disimpulkan bahwa semua instrumen dinyatakan reliabel karena mempunyai nilai Cronbach’s Alpha 0,60.
F. Metode Analisis Data
Dalam penelitian ini, analisis yang digunakan untuk mengetahui hubungan antara efektifitas komunikasi, kualitas teknis, kualitas fungsional,
dan kepercayaan terhadap relationship commitment adalah dengan menggunakan uji SEM. Dalam analisis SEM, Ada beberapa hal yang harus
diperhatikan sebelum melakukan pengujian model struktural dengan pendekatan two step approach to SEM, yaitu :
1.
Uji Kecukupan Sampel Ukuran sampel yang harus dipenuhi dalam model ini minimum berjumlah 95
dan selanjut nya m enggunakan perbandingan 5 observasi unt uk set iap indikat or est imasi Hair et al, 1998; Ferdinand, 2005.
2.
Uji Normalit as Normalit as dapat diuji dengan m elihat gambar hist ogram dat a at au dapat diuji
dengan met ode-met ode st at ist ik Ferdinand, 2005. Dalam Hair et al 1998 disebut kan SEM t erut ama bila diest imasi dengan maximum likelihood est imat ion
t echnique m ensyarat kan sebaiknya asumsi normalit as pada dat a dipenuhi. Nilai
st at ist ik unt uk menguji normalit as disebut z value Crit ical Rat io at au C.R pada out put AM OS 6.0 dari ukuran skew ness dan kurt osis sebaran dat a. Bila nilai C.R
lebih besar dari nilai krit is maka dapat diduga bahw a dist ribusi dat a t idak normal. Nilai krit is dapat dit ent ukan berdasarkan t ingkat signifikansi 1 yait u
sebesar
2.58.
3.
Uji Out liers Out liers adalah observasi yang muncul dengan nilai-nilai ekst rim baik secara
univariat e dan mult ivariat e yait u yang muncul karena kombinasi karakt erist ik
unik yang dimilikinya dan t erlihat sangat jauh berbeda dari observasi-observasi lainnya Ferdinand, 2005. Dalam analisis mult ivariat e adanya out lier dapat diuji
dengan st at ist ik chi square
2
t erhadap nilai mahalanobis dist ance squared pada t ingkat signifikansi 0.001 dengan t ingkat degree of freedom sejumlah pola
yang digunakan dalam penelit ian Hair et al., 1998.
4.
Uji Goodness-of-Fit M odel St rukt ural a
2
- Chi Square St at ist ic Chi square st at ist ic
bersif at sangat sensit if t erhadap besarnya sampel yang digunakan Ferdinand, 2005. M enurut Ferdinand 2005 semakin kecil nilai
2
semakin baik model it u karena dalam uji beda chi square,
2
= 0, berart i benar-benar t idak ada perbedaan, H
dit erima dan dit erima berdasarkan probabilit as dengan cut of value sebesar p0.05 at au p0.10
Hulland et al dalam Ferdinand, 2005. M enurut Hair et al 1998 rendahnya nilai chi square, yang m emiliki level signif ikan lebih besar dari
0.05 at au 0.01, mengindikasikan bahw a secara input mat rik secara akt ual
dan prediksi secara st at ist ik t idak berbeda sehingga dalam kondisi ini penelit i akan mencari perbedaan yang t idak signifikan ant ara mat rik akt ual
dan yang diprediksi Hair et al, 1998. Dalam penelit ian yang menguji sebuah model maka yang dibut uhkan just ru sebuah nilai
2
yang t idak signifikan, yang m enguji hipot esis nol bahw a est imat ed populat ion
covariance t idak sama dengan sample covariance Ferdinand, 2005. Nilai
2
yang rendah m enghasilkan sebuah t ingkat signifikansi yang lebih besar dari 0.05 akan mengindikasikan t idak adanya perbedaan yang signifikan
ant ara mat riks covarians dat a dan mat riks covarians yang diest imasi Ferdinand, 2005 sehingga penggunaan chi square hanya sesuai bila
ukuran sampel ant ara 100 dan 200 Hair et al, 1998 dan Ferdinand, 2005. b
RM SEA – The Root M ean Square of Approximat ion. RM SEA
adalah sebuah
indeks yang
dapat digunakan
unt uk mengkompensasi Chi Square St at ist ic dalam sampel besar Baumgat ner dan
Homburg dalam Ferdinand, 2005. RM SEA merupakan pengukuran lain yang mengusahakan t endensi pada chi square yang benar unt uk dit olak
pada beberapa model khusus dengan sampel besar Hair et al, 1998. Nilai RM SEA m enunjukkan goodness-of -fit yang dapat di harapkan bila model
diest imasi dalam populasi Ferdinand, 2005. Jarak nilai dari 0.05 sampai 0.08 dianggap dit erima Hair et al, 1998. Nilai RM SEA yang lebih kecil at au
sama dengan 0.08 m erupakan indeks unt uk dapat dit erimanya model yang menunjukkan sebuah close fit dari model it u berdasarkan degree of
freedom Brow ne dan Cudeck dalam Ferdinand, 2005.
c GFI – Goodness of Fit Index.
Ferdinand 2005 dan Hair et al 1998 mengemukakan bahw a GFI merupakan sebuah ukuran non st at ist ik yang mem punyai rent ang nilai
ant ara 0 poor fit dan 1 fit . Nilai yang t inggi mengindikasikan fit yang lebih baik, t et api ini t idak mut lak sebagai aw al level penerimaan yang t elah
disusun Hair et al, 1998. GFI yang diharapkan sebesar
0.90 Ferdinand, 2005.
d AGFI – Adjust ed Goodness of Fit Index.
Fit index ini dapat diadjust t erhadap degree of freedom yang t ersedia unt uk menguji dit erima at au t idaknya suat u model Arbuckle dalam Ferdinand,
2005. AGFI merupakan penyesuaian rasio pada degree of freedom yang digambarkan model unt uk degree of f reedom pada null model Hair et al,
1998. Penerimaan level nilai adalah
90 Hair et al, 1998. e
CM IN DF – Noermed Chi Square. CM IN DF pada umumnya dilaporkan oleh para penelit i sebagai salah sat u
indikat or unt uk m engukur t ingkat fit -nya suat u model Ferdinand, 2005. Nilai CM IN DF 2 at au 3 adalah indikasi dari penerimaan fit ant ara model
dan dat a Arbuckle dalam Ferdinand, 2005. f
TLI – Tucker Lew is Index. TLI merupakan evaluasi dari fakt or analisis Hair et al, 1998. TLI adalah
sebuah alt ernat if increment al index yang membandingkan sebuah model
yang diuji t erhadap baseline model Baumgart ner dan Homborg dalam Ferdinand, 2005. Kombinasi pengukuran secara parsimony dalam indeks
komparat if ant ara model yang diberikan dan null model menghasilkan jarak dari 0 sampai 1 Hair et al, 1998. Nilai yang direkomendasikan adalah
0.90 Hair et al, 1998. g
CFI – Comparat ive Fit Index. Besaran indeks ini adalah pada rent ang nilai sebesar 0 sampai 1, dimana
semakin m endekat i nilai 1 mengindikasikan t ingkat fit paling t inggi Arbuckle dalam Ferdinand, 2005. Nilai CFI yang direkomendasikan adalah
0.95 Ferdinand, 2005. h
NFI – Normed Fit Index. M enurut Hair et al 1998, NFI merupakan model pengukuran yang
memiliki jarak dari 0 poor fit sampai 1 fit . Nilai yang direkom endasikan adalah
0.90, m eskipun nilai t ersebut t idak mut lak m engindikasikan nilai penerimaan t ersebut pada level yang fit Hair et al, 1998.
5.
Pengujian Hipot esis Set elah m odel dinyat akan fit at au dit erima secara st at ist ik, maka langkah
selanjut nya adalah m elakukan pengujian hipot esis dengan m enggunakan AM OS 6.0 unt uk m enganalisis hubungan di ant ara variabel. SEM juga dapat
mengest imasi nilai-nilai pat h dari set iap hubungan variabel. Dengan menggunakan analisis SEM , hipot esis dalam st udi ini dapat diuji dengan melihat
nilai probabilit y yang dit unjukkan oleh out put AM OS 6.0. Dalam penelit ian ini, pengujian hubungan kausalit as ant ar variabel dilakukan dengan uji sat u sisi pada
t ingkat signifikansi sebesar 1, 5, dan 10. Hal ini didasarkan pada pernyat aan Hair et al 1998 yang menyebut kan bahw a penent uan nilai krit is t ergant ung
pada penent uan t eorit is mengenai hubungan yang diprediksi.
BAB IV
ANALISIS DATA DAN PEM BAHASAN
Bab ini bert ujuan unt uk m engungkap hasil analisis dat a penelit ian dan pem bahasannya. Penj elasan pada bab ini akan difokuskan pada 4 sub bahasan, yait u:
analisis deskript if responden, analisis inst rumen penelit ian, analisis dat a penelit ian analisis model st rukt ural, dan analisis hipot esis sert a pembahasannya. Berikut ini
adalah penjelasan mengenai analisis st at ist ik deskript if.
A. Analisis Deskriptif Responden
