45
a Standard Loading
diperoleh dari standardized loading untuk tiap- tiap imdikator yang didapat dari hasil perhitungan komputer.
b ε
j
adalah measurement error tiap-tiap indikator.
3.4.2 Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical
Ratio atau
probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t tabel berarti signifikan.
3.4.3. Pengujian Model Dengan One-Step Approach
Dalam metode SEM, model pengukuran dan model struktur parameter-parameternya di estimasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi fit model. One Stop Approach to SEM digunakan apabila model diyakini landasan teori yang kuat serta
validitas dan reabilitas yang sangat baik.
3.4.4 Evaluasi Model
Hair et.al, 1998 menjelaskan bahwa 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
46
jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji 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 kriteria
Goodness Of Fit , yakni Chi-square, Probability, RMSEA, GFI, TLI, CFI,
AGFI, CMINDF .
1. X
2
– Chi Square Statistic 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
2
semakin baik model itu. Dalam pengujiannya ini nilai X
2
yang rendah yang menghasilkan 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
47
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.
48
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.
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. Deskripsi Karakteristik Responden
Data mengenai keadaan responden dapat diketahui melalui jawaban responden dari pernyataan-pernyataan yang diajukan di dalam kuesioner
yang telah diberikan kepada konsumen masyarakat di Surabaya yang pernah melihat iklan Smartphone Blackberry di media cetak serta berminat
membeli Smartphone Blackberry di Surabaya WTC dan Plaza Marina pada tanggal 26 Nopember – 5 Desember 2010 selama 10 hari. Dari
jawaban-jawaban tersebut diketahui hal-hal seperti di bawah ini. a. Umur : dari 110 responden yang menjawab kuesioner yang telah
diberikan dapat diketahui umur dari para responden yakni :
Tabel 4.1. Karakteristik Responden Berdasarkan Umur
No Umur Jumlah
Prosentase 1 17-25
tahun 53
48,2 2
26-35 tahun 37
33,6 3
35 tahun 20
18,2 Total
110 100
Sumber: Hasil Penyebaran Kuisoner
Berdasarkan tabel diatas diketahui bahwa sebagian besar responden dalam penelitian ini adalah mereka yang berumur antara 18
sampai 25 tahun yaitu sebanyak 53 orang atau 48,2 , responden berumur antara 26 sampai 35 tahun sebanyak 37 orang atau 33,6 dan
sisa responden berumur lebih dari 35 tahun sebanyak 20 orang atau 18,2 .
49
