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