signifikan dan begitu juga sebaliknya. Koefisien muatan faktor untuk item pengukuran informational influence disajikan pada tabel 3.10 berikut ini:
Tabel 3.10 Muatan Faktor Item Informational Influence
No. Koefisien
Standard Error T-Value
Signifikan
1. 0.24
0.05 4.43
V 2.
0.35 0.05
6.55 V
3. -0.73
0.05 -15.44
X 4.
-0.60 0.06
-10.67 X
5. 0.65
0.05 12.62
V 6.
0.66 0.05
13.52 V
7. -0.84
0.05 -18.39
X 8.
-0.02 0.06
-0.33 X
9. 0.38
0.06 6.80
V 10.
0.51 0.05
9.76 V
11. -0.67
0.05 -13.72
X 12.
-0.38 0.05
-6.96 X
Keterangan: tanda V = signifikan t 1.96, X = tidak signifikan
Dari tabel di atas dapat dilihat bahwa ada 6 item yang signifikan t 1.96 dan 6 item yang tidak signifikan t 1.96 yaitu item nomor 3, 4, 7, 8, 11 dan 12.
Dengan demikian, item nomor 3, 4, 7, 8, 11 dan 12 akan di-drop yang berarti item tersebut tidak akan ikut dianalisis dalam perhitungan faktor skor.
3.6 Teknik Analisis Data
Untuk menjawab pertanyaan penelitian digunakan teknik analisis regresi non- linier karena variable dependen pada penelitian adalah kategorik berupa pilihan
dikotomi binary choice. Analisis regresi linier tidak dapat digunakan karena variabel dependen diasumsikan kontinum. Jika suatu penelitian menggunakan
analisis regresi linier pada variabel dependen berupa kategorik maka akan timbul hasil yang tidak logis yaitu proporsi yang diprediksi dapat melebihi 1 atau kurang
dari 0 minus. Hal ini tentu akan berdampak pada hasil yang tidak masuk akal.
Oleh karena itu, untuk mengatasi masalah kekeliruan dalam analisis variabel dependen yang berupa kategorik, harus digunakan analisis regresi non-linier.
Salah satunya adalah regresi logistik. Regresi logistik adalah model matematika yang dapat digunakan untuk
mendeskripsikan pengaruh dari beberapa X variabel independen terhadap Y variabel dependen berupa dikotomi. Regresi logistik memiliki rentang angka
prediksi antara 0 dan 1. Artinya, model ini dipergunakan untuk medeskripsikan probability yang memiliki rentang angka antara 0 dan 1. Model logistik dibuat
untuk memastikan bahwa pengukuran apapun yang akan dilakukan pada variabel prediktor akan mendapatkan angka prediksi antara 0 dan 1. Hal seperti ini tidak
selalu benar pada model lain selain model probabilistik. Oleh karena itu model logistik menjadi pilihan pertama ketika prediksi yang akan dilakukan adalah
berupa probability. Kerangka berfikir regresi logistik ialah memberi kode 1 untuk kejadian yang terjadi dan 0 untuk kejadian yang tidak terjadi pada scoring nilai
variabel dependen Kleinbaum Klein, 2010. Dalam analisis regresi logistik peneliti dapat memprediksi perilaku dengan
melihat persentase atau proporsi probability untuk melakukan atau tidak melakukan sesuatu jika diketahui nilai seseorang pada sehimpunan variabel
independen. Pada penelitian ini peneliti ingin mengetahui dan memperkirakan berapa
pengaruh physiological needs, safety needs, belongingness and love needs, esteem needs, self-actualization needs, normative influence dan informational influence
terhadap probability keputusan membeli tas branded imitasi. Prediksi keputusan membeli tas branded imitasi dapat dituliskan dengan rumus:
P
i
=
=
Dimana X= ß + ß
1
X
1
+ ß
2
X
2
+ ß
3
X
3
+ ß
4
X
4
+ ß
5
X
5
+ ß
6
X
6
+ ß
7
X
7
Keterangan: Pi= Probability keputusan membeli tas branded imitasi
e = Mathematical constant 2.718 ß = Koefisien regresi
X
1
= Physiological needs X
2
= Safety needs X
3
= Belongingness and love needs X
4
= Esteem needs X
5
= Self-actualization needs X
6
= Normative influence X
7
= Informational influence Fungsi probabilities yang ditunjukkan oleh persamaan nomor 1 diubah
menjadi odds. Odds adalah rasio dari dua probability yang dalam hal ini adalah probability, suatu perilaku terjadi P berbanding probability perilaku tersebut
tidak terjadi 1-P. Odds dapat dituliskan dengan persamaan:
Odds =
Kemudian, agar persamaan tersebut linier dan mudah diseleseikan secara konvensional, maka persamaan ini ditransformasi menjadi persamaan dalam
satuan ukuran logaritma natural dengan cara dijadikan log dari odds tersebut. Satuan dari log odds ini disebut logit. Logit dapat dituliskan dengan persamaan:
Ln[Pi1- Pi] = ß + ß
1
X
1
+ ß
2
X
2
+ ß
3
X
3
+ ß
4
X
4
+ ß
5
X
5
+ ß
6
X
6
+ ß
7
X
7
+ ß
8
X
8
Keterangan: Ln = Logaritma natural
Pi = Probability keputusan membeli tas branded imitasi Persamaan tersebut adalah persamaan regresi linier yang merupakan
bilangan real variabel kontinum yang dimulai dari rentang - ∞ sampai dengan +∞
dimana = 0 jika Pi = 0.5. Dengan demikian persamaan ini dapat
diselesaikan dengan regresi linier biasa variabel dependen berupa kontinum tetapi dengan skala logit. Satuan logit tidak langsung berkaitan dengan probability
maka interpretasi tidak dapat langsung dilakukan. Oleh sebab itu logit perlu diubah kembali dalam bentuk odd untuk kemudian masuk ke dalam bentuk
probability yaitu peluang terjadinya perilaku membeli. Untuk mengetahui variabel independen mana yang signifikan dampaknya
terhadap kenaikkan atau penurunan satu unit odds perilaku membeli dapat dilakukan uji signifikan terhadap koefisien regresi
βi yang dapat dilakukan dengan Wald test menggunakan rumus:
Keterangan: W = Wald test
B = Koefisien regresi SE = Standar error
Variabel W akan mengikuti distribusi chi-square dengan df=1. Wald statistik ini sejenis dengan Z test atau t test dalam regresi linier biasa. Wald test
dapat dilakukan untuk setiap prediktor dalam model Osborne, 2008. Model regresi logistik dalam penelitian ini menggunakan software SPSS version 16.0.
Penulis menggunakan tingkat keyakinan sebesar 95 atau dengan menggunakan α=5. H
tidak diterima jika P0.05 atau Wjx2 dengan α adalah tingkat
signifikansi yang dipilih. Bila H tidak diterima, artinya parameter dari H
tersebut secara signifikan secara statistik pada tingkat signifikansi α. Berarti
variabel dengan parameter tersebut dikatakan ada pengaruh physiological needs, safety needs, belongingness and love needs, esteem needs, self-actualization
needs, normative influence dan informational influence terhadap keputusan membeli tas branded imitasi.
3.7 Prosedur Penelitian
