55
Karasteristik sampel yang dituju adalah : 1. Berumur 17 tahun keatas, dengan asumsi bahwa untuk pelanggan yang
berumur diatas 17 tahun sudah memilki stabilitas berpikir yang lebih baik. 2. Pelanggan yang datang lebih dari 2 kali dengan menggunakan jasa Potong
Rambut, Creambath, dan Make Up selama periode 6 bulan terakhir dari bulan Juni 2009- November 2009
3.3. Teknik Pengumpulan Data
3.3.1. Jenis Data
a. Data Primer Data primer yang diolah dalam penelitian ini diperoleh dengan menyebarkan
kuisioner kepada pelanggan salon Jhony Andrean. b. Data Sekunder
Data Sekunder adalah data tentang salon Jhony Andrean yang meliputi data sejarah perusahaan, lokasi perusahaan dan lain sebagainya.
3.3.2. Sumber Data
1. Pelanggan salon Jhony Andrean, dalam hal ini jawaban para pelanggan atas kuisioner yang telah disampaikan.
2. Perusahaan yaitu salon Jhony Andrean.
56
3.3.3. Pengumpulan data
Pengumpulan data dalam skripsi ini dilakukan dengan menggunakan beberapa cara berikut :
a. Metode Observasi Yaitu pengumpulan data dilakukan dengan melakukan pengamatan secara
langsung terhadap obyek yang diteliti. b. Dokumentasi
Yaitu mengumpulkan data yang diperoleh dari arsip perusahaan yang berhubungan dengan penulisan usulan penelitian ini.
c. Metode Kuisioner Yaitu pengumpulan data dilakukan dengan cara menyebarkan daftar
pertanyaan kepada pelanggan untuk diisi agar memperoleh jawaban langsung dari pelanggan.
3.4. Teknik Analisis Data dan Uji Hipotesis
3.4.1 Teknik Analisis Data
Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling SEM. Model pengukuran faktor Motivasi
Individu, Komitmen Sumberdaya, Perpaduan Kelompok Kerja, Kreativitas Program Pemasaran dan Kinerja Pemasaran menggunakan Confirmatory Factor
Analysis. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel
terikatnya menggunakan koefisien jalur. Demikian juga faktor lain yang digunakan dalam penelitian ini
57
1. Asumsi Model Structural Equation Modelling a. Uji Normalitas Sebaran dan Linieritas
1 Normalitas dapa diuji dengan melihat gambar histogram data atau
dengan menggunakan metode statistic. 2
Menggunakan critical ratio yang diperoleh dengan membagi koefisien sampel dengan standart error-nya dan Skweness value
yang biasa disajikan dalam statistik deskriptif dimana nilai statistik yang digunakan untuk menguji normalitas sebaran data itu disebut
Z-value. Dengan kriteria penilaian pada tingkat signifikansi 1 , jika nilai Z score lebih besar dari nilai kritis maka dapat diduga
bahwa distribusi data adalah tidak normal. b. Evaluasi atas Outlier
1 Mengamati nilai Z-score : ketentuanya diantara ± 3,0 non outlier.
2 Multivariate outlier
diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square
χ pada df
sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai
χ 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.
58
c. Deteksi Multicollinierity dan Singularity Deteksi Multicolinearity dan Singularity dilakukan dengan
mengamati Determinant Matrix Covariance. Dengan ketentuan apabila determinant sample
matrix mendekati angka 0 kecil, maka terjadi multikolinearitas dan singularitas.
d. 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-masing indikator itu
mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variabel construct aka 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 =
2
[[ Σ Standardize Loading]
2
+ Σεj]
Σ [Standardize Loading
2
] Variance Extracted
=
[
Σ [Standardize Loading
2
] + Σ ε
j
]
59
Sementara ε
j
dapat dihitung dengan formula ε
j
= 1 - Standardize Loading
2. Pengujian Hipotesis dan Hubungan Kausal 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 standardize regression weigths terhadap setiap butir sebagai indikatornya.
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical
Ratio atau p probability ang sama dengan nilai t hitung. Apabila t hitung
lebih besar daripada t table berarti signifikan. 3. Pengujian model dengan Two-Step Approach
Dalam model SEM, model pengukuran dan model structural parameter-parameternya dieliminasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan
structural model yang diestimasi bersama One Step Approach to SEM yang digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta
validitas dan reliabilitas yang sangat baik. 4. Evaluasi Model
Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-
60
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 teotitis tidak diperkuat 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 modelling.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of Fit
, yakni Chi-square, Probality, RMSEA, GFI, TLI, CFI, AGFI, CMIN
DF. Apabila model awal tidak good fit dengan data maka model
dikembangkan dengan pendekatan two step approach to SEM.
61
Tabel 3.1 Goodness of Fit Indices
GOODNE SS OF FIT
INDEX KETERANGAN
CUT-OFF VALUE
X
2
Menguji apakah covariance populasi yang destimasi sama dengan cova-riance sample
[apakah model sesuai dengan data]. - Chi-
square Diharapkan
Kecil, s.d 5. atau paling
baik diantara 1 dan 2.
Probability Uji signifikansi terhadap perbedaan matriks
covariace data dan matriks covariance yang diestimasi.
Minimum 0,1 atau 0,2, atau
≥ 0,05 RMSEA
Mengkompensasi kelemahan Chi-Square pada sample besar.
≤ 0,08
GFI Menghitung proporsi tertimbang varians
dalam matrtiks sample 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 CMINDD
F 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 sample dan kerumitan
model. ≥ 0,94
Sumber : Hair et.al., 1998
Pengujian Hipotesis 3.4.2.1. Evaluasi Kriteria Goodnes of Fit
1. X
2
Alat uji paling fundamental untuk mengukur overall fit adalah Likelihood Ratio Chi-Square Statistic
. Chi-Square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar
lebih dari 200, statistik Chi-Square ini harus didampingi oleh alat uji lain. -Chi Square Statistic
62
Model yang uji akan dipandang baik atau memuaskan bila nilai Chi-Square- nya rendah. Semakin kecil nilai X
2
semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai
dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X
2
yang kecil dan tidak signifikan. X
2
2. RMSEA-The Root Mean Square Error Of Approximation
bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan Chi-Square hanya
sesuai bila ukuran sampel antara 100 dan 200. Bila ukuran sampel ada di luar rentang itu, uji signifikan akan menjadi kurang reliabel. Oleh karena itu
pengujian ini perlu dilengkapi dengan alat uji yang lain.
RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi 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 itu berdasarkan Degrgess Of Freedom.
3. GFI-Goodness of Fit Index
GFI adalah analog dari R
2
dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varian dalam matrix kovarians sampel
yang dijelaskan oleh matrix kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 Poor
63
Fit samapi dengan 1.0 Perfect Fit. Nilai yang tinggi dalam indeks ini
menunjukkan sebuah ‘better fit’. 4.
AGFI-Adjusted Goodness of Fit Index AGFI = GFIDF 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. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik Good Overal Model Fit
sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup Adequate fit.
5. TLI-Tucker Lewis Index
TLI adalah sebuah alternatif incremental fit indeks 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
. 6.
CMINDF sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah
model. Dalam hal ini CMINDF tidak lain adalah statistik Chi-Square, X
2
dibagi DF-nya sehingga disebut X
2
relatif. Nilai X
2
relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara
model dan data. Nilai X
2
relatif yang tinggi menandakan adanya perbedaan
64
yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi.
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
indeksi ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI
adalah identik dengan Relative Noncentrality Indeks RNI.
3.4.2.2 Evaluasi Normalitas
Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram. Untuk
menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji statistic. Uji yang paling mudah adalah dengan mengamati
skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic.
Nilai statistic untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
Nilai – z =
N Skewness
6
Dimana nilai N adalah ukuran sampel. Bila nilai-z lebih besar dari nilai kritis, maka dapat diduga bahwa
distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi yang dikehendaki. Misalnya, bila nilai yang dihitung lebih
65
besar dari ± 2.58 berarti kita dapat menolak asumsi mengenai normalitas dari
distribusi pada tingkat 0.01 1.
3.4.2.3 Evaluasi Outliers
Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi – observasi yang lain dan muncul
dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel – variabel kombinasi hair, et. al : 1995. Adapun outliers dapat dievaluasi dengan
dua cara, yaitu analisis terhadap univariate outliers dan analisis multivariate outliers
Hair, et. al. : 1995.
1. Univariate Outliers Deteksi terhadap adanya univariate outliers dapat dilakukan dengan
menetukan nilai ambang yang akan dikategorikan sebagai outliers dengan cara mengkonservasikan nilai data penelitian ke dalam standar score atau
yang biasa disebut z-score, yang mempunyai nilai rata – rata nol dengan deviasi sebesar 1,00 hair, et. al. : 1995.
Pengujian univariate outliers dilakukan per konstruk variabel dengan program SPSS 9.00, pada menu Descriptive Statistic Summarise. Observasi
data yang memiliki nilai z-score ≥ 3.0 akan dikategorikan sebagai outliers.
2. Multivariate Outliers
66
Evaluasi terhadap Multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat
univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling kombinasikan.
Jarak Mahalanobis The Mahalanobis Distence untuk tiap observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua
variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate dilakukan dengan menggunakan kriteria jarak mahalanobis pada tingkat
ρ 0,001. Jarak mahalanobis itu dapat dievaluasi dengan menggunakan nilai
χ2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian
dan apabila nilai jarak Mahalanobisnya lebih dari nilai χ2 table adalah
Outlers Multivariate.
3.4.2.4. Evaluasi Mullticollinearity dan Singularity
Utuk melihat apakah pada data penelitian terhadap multikolineratitas Multicollinearity
atau singularitas Singularity dalam kombinasi – kombinasi variabel, maka yang perlu diamati adalah dterminan dari matriks kovarians
sampelnya. Determinan yang kecil atau mendekati nol akan mengindikasikan adanya multikolinearitas atau singularitas sehingga data itu tidak dapat digunakan
untuk penelitian Ferdinand, 2002 :108.
3.4.2.5 Uji Reliabilitas
67
Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator –
indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing indikator mengindikasikan sebuah konstruk faktor laten yang umum.
Dengan kata lain bagaimana hal – hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena uang umum.
Composite Reliability diperoleh melalui rumus berikut Ferdinand, 2002 : 62
[ Σ Standardize Loading]
Construct Reliability =
2
[[ Σ Standardize Loading]
2
1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan komputer.
+ Σεj]
Keterangan :
2. Σεj adalah measurement error dari tiap indikator. Measurement error dapat
diperoleh dari 1 – reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah 0.7, walaupun angka itu
bukanlah sebuah ukuran yang ”mati”. Artinya bila penelitian yang dilakukan bersifat eksplorasi maka nilai dibawah 0.7-pun masih dapat diterima
sepanjang disertai dengan alasan – alasan empiris yang terlihat dalam proses eksoprasi.
3.4.2.6 Uji Validitas
Uji validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang
seharusnya diukur. Karena indikator multidimensi, maka uji – uji validitas dari
68
setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara obseverd variable dan latent variable. Cara menguji :
Korelasikan masing – masing skor item pertanyaan dengan skor totalnya, gunakan tingkat signifikan validitas
≤ 0,05. Tingkat signifikan itu menunjukkan derajat kosistensi jawaban semua responden yang menjadi obyek penelitian.
3.4.2.7 Uji variance Extracted
Variance Extracted adalah ukuran yang menunjukkan varians dari
indikator – indikator yang diekstraksi oleh konstuk latent yang dikembamgkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikator – indikator itu
telah mewakili secara baik konstruk latent yang dikembangkan. Nilai variance extracted
ini direkomendasikan pada tingkat paling sedikit 0,50. Variance diperoleh melalui rumus ini Ferdinand, 2002 : 64 :
Σ [Standardize Loading
2
] Variance Extracted
=
[
Σ [Standardize Loading
2
] + Σ ε
j
1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan computer.
] Keterangan :
2. ∑εj adalah measurement error dari tiap indikator.
69
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
