Teknik Analisis dan Uji Hipotesis

34 a. Kuesioner yaitu cara pengumpulan data dengan jalan memberikan pertanyaan-pertanyaan tertulis yang dibagikan kepada para responden. b. Interview yaitu suatu penelitian yang dilakukan dengan mengadakan wawancara secara langsung terhadap responden untuk mengetahui pendapat mereka secara langsung.

3.4. Teknik Analisis dan Uji Hipotesis

3.4.1. Uji Reliabilitas dan Validitas

Variabel atau dimensi yang diukur melalui indikator-indikator dalam daftar pertanyaan perlu dilihat reliabilitasnya dan validitasnya, dimana hal ini dijelaskan sebagai berikut : a. Uji Validitas Validitas yang digunakan adalah validitas konstruk construct validity yang merujuk pada sejauh mana uji dapat mengukur apa yang sebenarnya kita ukur. Uji validitas diukur ditafsirkan dengan menggunakan Item to Total Correlation , jika nilai r 0,5 maka indikator valid, dan jika nilai r 0,5 maka indikator tidak valid. b. Uji Reliabilitas Uji ini ditafsirkan dengan menggunakan koefisien Cronbach Alpha. Jika nilai alpha cukup tinggi berkisar 0,50 – 0,60 dapat ditafsirkan suatu hasil 35 pengukuran relatif konsisten apabila pengukuran diulangi dua kali atau lebih, dengan kata lain instrumen tersebut dapat diandalkan. Augusty, 2002 : 193

3.4.2. Uji

Outlier Univariat dan Multivariat Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya Augusty, 2002 : 52.

3.4.2.1. Uji Outlier Univariat

Deteksi terhadap adanya outlier univariat dapat dilakukan dengan menentukan ambang batas yang akan dikategorikan sebagai outlier dengan cara mengkonversi nilai data penelitian ke dalam standar score atau yang biasa disebut dengan z-score, yang mempunyai rata-rata nol dengan standar deviasi sebesar satu. Bila nilai-nilai itu telah dinyatakan dalam format yang standar z-score, maka perbandingan antar besaran nilai dengan mudah dapat dilakukan. Untuk sampel besar diatas 80 observasi, pedomana evaluasi adalah nilai ambang batas dari z-score itu berada pada rentang 3 sampai dengan 4 Hair dkk, 1995 dalam Augusty, 2002 : 98. Oleh karena itu apabila ada observasi-observasi yang memiliki z-score 3,0 akan dikategorikan sebagai outlier. 36

3.4.2.2. Uji Outlier Multivariat

Evaluasi terhadap multivariat ouliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis distance untuk tiap observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat ρ 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai χ 2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih besar dari nilai χ 2 Tabel adalah Outlier Multivariat.

3.4.3. Uji Normalitas Data

Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical ratio dari Skewness dan Kurtosis dengan ketentuan sebagai berikut : Kriteria Pengujian : Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah : 1. Jika nilai critical yang diperoleh melebihi rentang + 2,58 maka distribusi adalah tidak normal. 2. Jika nilai critical yang diperoleh berada pada rentang + 2,58 maka distribusi adalah normal. 37

3.4.4. Pemodelan

SEM Structural Equation Modeling Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau Model Pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural Model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor. Augusty, 2002 : 34 Untuk membuat pemodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan : a. Pengembangan model berbasis teori. Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui program SEM. b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam path diagram. Path diagram tersebut memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya. c. Konversi diagram alur kedalam persamaan. Setelah teori model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. d. Memilih Matriks Input dan Estimasi Model. Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya 38 menggunakan matriks varians kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. e. Menilai Problem Identifikasi. Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini : 1. Standard error untuk satu atau beberapa koefisien sangat besar. 2. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif. 4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9. f. Evaluasi Model. Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap bebagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah : 1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan dengan perbandingan 5 observasi untuk setiap estimated parameter. 2. Normalitas dan Linieritas. 3. Outliers . 4. Multicolinierity and Singularity. 39

3.4.5. Uji Hipotesis

Dalam analisis SEM umumnya berbagai jenis fit index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesakan dengan data yang disajikan. Berikut ini adalah index kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak. a. χ 2 Chi Square Statistic. Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood ratio Chi-Square Statistic . Model yang diuji akan dipandang baik atau memuaskan apabila nilai chi-squarenya rendah. Semakin kecil nilai χ 2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar ρ 0,05 atau ρ 0,10. b. RMSEA The Root Mean Square Error of Approximation RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-squre statistic dalam yang besar. Nilai RMSEA menunjukkan goodness-of- fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degree of freedom. c. GFI Goodness of Fit Index. Indeks keseusaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks populasi yang terestimasikan. GFI adalah sebuah ukuran non-statistikal yang 40 mempunyai rentang nilai antara 0 poor fit sampai dengan 1.0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. d. AGFI Adjusted Goodness-of-Fit Index. GFI adalah analog dari R 2 dalam regresi linier berganda yaitu suatu koefisien yang mengukur ketepatan sebuah model yang digunakan. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. e. CMINDF . The Minimum Sample Discrepancy Function CMIN dibagi dengan degree of freedomnya akan menghasilkan indeks CMINDF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Nilai χ 2 relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data. f. TLI Tucker Lewis Indeks TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0.95 dan nilai yang sangat mendekati 1 menunjukkan a very good fit . g. CFI Comparative Fit Index. 41 Merupakan besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi a very good fit . Nilai yang direkomendasikan adalah CFI 0,95. Tabel 3.1 Goodness of Fit Indices GOODNESS OF FIT INDEX KETERANGAN CUT-OFF VALUE X 2 – Chi- square Menguji apakah covariance populasi yang diestimasi sama dengan covariance sample [apakah model sesuai dengan data]. Diharapakan Kecil, 1 s.d 5, atau paling baik diantara 1 dan 2. Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi. Minimum 0,1 atau 0,2, atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada Sampel. ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelasakan oleh matriks covariance populasi yang diestimasi [analog dengan R 2 dalam regresi berganda] ≥ 0,90 AGFI GFI yang disesuaikan dalam 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 sensitif tehadap besarnya sample dan kerumitan model ≥ 0,94 Sumber : Hair. et. al. 1998

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Karakteristik Responden

Responden dalam penelitian ini adalah seluruh konsumen yang sedang melakukan pembelian Kratingdaeng di Giant Sun City Sidoarjo. pria atau wanita dewasa minimal 17 tahun, pernah mengkonsumsi kratingdaeng sebelumnya serta bersedia mengisi kuesioner yang diberikan oleh peneliti.

1. Deskripsi Karakteristik Responden Berdasarkan Usia

Berdasarkan hasil penyebaran kuesioner kepada 108 orang responden diperoleh gambaran berdasar usia adalah sebagai berikut : Tabel 4.1. Karakteristik Responden Berdasar Usia No Usia Jumlah Prosentase 1 17 – 25 th 53 49,1 2 26 – 40 th 39 36,1 3 40 th 16 14,8 Total 108 100,00 Sumber : Hasil penyebaran kuesioner Berdasarkan tabel diatas diketahui bahwa sebagian besar responden dalam penelitian ini adalah mereka yang berusia antara 17 sampai 25 tahun yaitu sebanyak 53 orang atau sebesar 49,1 , responden berusia 26 sampai 40 tahun sebanyak 39 orang atau sebesar 36,1 dan sisa responden berusia antara lebih dari 40 tahun sebanyak 16 orang atau sebesar 14,8 . 42