1. Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam permodelan SEM adalah minimum berjumlah 100 atau dengan 5 perbandingan observasi untuk
estimasi parameter.
2. Uji Normalitas Sebaran dan Linieritas
a Normalitas dapat diuji dengan melihat gambar histogram data atau
dapat diuji dengan metode-metode statistik. b
Menggunakan Critical Ratio diperoleh dengan membagi koefisien sampel dengan standart error-nya dan skeness value yang biasanya
disajikan dalam statistic deskriptif dimana nilai statistik untuk menguji normalitas itu disebut Z-value. Pada tingkat signifikasi 1, jika nilai Z
lebih besar dan nilai Z-score lebih besar dan nilai kritis, maka dapat
diduga bahwa distribusi data adalah tidak normal. c
Normal Probability Plat SPSS 10,1 d
Linearitas dengan mengamati scatter plots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebaran untuk menduga
ada tidaknya linieritas. 3.
Evaluasi atas Outlier 1
Mengamati nilai Z-score : kriterianya diantara ±
3,0 non outlier. 2
Multivariate outlier diuji dengan kriteria jarak Mahalonobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square x pada df sebesar
jumlah variabel bebasnya. Ketentuan : bila Mahalonobis dan nilai x
adalah multivariate outlire. 3
Outlire adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariate yaitu yang muncul karena
kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh
berbeda dari observasi-observasi lainnya. 4.
Deteksi Multicollinierity dan Singularity
Dengan mengamati determinant matriks covariance. Dengan ketentuan apabila determinan sampel matriks mendakati angka 0 [kecil], maka terjadi
multicollinierity dan singularity Tabachnick Fibel, 1998. 5.
Uji Validitas dan Reabilitas
Validitas menyangkut tingkat akurasi yang dicapai oelh sebuah indikator dalam menilai sesuatu yang akurat pengukurannya atas apa yang
seharusnya diukur. Sedangkan reabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstrak yang
menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum.
Karena indikator multidimensi, maka iji validitasdan setiap latent variabelconstruct akan diuji melihat loading factor dan hubungan antara
setiap observed variabel dan latent variabel. Sedangkan reabilitas uji dengan construct reability dan variance extracted dihitung dengan rumus
sebagai berikut :
∑ Standardize Loading
Construct Reability = {[Standardize loading]+
∑ ej }
∑ Standardize Loading Variance Extraced =
{[Standardize Loading]+ ∑ ej}
Sementara εj dapat dihitung 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 butir sebagai indikator yang didapat dari hasil perhitungan
komputer.
3.5.3. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung [ koefisien jalur ] diamati dari bobot regresi terstandar, dengan pengujian signifikan pembanding nilai CR [Critical Ratio]
atau p [probability] yang sama dengan nilai t hitung. Apabila nilai t hitung lebih besar dari pada table berarti signifikan.
3.5.4. 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 landasan teori yang kuat serta validitas dan reabilititas yang sangat baik.
3.5.5. 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 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 criteria goodness of fit, yakni Chi-Square, probability, 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. Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur
atau menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan out-off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau
tidak ditolak adalah :
1. X² - CHI - SQUARE STATISTIK
Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio 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. Model
yang diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X² 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 X² yang kecil dan signifikan. X² bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang
terlalu besar. 2.
RMSEA- The Root Mean Square Error Of Approximation
RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistik dalam sampel yang besar. Nilai
RMSEA menunjukkan goodness-of-fit yang dapat diharapkan bila model diestimasi alam populasi. Nilai RMSEA yang lebih kecil atau sama dengan
0,08 merupakan indeks untuk dapat diterimanya degress of freedom.
3. GFI – Goodness Of Fit Index
GFI adalah analog dari R dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks
kovarians sampel yang dijelaskan oleh kovarians matriks populasi yang
terestimasi. GFI adalah sebuah ukuran non- statistika 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 Goodnes of Fit Index
AGFI = GFIdf Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai niali yang sama dengan atau lebih besar dari 0.90.
GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians alam sebuah matriks kovarians sampel. Nilai sebesar
0,95 dapat diinterprestasikan sebagai tingkatan yang baik good overall model fit sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan
cukup adequate fit.
5. CMINDF
Sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMNIDF tidak lain adalah statistik chi-square, X²
dibagi Dfnya sehingga disebut X² relatif. Nilai X² relatif kurang dari 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan
data. Nilai X² relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan diestimasi.
6. TLI – Tucker Lewis Indeks
TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model
adalah penerimaan ≥0,95 nilai yang sangat mendekati 1 menunjukkan a
verry good fit.
7. CFI – Comperative Fit Index
Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mendidentifikasikan 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 ANALISIS DAN PEMBAHASAN
4.1. Gambaran Umum Obyek Penelitian
4.1.1 Sejarah Honda Surabaya Center PT.IMSI
Honda Logo Perusahaan gambar 4.1 yang didirikan pada tahun 1948 merupakan perusahaan yang bergerak dalam bidang otomotif, dimana Honda
senantiasa mempersembahkan berbagai produk inovatif yang memberikan arti pada mobilitas masing-masing individu dan kehidupan di suatu masyarakat.
Honda menghormati masyarak dan perbedaan yang ada pada diri mereka masing-masing, yang mana hal ini kemudian mengarahkan Honda untuk
selalu berusaha mengembangkan diri semata-mata demi kepuasan masyarkat di seluruh dunia.
Gambar 4.1. Logo Honda Honda berjuang untuk memberikan produk dan servis yang paling
diinginkan oleh pelanggan dimanapun ia berada. Untuk memastikan bahwa Honda memenuhi keinginan penduduk di suatu daerah, Honda menetapkan
jaringan penjualan lokal. Honda telah membagi sistem operasi sehingga banyak produk Honda yang tidak hanya dibuat, tetapi dikembangkan di