perlu dilakukan sebagai bahan pertimbangan dalam merumuskan strategi pemasaran selanjutnya bagi produsen.
Penelitian ini mengukur efektivitas iklan televisi dengan menggunakan Consumer Decision Model CDM. CDM adalah suatu model dengan variabel
yang saling berhubungan, yaitu pesan iklan F, finding information, pengenalan merek B, brand recognition, kepercayaan konsumen C,
confidence, sikap konsumen A, attitude, niat beli I, intention, dan pembelian nyata P, purchase. Model ini menggunakan analisis bentuk
hubungan dan analisis keeratan hubungan. Efektivitas iklan televisi broadband
AHA versi “I Like it” ini mengukur apakah pesan dari iklan broadband AHA dapat mempengaruhi
sampai variabel pembelian nyata konsumen secara serempak maupun parsial. Pengukuran efektivitas iklan televisi broadband
AHA versi “I Like it” ini dianalisis dengan SEM Structural Equation Model dengan menggunakan
software smartPLS. Dengan menginput data yang telah diubah menjadi janis dta kategori, dari kuesioner yang telah diisi oleh responden yaitu mahasiswa
strata-1 Institut Pertanian Bogor yang pernah melihat iklan broadband AHA versi “I Like it”.
4.4.1 Hasil Analisis Partial Least Square PLS
Variabel laten dalam penelitian ini terdiri dari enam laten. Laten tersebut terdiri dari pesan iklan F, pengenalan merek B, kepercayaan
konsumen C, sikap konsumen A, niat beli I, dan pembelian nyata P dan masing-masing laten memiliki enam variabel manifest yang
serupa yaitu gaya hidup, merek, kesan, ketertarikan, dan niat beli. Metode analisis yang digunakan untuk mengetahui bentuk dan
besar pengaruh pesan iklan F sebagai variabel eksogen murni terhadap variabel laten dependen endogen yaitu merek B, kepercayaan
konsumen C, sikap konsumen A, niat beli I dan pembelian nyata P. Selain itu merek B, kepercayaan konsumen C, sikap konsumen
A, niat beli I yang juga berfungsi ganda sebagai variabel eksogen karena selain dipengaruhi oleh variabel laten lain juga memberikan
pengaruh terhadap variabel laten lain serta variabel pembelian nyata P
yang merupakan variabel endogen murni. Analisis ini dilakukan dengan menggunakan Partial Least Square PLS yang diolah dengan
SmartPLS. Hasil analisis model dapat dilihat pada Gambar 16. Penggunaan analisis PLS dalam penelitian ini untuk
menganalisis hubungan kausal atau hubungan sebab akibat. Penggunaan PLS juga dapat mengukur suatu hubungan yang tidak bisa
diukur secara langsung. Oleh karena itu pemilihan PLS sebagai alat analisis dirasa tepat karena mampu menjelaskan hubungan yang
kompleks dalam penelitian ini.
4.4.2. Pengujian Model
Untuk mengevaluasi model dalam penelitian ini diperlukan beberapa cara bergantung pada model yang telah dibentuk. Secara
umum evaluasi dan interpretasi model dapat dilihat sebagai berikut :
4.4.2.1 Model Pengukuran Outer Model
Model pengukuran outer model adalah menganalisa hubungan antara setiap blok indikator manifest dengan
variabel latennya konstruk Ghozali, 2008. Model awal dari hasil SmartPLS dapat dilihat pada Gambar
18. Evaluasi outer model dilakukan terhadap konstruk yang direfleksikan oleh indikator-indikatornya. Menurut Chin 1998
dalam Ghozali 2008 menyatakan jika koefisien atau faktor loading dari masing-masing indikator pada model kurang dari
0,7. Pada penelitian ini, indikator yang memiliki nilai faktor loading yang lebih kecil dari 0,7 akan di drop atau dihapus.
Aktivitas pendropan dilakukan secara berurutan dimulai dari konstruk yang paling awal pada jalur mulai dari variabel
eksogen murni sampai ke variabel endogen murni dilihat dari nilai faktor loading yang paling kecil dan dilakukan secara satu
per satu. Indikator yang memiliki nilai loading factor di bawah 0,7 dapat dilihat pada Tabel 5
. Oleh sebab itu dilakukan analisis
PLS kembali dan menghasilkan Gambar 19.
Tabel 5. Indikator-indikator yang harus didrop
KONSTRUK INDIKATOR
NILAI F
F1 0,682
F2A 0,726
F2B 0,715
F3 0,626
F4 0,650
F5 0,485
B B1
0,673 B2A
0,782 B2B
0,723 B3
0,659 B4
0,678 B5
0,449 C
C1 0,674
C2A 0,717
C2B 0,710
C3 0,671
C4 0,693
C5 0,649
A A1
0,436 A2A
0,640 A2B
0,568 A3
0,623 A4
0,809 A5
0,626 I
I1 0,418
I2A 0,489
I2B 0,694
I3 0,583
I4 0,803
I5 0,677
P P1
0,200 P2A
0,542 P2B
0,839 P3
0,808 P4
0,791 P5
0,645
Gambar 18. Hasil analisis model CDM awal
Gambar 19. Hasil analisis model CDM akhir
Penghapusan dimulai dari melihat nilai faktor loading pada manifest yang merefleksikan laten pesan iklan yang paling kecil
dan kurang dari 0,7. Setelah semua nilai faktor loading pada variabel pesan iklan lebih dari 0,7 maka selanjutnya melihat
nilai faktor loading pada laten pengenalan merek, kepercayaan konsumen, dan sikap konsumen yang paling kecil dan kurang
dari 0,7 dan melakukan aktivitas penghapusan secara satu per satu sampai nilai faktor loading lebih dari 0,7. Selanjutnya
melihat nilai faktor loading pada laten niat beli yang diikuti dengan laten pembelian nyata. Setelah sampai pada laten
terakhir dilakukan pemeriksaan nilai faktor loading secara keseluruhan untuk memastikan semua nilai faktor loading lebih
dari 0,7. Terlihat pada Tabel 5, nilai faktor loading yang di drop pada
penelitian ini adalah pada indikator F3, F4, F5, B3, B4, B5, C3, C4, C5, A1, A2B, A3, A5, I1, I2A, I3, P1, dan P2A. Pada
indikator F1, B1, C1, A2A, I2B, I5, dan P5 menunjukkan nilai dibawah 0,7 akan tetapi indikator tersebut tidak terkena aktivitas
pendropan. Hal ini dikarenakan saat indikator yang nilainya dihapus satu per satu sesuai dengan urutan jalur dan dari nilai
yang terkecil, faktor loading pada indikator – indikator tersebut
mengalami peningkatan. Sehingga indikator-indikator tersebut tidak terkena aktivitas pendropan.
Nilai faktor loading untuk semua indikator diatas 0,7 menunjukkan indikator-indikator yang merefleksikan konstruk.
Nilai faktor loading yang paling besar menggambarkan indikator yang paling mencerminkan konstruk tersebut. Pada Tabel 6
menunjukkan kekuatan indikator yang merefleksikan interelasi yang terbesar dalam menggambarkan konstruk sebelum dan
setelah didrop.
Tabel 6. Nilai Tertinggi Interelasi Refleksi Indikator
LATEN Nilai interelasi
reflektif tertinggi sebelum didrop
Nilai interelasi reflektif tertinggi setelah didrop
Pesan iklan F F2A Kesan 0,726
F1 Gaya hidup modern
0,812 Merek B
B2A Kesan
0,782 B1 Gaya hidup
modern 0,804
Kepercayaan konsumen C
C2A Kesan
0,717 C2B Kesan
0,830 Sikap konsumen
A A4
Ketertarikan 0,809
A4 Ketertarikan 0,879
Niat beli I I4
Ketertarikan 0,803
I4 Ketertarikan 0,819
Pembelian nyata P2B Kesan 0,839
P4 Ketertarikan 0,836
4.4.2.2 Model Struktural Inner Model
Model struktural atau disebut juga inner model menggambarkan hubungan antar variabel laten. Menilai inner
model dapat dilakukan dengan cara melihat model struktural yang terdiri dari hubungan yang dihipotesiskan di antara
konstruk-konstruk laten dalam model penelitian. Dilihat dari Gambar 19,
hasil empiris dari pengujian model menunjukkan bahwa pesan iklan F dapat menjelaskan
variansi pengenalan merek B sebesar 56,7 dan sisanya sebesar 43.3 dijelaskan oleh variabel lain. Variansi
kepercayaan konsumen C dapat dijelaskan oleh pesan iklan F dan pengenalan merek B sebesar 69,2 dan sisanya dijelaskan
sebesar 30,8 dijelaskan oleh variabel lain. Untuk variansi sikap konsumen A dapat dijelaskan oleh variabel pesan iklan
F dan variabel pengenalan merek B sebesar 30,8 dan sisanya sebesar 69,2 dijelaskan oleh variabel lain. Variansi
niat beli konsumen I dapat dijelaskan oleh variabel pesan iklan F, pengenalan merek B, kepercayaan konsumen C, dan
sikap konsumen A sebesar 36,7 dan sisanya sebesar 63.3
dijelaskan oleh variabel lain. Pada variansi pembelian nyata dapat dijelaskan sebesar 40,4 oleh variabel pesan iklan F,
pengenalan merek B, kepercayaan konsumen C, sikap konsumen A, dan niat beli I dan sisanya sebesar 59,6
dijelaskan oleh variabel lain. Dengan menggunakan metode Bootstrapping pada
SmartPLS, dapat diperoleh kesalahan standar standard errors, koefisien jalur path coefficientsS, dan nilai T-Statistik.
Dengan teknik ini, peneliti dapat menilai signifikansi statistik
model penelitian dengan menguji hipotesis untuk tiap jalur
hubungan. Dalam melakukan estimasi koefisien jalur dapat dilihat
dari hasil hasil bootstraping yang terdapat pada Tabel 7 menunjukkan koefisien untuk tiap jalur hipotesis dan nilai T-
Statistiknya yang diperoleh dari hasil output SmartPLS sebagai berikut
Tabel 7. Hasil Path Coefficients
Original Sample
O Sample
Mean M Standard
Deviation STDEV
Standard Error
STERR T Statistics
|OSTERR| A - I
0,526967 0,518814
0,092778 0,092778
5,679875 B - A
0,185214 0,151276
0,182102 0,182102
1,017087 B - C
0,676539 0,667022
0,114122 0,114122
5,928204 C - I
0,132636 0,154638
0,12222 0,12222
1,08522 F - A
0,402016 0,441678
0,15702 0,15702
2,560281 F - B
0,752814 0,750016
0,065106 0,065106
11,56282 F - C
0,193445 0,204913
0,106416 0,106416
1,817822 I - P
0,635803 0,636914
0,094507 0,094507
6,72757
Pada Tabel 7 pada kolom original sample dan pada Gambar 18 dapat dilihat konstruk pesan iklan F memiliki
pengaruh positif langsung terhadap pengenalan merek B sebesar 0,75, terhadap kepercayaan konsumen C sebesar
0,19, dan terhadap sikap konsumen A sebesar 0,40 serta pengaruh positif tidak langsung terhadap kepercayaan
konsumen C sebesar faktor loading pesan iklan F dikali
dengan faktor loading antara pengenalan merek B dan kepercayaan konsumen C sebesar 0,51 dan pengaruh tidak
langsung terhadap sikap konsumen A sebesar faktor loading pesan iklan F dikali dengan faktor loading antara
pengenalan merek B dan sikap konsumen A sebesar 0,14. Pengenalan merek B memiliki pengaruh positif
langsung terhadap kepercayaan konsumen C sebesar 0,68 dan terhadap sikap konsumen A sebesar 0,18. Kepercayaan
konsumen C memiliki pengaruh positif secara langsung terhadap niat beli I sebesar 0,13. Sikap konsumen A
memiliki pengaruh positif terhadap niat beli I sebesar 0,52 dan niat beli I memiliki pengaruh positif langsung terhadap
pembelian nyata P sebesar 0,63.
4.4.3 Hasil Analisis Consumer Decision Model CDM
