34 a. Kesalahan prosedur
b. Keadaan yang benar – benar khusus c. Adanya suatu alasan tetapi peneliti tidak tahu apa
penyebabnya d. Outlier dapat muncul dalam range nilai yang ada, yang
disebut dengan multivariate outliers.
6. Multicolinearity dan singularity Multicolinearity
dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil
mengindikasikan adanya problem multicolineritas dengan mentransformasi data dalam bentuk composite variables.
3.4.2 Pengujian Hipotesis
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Beberapa indeks
kesesuaian dan cut off value untuk digunakan dalam menguji apakah
sebuah model dapat diterima atau ditolak adalah sebagai berikut :
1. X – CHI SQUARE STATISTIC Merupakan alat paling fundamental untuk mengukur overall fit
adalah likelihood ratio chi – square statistic. Chi – square ini bersifat sangat sensitive terhadap besarnya sample yang digunakan. Model yang
diuji akan dipandang baik atau memuaskan bila nilai chi – squarenya
35 rendah. Semakin kecil nilai χ² semakin baik model itu χ² = 0 berarti
tidak ada perbedaan. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit
terhadap data, maka yang dibutuhkan justru sebuah nilai χ² yang tidak signifikan. Penggunaan chi – square hanya sesuai bila ukuran sample
antara 100 dan 200, apabila ukuran sample ada diluar rentang itu maka uji signifikan akan menjadi kurang reliable. Oleh karena itu pengujian
ini perlu dilengkapi dengan alat uji lainya.
2. RMSEA – The Root Mean Square of Approximation RMSREA
adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi – square statistic dalam sample yang besar. Nilai
RMSEA menunjukkan goodness – of – fit yang diharapkan bila model diestemasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama
dengan 0,008 merupakan indeks yang dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees of
freedom.
3. GFI – Goodness of Fit Indices GFI adalah analog dari R² dalam regresi berganda. Indeks
kesesuain ini akan menghitung proporsi tertimbang dari varians dalam matriks konvarians sample yang dijelaskan oleh matriks konvarians
popuilasi yang diestimasikan. GFI adalah sebuah ukuran non - statistical
36 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 Goodness of Fit Indices AGFI GFI dƒ tingkat penerimaan yang direkomendasikan
adalah AGFI mempunyai nilai yang sama dengan atau lebih besar dari 0,90 – 0,95 menunjukkan tingkat cukup – adequate fit Hulland et al.,
1996.
5. CMID DF The minimum sample discrepancy function CMIN dibagi
dengan degree of freendomnya akan menghasilkan indeks CMIN DF. Pada umumnya diartikan sebagai salah satu indicator untuk mengukur
tingkat fit-nya sebuah model. Dalam hal ini CMIN DF tidak lain adalah statistic chi – square
, X² dibagi DF-nya.
6. TLI – Tucker Lewis Indices TLI
adalah alternative Increment Fit Indices
yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model . Nilai yang direkomendasikan sebagai acuan untuk diterimanya
sebuah model adalah penerimaan 0,95 dan nilai yang sangat mendekati 1 menunjukkan a very good fit.
37 7. CFI – Comporative Fit Indices
Bersama nilai ini pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a
very good fit . Nilai yang direkomendasikan adalah CFI 0,9.
Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sample, oleh karena itu sangat baik untuk mengukur tingkat penerimaan
sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality Index RNI.
Dengan demikian indeks - indeks yang dapat digunakan untuk menguji kelayakan sebuah model adalah seperti yang diringkas dalam
tabel berikut ini :
38
Tabel : 3.1 Goodness Of Fit Indices
Goodness Of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT – OFF
VALUE X² – Chi – Square
Menguji apakah covariance populasi yang diestimasikan sama
dengan covariance sample apakah model sesuai dengan data
Diharapkan kecil, 1 s.d 5 atau paling
baik diantara 1 dan 2
Probability Uji signifikan terhadap perbedaan
matriks dan data 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 matriks sample yang
dijelaskan oleh matriks sample covariance
populasi yang diestimasi analog dengan R²
dalam regresi berganda 0,90
AGFI GFI yang disesuaikan terhadap DF 0,90
CMIN DF 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
0,94
39
BAB IV PEMBAHASAN
4.1 Deskriptif Hasil Penelitian
4.1.1 Analisis Karakteristik Responden
Data mengenai keadaan responden dapat diketahui melalui jawaban responden dari pertanyaan-pertanyaan yang diajukan kedalam
kuisioner yang telah diberikan. Responden dalam penelitian ini adalah konsumen yang berminat membeli ponsel Samsung di wilayah Surabaya
yang berjumlah 110 orang responden. Serta bersedia mengisi kuisioner yang diberikan oleh peneliti.
4.1.2 Profil Responden
Profil Responden digunakan untuk mengidentifikasi sebaran responden berdasarkan gambar demografik, di sisi usia dan jenis kelamin.
Tabel 4.1 : Karakteristik Responden Berdasarkan Usia dan Jenis Kelamin.
Profil Kriteria
N Usia
15–20 tahun 20–30 tahun
30 tahun 54
42 14
49.1 38.2
12.7 Jumlah
110 100
