di
kombinasi dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut multivariate outlier.
3.4.3. Evaluasi dan Outlier
