Teknik Analisis Data. 1. SEM

St =Varians total K = Jumlah Item pertanyaan Menurut Riduwan 2007: 118, pengujian reliabilitas akan meemnuhi syarat jika: 1. r11 positif, serta r11 r tabel, maka butir atau variabel tersebut reliable. 2. r11 negatif, serta r11 r tabel, maka butir atau variabel tidak reliable 3.5. Teknik Analisis Data. 3.5.1. SEM Structural Equation Modeling. Model yang digunakan untuk menganalisis data dalam penelitian ini adalah SEM Sturctural Equation Modeling , yang merupakan sekumpulan teknik-teknik statisitik yang memungkinkan pengujian sebuah rangkaian hubungan yang relative “rumit” secara simultan, Ferdinand 2002:7. Dengan pemodelan SEM memungkinkan peneliti dapat menjawab pertanyaan penelitian yang bersifat regresif maupun dimensional, yaitu mengukur apa dimensi- dimensi dari sebuah konsep. Model pengukuran variable identitas konsumen, kepuasan pelanggan dan loyalitas konsumen menggunakan Confirmatory Factor Analysis, jadi peneliti ingin mengkonfirmasi apakah indikator variabel yang digunakan dapat mengkonfirmasi sebuah faktor, itulah sebabnya teknik analisis ini disebut Confirmatory Factor Analysis. Sedangkan penaksiran pengaruh variable independent yaitu identitas merek, terhadap variable dependent yaitu kepuasan pelanggan, dan loyalitas merek menggunakan path diagram. Teknik dasar dalam pemodelan SEM Structural Equation Modeling adalah analisis varians dan kovarians dari data sampel dan model untuk populasi. Parameter varaians, kovarians dan regersi dihitung dari data sampel untuk mengestimasi nilai populasi. Operasi aljabar kovarians digunakan untuk menghasilkan estimated covarians matrix, matrik kovarians yang telah diestimasi ini akan dibandingkan dengan matriks kovarians sampel, dan idealnya antara keduanya terdapat perbedaan yang kecil dan tidak signifikan secara statistik. Aljabar kovarians akan sangat berguna untuk menunjukkan bagaimana nilai parameter yang dihitung dari data sampel dapat dikombinasikan untuk menghasilkan sebuah estimated population covarians matrix . Artinya persamaan dasar ini berfungsi untuk mengukur kuatnya pengaruh antar variabel. Tiga aturan dasar dalam aljabar kovarians adalah sebagai berikut: 1. COV c, X1 = 0 2. COV cX1,X2= cCOV X1,X2 3. COV X1 + X2,X3 = COV X1,X3 = COV X2,X3 Dimana C adalah bilangan konstanta dan Xi adalah variabel random Penjelasan atasa masing-masing aturan tersebut adalah sebagai berikut: 1. Pada aturan 1: kovarians antara sebuah variabel dan sebuah konstanta adalah sama dengan nol 2. Pada aturan 2: kovarians anatara dua variabel dimana satu variabel dikalikan dengan sebuah konstanta adalah sama dengan konstanta tersebut dikalikan dengan kovarians anatar dua varabel. 3. Kovarians antara jumlah dua variabel dan variabel ketiga adalah jumlah kovarians dari variabel pertama dan ketiga dan kovarians variabel kedua dan ketiga Gambar 3. Model Penelitian Gambar diatas adalah model penelitian mengenai pengaruh hubungan antar variabel dalam penelitian tentang pengaruh identitas merek terhadap kepuasan pelanggan dan loyalitas merek dari merek Starbucks. Untuk menspesifikasi model ini maka persamaannya adalah sebagai berikut: 1. Tingkat kepuasan pelanggan, dianalisis melalui persamaan berikut: Y1 = 11 X1 + 1…………………………………………………Persamaan 1 2. Tingkat loyalitas merek, dianalisi melalui persamaan berikut: Y2 = 21 Y1 + 21 X1 + 2 ……………………………………...Persamaan 2 Dari Persamaan diatas maka operasi kovarians adalah sebagai berikut: Identitas Merek Kepuasan Pelanggan Loyalitas Merek Y.2 γ21 β12 γ11 E E 1. Kovarians X1 dan Y1. COV X1,Y1 = 11 σ X1X1 2. Kovarians Y1 dan Y2. COV Y1,Y2 = 11 21 σX1Y1 + 11 21Σx1x1 Untuk membuat permodelan SEM yang lengkap maka berikut adalah langkah-langkah yang diperlukan: 1. Pengembangan model berbasis teori. Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu model tersebut divalidasi secara empiris melalui program SEM, Model dalam penelitian ini adalah seperti digambarkan sebagai berikut. 2. Pengembangan diagram alur Path Diagram. Path diagram akan mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji hubungan-hubungan kausalitas biasanya dinyatakan dalam bentuk persamaan. Path analysis pada dasarnya merupakan analisi korelasi antar variabel dalam model. Koefisien korelasi dari dua variabel dapat dijadikan ukuran sejauh mana derajat keeratan hubungan kedua variabel tersebut. Korelasi antara dua variabel ditentukan melalui formula berikut: Rxi xj= n Σxixj – Σxi Σxj √{n Σxi² - Σxi²} { nΣxj² - Σxj²} Maka Vektor koefisien lintasan dapat diperoleh melalui: C = R-1 A Dimana: R-1: adalah inverse matriks R C : Adalah Vektor koefisesn lintasan yang ingin diketahui A : Vektor korelasi anatar variabel bebas dan variabel terikat. 3. Konversi Path Diagram Diagram Alur kedalam Persamaan. Setelah model teoritis dikembangkan dan digambrakan dalam diagram alur, selanjutnya spesifikasi akan dikonversi kedalam rangkaian persamaan, persamaan yang dibangun terdiri dari persamaan structural dengan acuan sebagai berikut Variabel Endogen = Variabel eksogen + Variabel Endogen + Error. Maka dalam penelitian ini Persamaan strukturalnya adalah:

1. CS =

β1 BI + δ 2. BL = β1 CS + δ

3. BL=

β1 CS + δ 4. BL= β1 BI + β2 CS + δ Dimana: BL: loyalitas merek BI : identitas merek CS : kepuasan pelanggan : Regression Weight : Disturbance Term, yaitu tingkat kesalahan dalam pengukuran. Selanjutnya adalah persamaan spesifikasi model pengukuran yang menentukan variabel mana mengukur kosntruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel. 4. Memilih matriks input dan estimasi model. Perbedaan SEM dengan teknik multivariate lainnya adalah dalam input data yang akan digunakan dalam pemodelan dan estimasinya SEM hanya menggunakan matriks varianskovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. 5. Kemungkinan munculnya masalah identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model untuk menghasilkan estimasi yang unik. Problem-problem Idenifikasi dapat muncul melalui gejala-gejala berikut: a. Standard error untuk satu atau beberapa koefisien adalah sangat besar. b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan. c. Muncul angka-angka yang aneh seperti adanya varians eror yang negative. d. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih besar dari 0.9. 6. Evaluasi criteria goodness-of-fit. Pada langkah ini kesesuaian model dievaluasi , melalui telaah erhadap berbagai criteria goodness-of-fit. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM. Bila asumsi ini sudah dipenuhi, maka model adapat diuji melalui berbagai cara uji yang telah disebutkan. Asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisi dengan pemodelan SEM, Ferdinand 2002:52. Adalah sebagai berikut: 1. Ukuran sampel. Ukuran sampel yang harus dipenuhi dalam pemodelan adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk estimated parameter. 2. Normalitas dan liniearitas. Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM. Normalitas dapat diuji dengan melihat gambar histogram data atau diuji dengan metode-metode statistik.Uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan diihat pola penyebarannya untk menduga ada tidaknya linearitas. 3. Outliers . Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupan multivariate yaitu yang muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. 4. Multicollininearity dan singularity . Multikolineartas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau singularitas. Pada umumnya program computer SEM telah menyediakan fasilitas warning setiap kali terdapat indikasi multikolinearitas atau singularitas, bila muncul pesan tersebut maka peneliti diharapkan meneliti ulang data yang digunakan untuk mengetahui apakah terdapat kombinasi linier dari variabel yang dianalisis. Peneliti akan perlakukan data treatment dengan mengeluarkan variabel yang menyebabkan singularitas. Bila singularitas dan multikolinearitas ditemukan dalam data yang dikeluarkan tersebut, salah satu treatment yang dapat dilakukan adalah dengan menciptakan composite variables kemudian menggunkana composite variables tersebut dalam analisis selanjutnya.

3.6. Uji Hipotesis.