Teknik Analsis Data Teknik Analisis Data dan Uji Hipotesis

3.4 Teknik Analisis Data dan Uji Hipotesis

3.4.1 Teknik Analsis Data

Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling SEM. Model pengukuran harga, fasilitas, pelayanan, minat berkunjung menggunakan Confirmatory Factor Analysis. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langkah- langkah dalam analisis SEM model pengukuran dengan contoh faktor budaya dilakukan sebagai berikut : 1. Persamaan Dimensi Harga X 1.1 = λ1 harga + er_1 X 1.2 = λ2 harga + er_2 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh harga akan nampak sebagai berikut : Gambar 3.1 Harga X 1.1 X 1.2 er_1 er_2 Keterangan : X 1.1 = Harga jual tiket adalah harga yang ditetapkan untuk penjuaan setiap tiket serta menawarkan kombinasi yang tepat dari mutu dan pelayanan dengan harga yang wajar di Cinema 21 Tunjungan Plaza. X 1.2 = Harga makanan dan minuman ringan adalah harga yang ditetapkan untuk menjual berbagai makanan dan minuman ringan di Cinema 21 Tunjungan Plaza Surabaya. Er_j = error term X1j 2 Persamaan Dimensi fasilitas : X 2.1 = λ1 fasilitas + er_1 X 2.2 = λ2 fasilitas + er_2 X 2.3 = λ3 fasilitas + er_3 X 2.4 = λ4 fasilitas + er_4 X 2.5 = λ5 fasilitas + er_5 X 2.6 = λ6 fasilitas + er_6 X 2.7 = λ7 fasilitas + er_7 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh fasilitas akan nampak sebagai berikut: Gambar 3.2 Keterangan : X 2.1 = keputusan menonton terhadap kenyamanan tempat duduk Cinema 21 Tunjungan Plaza X 2.2 = keputusan menonton terhadap ACPendingin ruangan Cinema 21 Tunjungan Plaza X 2.3 = keputusan menonton terhadap akses Cinema 21 Tunjungan Plaza X 2.4 = keputusan menonton terhadap kebersihan gedung Cinema 21 Tunjungan Plaza Fasilitas X 2.1 X 2.2 X 2.3 X 2.4 X 2.5 X 2.6 er_1 er_2 er_3 er_4 er_5 er_6 X 2.7 er_7 X 2.5 = keputusan menonton terhadap loket penjualan tiket di Cinema 21 Tunjungan Plaza X 2.6 = keputusan menonton terhadap sarana toilet Cinema 21 Tunjungan Plaza. X 2.7 = Keputusan menonton terhadap sound system tata suara Cinema 21 Tunjungan Plaza er_j = error term X2j 3. Persamaan Dimensi Pelayanan X 3.1 = λ1 Pelayanan + er_1 X 3.2 = λ2 Pelayanan + er_2 X 3.3 = λ3 Pelayanan + er_3 X 3.4 = λ4 Pelayanan + er_4 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji undimensionalnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh pelayanan akan nampak sebagai berikut : Gambar 3.3 Keterangan : X 3.1 = keputusan menonton terhadap ketepatan waktu dalam pemutaran film di Cinema 21 Tunjungan Plaza X 3.2 = keputusan menonton terhadap kesediaan untuk membantu konsumen dan menyediakan pelayanan yang tepat dalam memberikan informasi kepada penonton yang bertanya serta melaksanakan service dengan cepat saat pembelian tiket di Cinema 21 Tunjungan Plaza X 3.3 = keputusan menonton terhadap sikap sopan karyawan di Cinema 21 Tunjungan Plaza X 3.4 =keputusan menonton terhadap keluhan konsumen, kesabaran, ketelatenan, serta pemahaman karyawan dalam memenuhi kebutuhan penonton di Cinema 21 Tunjungan Plaza. Pelayanan X 3.1 X 3.2 X 3.3 X 3.4 er_1 er_2 er_3 er_4 X 3.5 er_5 X 3.5 =keputusan menonton terhadap penampilan fisik fasilitas, peralatan, personil, dan material komunikasi yaitu keanekaragamanvariasi film yang diputar di Cinema 21 Tunjungan Plaza er_j = error term X3j 4. Persamaan Dimensi keputusan menonton Y 1 = λ1 keputusan menonton + er_1 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh keputusan menonton akan nampak sebagai berikut : Gambar 3.4 Keterangan : Y 1 = gambaran-gambaran, kesan-kesan dan keyakinan- keyakinan yang dimiliki seseorang terhadap suatu obyek yaitu untuk membangun citra positif terhadap cinema 21 Tunjungan Plaza. er_j = error term Yj Keputusan konsumen menonton Y 1 er_1 Pada permodelan SEM terdapat asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis adalah : 1. Asumsi Model Structural Equation Modelling a. Uji Normalitas Sebaran dan Linieritas 1 Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik 2 Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standard errornya dan Skewness value yang biasanya disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas itu disebut sebagai Z-value. Pada tingkat signifikasi 1, jika nilai Z lebih besar dari nilai kristis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3 Normal Probability SPSS 10.1 4 Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas. b. Evaluasi atas Outlier 1. Mengamati nilai Z-score : ketentuannya diantars ± 3,0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,01. Jarak diuji dengan Chi-Square χ pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai χ adalah multivatiate outlier. Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univarial maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Ferdinand,2005:81 c. Deteksi Multicollinierity dan Singularity Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau singularitas.Ferdinand,2005:83 d. Uji Validitas dan Reliabilitas Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah kuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajad sampai dimana masing- masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap obseverd dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan variance-extracted. Construct reliability dan variance-extracted dihitung dengan rumus berikut : Sementara εj dapat dihitung dengan formula εj = 1 – [Standardize Loading]. Secara umum, nilai construct reliability yang dapat diterima adalah ≥ 0,7 dan variance extracted ≥ 0,5. Ferdinand,2005:94. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap butir sebagai indikatornya. 2. Pengujian Hipotesis dan Hubungan Kausal Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikasi pembanding nilai CR Critical Ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti signifikan. Construct Reliability = [ ∑Standardize Loading] 2 [ ∑Standardize Loading] 2 + ∑ε j ] Variance Extracted = [ ∑Standardize Loading] 2 [ ∑Standardize Loading] 2 + ∑ε j ] 3. Pengujian Model Dengan Two-Step Approach Two-Step Approach to structural equation modeling SEM digunakan untuk menguji model yang diajukan. Two-Step Approach digunakan untuk mengatasi masalah sampel data yang kecil dibandingkan dengan jumlah butir instrumentasi yang digunakan 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 untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut. b. Menetapkan error ε dan lambda λ term, error term dapat dihitung dengan rumus 0,1 kali σ 2 dan lambda term dengan rumus 0,95 kali σ. Perhitungan construct reliability α telah dijelaskan pada bagian sebelumnya dan deviasi SPSS. Setelah error ε dan lambda λ term diketahui,-skor tersebut dimasukkan sebagai parameter fix pada analisis mode pengukuran SEM. c. 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 menggunakan ”good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai ”poor fit” dengan data. Aos dapat mennguji apakah model ”good fit” atau ”poor fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai criteria Goodness of fit, yakni Chi-square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Goodness of Fit Indices GOODNES OF FIT INDEX KETERANGAN CUT-OFF VALUE X 2 –Chi-square Menguji apakah covariance populasi yang diestimasi 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 signifikasi terhadap perbedaan matriks covariace data dan matriks covariace 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 matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi analog dengan R 2 dalam regresi berganda ≥ 0,90 AGFI GFI yang disesuaian terhadap DF ≥ 0,90 CMINDDF Kesesuaian antara data dan model TLI Pembandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model ≥ 0,94

3.4.2 Pengujian Hipotesis