Teknik Analisis dan Uji Hipotesis 1.

Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor Kredibilitas Selebriti dilakukan sebagai berikut: X1.1 = λ1 Kredibilitas Selebriti + er_1 X1.2 = λ2 Kredibilitas Selebriti + er_2 X1.3 = λ3 Kredibilitas Selebriti + er_3 X1.4 = λ4 Kredibilitas Selebriti + er_4 Bila persamaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui Confirmatory Factor Analysis, maka model pengukuran dengan contoh Faktor Credibility akan nampak sebagai berikut : Gambar 3.1 : Model Pengukuran Faktor Kredibilitas Selebriti Keterangan : X1.1: Pertanyaan tentang Keahlian. X1.2: Pertanyaan tentang Berpengetahuan. X1.3: Pertanyaan tentang Ketrampilan.. X1.4: Pertanyaan tentang Jujur dan dapat dipercaya. Er_1: Error term X1j Kredibilitas selebriti X1.1 er_1 X1.2 er_2 X1.3 X1.4 er_3 er_4 3. 5.2. Asumsi model Structural Equation Model 3.5.2.1. 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 ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variable construct akan diuji dengan melihat loading faktor dari hubungan antara setiap obseverd variable dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan variance- extracted . Construct reliability dan variance-extracted dihitung dengan rumus berikut : [ Σ Standardize Loading] Construct Reliability = [ Σ Standardize Loading 2 2 + Σεj] Σ [Standardize Loading 2 Variance-Extracted = [ Σ Standardize Loading ] 2 + Σεj] Sementara εj dapat di hitung dengan formula εj = 1 – [Standardize Loading]. Secara umum, nilai Construct Reliability yang dapat diterima adalah 0,7 dan Variance-Extracted 0,5 [Hair et. al. ,1998]. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap Construct Reliability regression weigths terhadap setiap butir sebagai indikatornya.

3.5.2.2. Uji Normalitas Sebaran dan Linieritas.

1. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. 2. Menggunakan critical rasio yang diperoleh dengan membagi koefisien sampel dengan standart 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 kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3. Normal Probability Plot [SPSS 10.1] 4. Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.

3.5.2.3. Evaluasi Atas Outlier

1. Mengamati nilai Z - score: ketentuannya diantara + 3,0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [X] pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai x adalah multivariate outlier. Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi [Hair, 1998].

3.5.2.4. Deteksi Multicollinierity dan Singularity

Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 [kecil], maka terjadi multikolinieritas dan singularitas [Tabachnick Fidell, 1998].

3.5.2.5. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau P Probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t tabel berarti signifikan.

3.5.2.6 Pengujian Model Dengan One Step Approach

Dalam metode SEM, model pengukuran dan model struktur parameter-parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi fit model. One Step Approach to SEM digunakan apabila model diyakini dan dilandasi teori yang kuat serta validitas dan reliabilitas data sangat baik 3.5.5.7 . Pengujian Model dengan One Step Approach-Modification Apabila dengan One Step Approach-Base Model tidak dapat dihasilkan evaluasi model yang baik terhadap keseluruhan criteria goodness fit of index maka akan dilanjutkan dengan One Step Approach- modification.

3.5.2.8. 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 menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor jit” dengan data Amos dapat menguji apakah model “good fit” atau “poor fit ”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan Structural Equation Modelling. Pengujian terhadap model yang dikembangkan dengan berbagai kriteria 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 goodness of Fit Indices. Tabel 3.1 Tabel Goodness of Fit Sumber : Hair et al., 1998 1. X 2 Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood ratio chi-square statistic. Chi-square ini bersifat sangat sensitive terhadap besarnya sampel yang digunakan karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel maka statistic chi-square ini harus didampingi oleh alat uji lainnya. Model yang diuji akan dipandang baik atau memuaskan bila nilai chi- squarenya rendah. Semakin kecil nilai X – Chi Square Statistic 2 semakin baik model itu. Dalam pengujiannya ini nilai X 2 Goodness of fit index yang rendah yang menghasilkan Keterangan Cut-off-value X 2 Menguji apakah covariance yang diestimasi sama dengan covariance sample apakah model sesuai dengan data –Chi Square Diharapkan kecil 1 sd 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 besar. 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi analog dengan R 2 0,90 dalam regresi berganda. AGFI GFI yang disesuaikan terhadap 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 sensitive terhadap besarnya sampel dan kerumitan model. 0,94 sebuah tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan tak adanya perbedaan yang signifikan antara matriks kovarians yang diestimasi. 2. RMSEA-The Rood Mean Square Error of Appoximation Adalah sebuah indeks yang dapat digunakan untuk mengkompensasikan chi-square statistic dalam sampel 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 indeks untuk dapat diterimanya model yang menunjukkan sebuah close-fit dari model ini berdasarkan degree of freedom. 3. GFI-Goodness of Fit Index Indeks kesesuaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. GFI adalah sebuah ukuran non-statistical yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”. 4. AGFI-Adjusted Goodness of fit indeks Adalah analog dari R 2 dalam regresi berganda. Fit index ini dapat didjust terhadap degree of freedom yang tersedia untuk menguji diterima tidaknya model. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,09 perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang diperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. 5. CMIN DF The minimum sample discrepancy function CMN dibagi dengan degree of freedom-nya akan menghasilkan indeks CMIN DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fit-nya sebuah model. 6. TLI-Tucker Lewis Index 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. 7. CFI-Comparative Fit Index Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1 mengindikasikan tingkat fit yang paling tinggi a very good fit. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relatif Non certrality Indeks RNI.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Deskripsi Obyek Penelitian.

4.1.1 Sejarah Singkat Perusahaan

PT Heinz ABC Indonesia dulu bernama PT ABC Central Food Industri. Merek ABC awalnya dikenal sebagai merek untuk produk baterai, kemudian produsen memperluas lini produknya kepada berbagai macam produk makanan. Semua produk makanan tersebut diberi merek yang sama yaitu ABC, sehingga kita mengenal kecap ABC, sirop ABC, mie ABC, saos tomat ABC, saos sambal ABC, dan sebagainya.

4.2. Deskriptif Hasil Penelitian

4.2.1. Analisis Karakteristik Responden

Data mengenai keadaan responden dapat diketahui melalui jawaban responden dari pertanyaan-pertanyaan yang diajukan kedalam kuesioner yang telah diberikan. Dari jawaban-jawaban tersebut diketahui hal-hal seperti dibawah ini. a. Jenis Kelamin Dari 110 responden yang menurut jenis kelamin dapat dilihat pada table 4.1. dalam table 4.1 terlihat bahwa dari 110 responden 83 responden 75,5 adalah wanita 27 responden 24,5 perempuan seperti terlihat pada tabel dibawah ini. Tabel 4.1. Karakteristik responden berdasarkan jenis kelamin No Jenis Kelamin Jumlah Prosentase 1 Pria 27 24,5 2 Wanita 83 75,5 Total 110 100 Sumber : Lampiran b. Usia Dari 110 responden yang menjawab kuesioner yang telah diberikan dapat diketahui usia para responden yang berusia 17-21 tahun sejumlah 18 orang 16,4, yang berusia 22-26 tahun sejumlah 24 orang 21,8, yang berusia 27-31 tahun sejumlah 18 orang 16,4, yang berusia ≥ 32 tahun sejumlah 50 orang 45,4 seperti terlihat pada tabel dibawah ini. Tabel 4.2. Karakteristik Responden Berdasarkan Usia No Usia Jumlah Prosentase 1 17-21 tahun 18 16,4 2 22-26 tahun 24 21,8 3 27-31 tahun 18 16,4 4 ≥ 32 tahun 50 45,4 Total 110 100 Sumber : Lampiran