menentukan jumlah sampel adalah jumlah indikator dikali 5-10, maka sampel yang digunakan dalam penelitian ini adalah 18 x 6 = 108 data responden.
3.2.1 Jenis Data
Primer
Data yang diperoleh dari hasil pengolahan kuesioner yang disebarkan ke pengunjung berisikan pendapat mereka mengenai
Hand and body lotion Citra.
3.2.2 Sumber Data
Sumber data dalam penelitian ini diperoleh langsung dari responden melalui instrument kuesioner.
3.2.3 Pengumpulan Data
a. Observasi
Mengadakan pengamatan langsung dan mendapatkan bukti – bukti yang berkaitan dengan obyek penelitian.
b. Kuesioner
Merupakan teknik pengumpulan data dengan cara menyebarkan daftar kuesioner kepada responden untuk dijawab berdasarkan
pendapat responden terhadap hand and body lotion Citra.
3.3 Teknik Analisis Data dan Uji Hipotesis
3.3.1 Uji Reliabilitas dan Validitas
Validitas mengandung pengertian bahwa hasil pengukuran sudah valid atau tidak menyimpang dari ketentuan yang ada, sedangkan reliabilitas adalah
derajat ketepatan, ketelitian atau keakuratan yang ditunjukkan oleh instumen pengukuran.Analisis kehandalan bertujuan untuk mengukur konsistensi dari setiap
item pertanyaan dalam penelitian dengan meggunakan teknik Alpha Cronbach, seperti yang dikatakan oleh Alpha Cronbach dalam Azwar 1997:9 bahwa
besarnya koefisien reliabilitas berkisar dari 0,0 sampai dengan 1,0 akan tetapi kenyataannya koefisien sebesar 1,0 dan sekecil 0,0 tidak pernah dijumpai.
Instrumen pengukuran dikatak reliabel apabila memberikan nilaai Alpha Cronbach 0,6.
Uji validitas dari setiap latent variable construct akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable dan latent variable.
Sedangkan reliabilitas diuji dengan construct reliability dan variance-extracted. Construct reliability dan variance-extracted dihitung dalam rumus berikut :
Construct Reliability =
j
Loading e
Standardiz Loading
e Standardiz
2
Variance Extracted =
j
Loading e
Standardiz Loading
e Standardiz
2
3.3.2 Uji Univariant dan Multivariant
Outlier adalah observasi yang muncul dengan nilai – nilai ekstrim baik secara univaret maupun multivariate yaitu yang muncul karena kombinasi
karakteristik untuk yang dimilikinya dan terlihat sangat jauh berbeda dari observasi – observasi lainnya Ferdinand, 2002 : 52.
3.3.2.1 Uji Outlier Univariat
Deteksi terhadap Outlier Univariat dapat dilakukan dengan menentukan ambang batas yang akan dikategorikan sebagai outlier dengan cara mengkonversi
nilai data penelitian ke dalan standard score atau yang bias disebut dengan z- score, yang mempunyai rata – rata nol dengan standard deviasi sebesar 1,00
Hair.et.al.,1995. Bila nilai – nilai itu dinyatakan dengan dalam format yang standard z-score, maka pertandingan antar besaran nilai dengan mudah dapat
dilakukan. Untuk sampel besar diatas 80 observasi, pedoman evaluasi adalah nilai ambang batas dari z-score itu berada pada rentang 3 sampai dengan 4 Hair
dkk, 1995 dalam Ferdinand, 2002 : 98. Oleh karena itu apabila ada observasi – observasi yang memiliki z-score
≥ 3,0 akan dikategorikan sebagai outlier.
3.3.2.2 Uji Outlier Multivariat
Evaluasi terhadap outlier multivariat perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat, tetapi
observasi itu dapat menjadi outlier bila sudahsaling dikombinasikan. Jarak Mahalanalobis The Mahalanobis distance untuk tiap observasi dapat dihitung
dan menunjukkan jarak sebuah observasi dari rata – rata semua variabel dalam sebuah variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat
dilakukan dengan menggunakan criteria jarak Mahalanolobis pada tingkat p 0,001. Jarak Mahalanolobis itu dapat dievaluasikan dengan menggunakan nilai X²
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Dan apabila jarak Mahalanolobis lebih besar dari nilai X² tabel adalah Outlier
Multivariat.
3.3.2.3 Uji Normalitas Data
Sebaran data harus dianalisis. Untuk mengetahui apakah asuransi normalitas di penuhi, sehingga data dapat diolah lanjut pada path diagram. Untuk
menguji normalitas dan distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji – uji statistic. Nilai statistic untuk menguji normalitas itu
disebut sebagai z-value yang dihasilkan melalui rumus berikut ini : Nilai - z =
N 6
Skewness dimana N adalah ukuran sampel
Bila nilai z lebih besar dari nilai kritis atau critical rasio Ferdinand, 2000 : 95, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis
dapat ditentukan berdasarkan tingkat signifikan yang dikehendaki. Misalnya bila nilai yang dihitung lebih besar dari ± 2,58 berarti kita dapat menolak asumsi
mengenai normalitas dan distribusi pada tingkat 0,01.
3.3.3 Analisis Path Dengan Menggunakan Permodelan SEM
Structural Equation Modeling
Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari measurement model dan structural model. Measurement model atau model
pengukuran model ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator – indikator empirisnya. Srtuctural model adalah
mengenai sruktural hubungan yang membentuk atau menjelaskan kualitas antar faktor. Ferdinand,2002:34.
Untuk membuat permodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan adalah :
a. Pengembangan model berbasis teori
Langkah pertama dalam pengembangan SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat,
setelah itu model tersebut di validasi secara empiric melalui program SEM. b.
Pengembangan diagram alur untuk menunjukkan hubungan kausalitas Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama
digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan – hubungan kausalitas ingin diujinya.
c. Konversi diagram alur
Setelah teori atau model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan dalam rangkaian persamaan.
d. Memilih model input dan estimasi model
Perbedaan SEM dengan teknik multivariate lainnya adalah dalam input data yang akan digunakan dalam permodelan estimasinya. SEM hanya akan
menggunakan matriks Varian’s kovarians atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan.
e. Menilai problem identifikasi
Problem identifikasi pada prinsipnya adalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan
estimasi yang baik. Problem identifikasi dapat muncul melalui gejala – gejala berikut ini :
1. Standart untuk satu atau beberapa koefisien adalah sangat besar.
2. Program tidak mampu menghasilkan matrik informasi yang seharusnya
disajikan. 3.
Muncul angka – angka yang aneh seperti adanya Varian’s error yang negative.
4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat
misalnya lebih dari 0,9. 5.
f. Evaluasi model
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria goodnes of fit. Kriteria – kriteria tersebut adalah :
1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan
dengan perbandingan 5 observasi untuk estimated parameter. 2.
Normalitas dan linearitas. 3.
Outliers. 4.
Multicolinierity dan singularity Pengujian model dengan two step approach digunakan untuk
mengatasi sampel data yang kecil jika dibandingkan dengan jumlah butir instrument yang digunakan Harline dan Ferrel,1995 dan keakuratan
reliabilitas indikator – indikator terbaik dapat dicapai dengan two step approach ini, yang bertujuan untuk menghindari interaksi antar model
pengukuran dan model tructural pada one step approach Hair et.al.,1998.
Yang dilakukan dalam two step approach to SEM adalah : Estimasi terhadap measurement model dan estimasi terhadap sructural model
Anderson dan gerbing,1998. Cara yang dilakukan dalam menganalisis SEM dengan two step approach adalah sebagai berikut :
a. Menjumlahkan skalu butir – butir setiap konstruk menjadi sebuah
indikator summed scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandarisasi z-scores dengan mean =
0, deviasi standar = 1, yang tuannya adalah untuk mengeliminasi pengaruh – pengaruh skala yang berbeda – beda tersebut Hair t.al.,1998.
b. Menetapkan error
Є dan lambda λ terms, error terms dapat dihitung dengan rumus 0,1 kali
σ² dan lambda terms dengan rumus 0,95 kali σ Anderson dan Gerbing,1998. Perhitungan construct reliability
α dapat dihitung dengan bantuan program aplikasi statistik SPSS Statistical
Package For Social science. Setelah error Є dan lambda λ terms
diketahui, skor – skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
3.3.4 Evaluasi Multicolinearity dan Singularity
