Confimatory Factor Analysis Asumsi Model

59 Tujuannya adalah untuk memutuskan bentuk perlakuan lanjutan setelah dilakukan evaluasi asumsi dan uji kesesuaian model.

3.4.2. Confimatory Factor Analysis

Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confimatory Factor Analysis. Pada Confimatory Factor Analysis atau CFA peneliti menggunakan variabel-variabel yang diteliti untuk mendefinisikan sebuah faktor yang tidak dapat diukur secara langsung. Analisis atas indikator-indikator yang digunakan itu memberi makna atas label yang diberikan pada variabel laten atau faktor laten yang dikonfirmasi itu. Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji melalui Confirmatory Factor Analysis, maka model pengukuran dengan faktor brand consistency akan nampak sebagai berikut : 1 1 1 Gambar 3.1. : Contoh model pengukuran faktor brand consistency Keterangan : X 2-1 = kesesuaian merek induk dengan perluasan. X 2-2 = pengenalan terhadap perluasan. Brand consistency er_3 er_2 er_1 X 2-3 X 2-2 X 2-1 60 X 2-3 = kepercayaan terhadap perluasan. er_1 = error term X1j.

3.4.3. Asumsi Model

a. Uji Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multi-variant dimana beberapa variabel digunakan sekaligus dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52. b. Outliers Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multi-variant yaitu yang muncul karena kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat muncul dalam 4 kategori : 1. Outliers muncul karena kesalahan prosedur. 2. Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain. 61 3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya. 4. Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak lazim atau sangat ekstrim atau yang biasa disebut multi-variate outlier. Perlakuan terhadap outliers dilakukan bergantung pada bagaimana outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers.  Univariate Outlier Deteksi terhadap adanya outlier univariate dapat dilakukan dengan menentukan nilai imbang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam standart score atau yang biasa disebut Z-score yang mempunyai rata-rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau observasi yang mempunyai Z-score 30 akan dikategorikan sebagai outliers.  Multivariate Outlier Evaluasi terhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis distance untuk tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair dkk, 1995 : Nomusis, 1994 : Tabuerick Fidell 1996 Uji terhadap outliers 62 multivariate dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak Mahalanobis itu dievaluasi dengan menggunakan X 2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. Ferdinand, 2002 : 102. c. Multicolinearity dan Singularity Multikolinearitas dapat dideteksi dan determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil ectremely small memberi indikasi adanya problem multikolinearitas atau singularitas. d. Uji Validitas dan Reliabilitas Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Doll, Xia dan Torkzadeh1994 seperti yang dikutip dari Wijanto2008:65 mendefinisikan cara untuk menguji validitas adalah dengan melihat standard factor loadings muatan factor standar variabel-variabel teramati indikator terhadap variabel laten faktor merupakan estimasi validitas variabel-variabel teramati tersebut. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator- indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstrukfaktor laten yang umum Ferdinand, 2002 : 62. Reliabilitas diuji dengan construct reliability dan variance extracted. construct reliability dan variance extracted dapat dihitung dengan rumus sebagai berikut : Construct reliability = j loading std loading std      2 2 63 Variance extracted = j loading std loading std      2 2 Hair et.al 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika :  Nilai Construct Reliability CR nya 0,70  Nilai Variance Extracted VE nya 0,50

3.4.4. Pengujian Hipotesis dan Hubungan Kausal