3.4.7. Multicollinearity dan Singularity
Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati
determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak
dapat digunakan untuk analisis yang sedang dilakukan. Augusty 2002 : 108. 3.4.8. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p
[probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.
3.4.9. Pengujian model dengan Two-Step Approach
Two-Step Approach to structural equation modelling [SEM] digunakan untuk menguji model yang diajukan pada gambar 3.6. Two-Step Approach
digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan [Hartline Ferrell,1996], dan
keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-step approach ini. Cara yang dilakukan dalam menganalisis SEM dengan Two step
approach adalah sebagai berikut: a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator
summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi [Z-scores] dengan mean = 0, deviasi standar
= 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut [Hair et.al.,1998].
b. Menetapkan error [ ] dan lambda [] terms, error terms dapat dihitung
dengan rumus 0,1 kali
2
dan lamda terms dengan rumus 0,95 kali
[Anderson dan Gerbing,1988]. Perhitungan construct reliability [ ] telah
dijelaskan pada bagian sebelumnya dan deviasi standar [ ] dapat dihitung
dengan bantuan program aplikasi statistik SPSS. Setelah error [ ] dan lambda
[ ] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix
pada analisis model pengukuran SEM.
3.4.10. 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.
Tabel 3.1. Goodness of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
X
2
- Chi-square Menguji apakah covariance populasi yang destimasi sama
dengan cova-riance sample [apakah model sesuai dengan data]. Diharapkan Kecil, 1 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
dalam regresi berganda]. 0,90
AGFI GFI yang disesuaikan terhadap DF.
0,90 CMINDDF
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.
0,95 Sumber : Hair et.al., [1998]
1. X
² 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 – GOODNES of FIT INDEKS
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 – ADJUST 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 – COMPERATIF 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 HASIL PENELITIAN DAN PEMBAHASAN
4.1. Deskripsi Obyek Penelitian 4.1.1. Sejarah Singkat Perusahaan
Pada tahun 1991 dengan nama Shraton Laguna Nusa Dua, Bali diresmikan oleh ITT Sheraton Corporation dan kemuan menjadi bagian dari The Luxury
Collection Group. Pada tahun 1993 berdasar himbauan pemerintah Republik Indonesia untuk menggunakan padanan Bahasa Indonesia, hotel ini merubah
menjadi Sheraton Laguna Nusa Dua, Bali. Dan, pada Oktober 1997 Starwoods Hotel Resort world wide, Inc; mengambil alih ITT Sheraton Corporation dengan
nilai US 14.3 Milliar. Kemudian pada tahun 2006 Sheraton Laguna Nusa Dua Bali, secara resmi berubah menjadi The Laguna Resort Spa Nusa Dua Bali pada
tanggal 1 September 2006 murni menjadi The Luxury Collection Starwood Hotels Resort Worlwide, Inc.
The Laguna Resort and Spa Nusa Dua, Bali merupakan hotel bintang lima berlian dengan lokasi yang sangat bergengsi di area Nusa Dua, Hotel ini
merupakan The Luxury Collection dari Starwood Hotels. Hotel ini beralamatkan di kawasan pariwisata Nusa dua Lot N.2 PO BOX 77 Nusa Dua Bali 80363
Indonesia
A. Visi
Tujuan perusahaan kami adalah menjadi yang terbaik diantara semua resort mewah di Asia dengan memberikan kepada setiap tamu, kesan yang tak
Kategori