Teknik Analisis Data dan Uji Hipotesis

Gambar 3.1 : Contoh Model Pengukuran Faktor Consumer Brand Characteristic Keterangan : X11 = Pertanyaan tentang ........................ X12 = Pertanyaan tentang ......................... X13 = Pertanyaan tentang ........................ er_j = error term xij Demikian juga faktor lain seperti sense, think, act, dan relate.

1. Asumsi Model Structural Equation Modeling

a. Uji Normalitas Sebaran dan Linieritas 1 Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. 2 Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standar errornya dan Skewness Value yang biasanya disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas itu disebut sebagai Z-value. Pada tingkat signifikansi 1, jika nilai Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. er_1 er_2 er_3 X11 X12 X13 Feel 3 Normal Probability Plot SPSS 10.1 4 Linearitas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. b. Evaluasi atas Outlier 1. Mengamati nilai Z-score : ketentuanya diantara ± 3.0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat ρ 0,001. Jarak diuji dengan Chi-Square X 2 pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai X 2 3. Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi -observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair. 1998 adalah multivariate outlier. c. Deteksi Multicolinearity dan Singularity Dengan mengamati Determinan matriks cavarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil. Maka terjadi multikolineriatas dan singularitas Tabachnick Fidell, 1998. d. Uji Validitas dan Reliabilitas Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidiensi. Maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap observed variable dan latent variabel construct reliability dan variance – extracted dihitung dengan rumus berikut : Construct Reliability = ∑ ∑ ∑ + j Loading dardize S Loading dardize S ε 2 2 tan tan Variance Extracted = ∑ ∑ ∑ + j Loading dardize S Loading dardize S ε 2 2 tan tan Sementara εj dapat dihitung dengan formula εj = 1 – Standardize Loading 2

2. Pengujian Hipotesis dan Hubungan Kausal

secara umum, nilai construct reliability yang dapat diterima adalah ≤ 0,7 dan variance extracted ≥ 0.5 hair et. al., 1998. Standardize Loading dapat diperoleh dari output AMOS 4.01 dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya. Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau ρ probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti signifikan.

3. 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 teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos menguji apakah model “good fit ” atau “poor fit” jadi, “good fit” model yang diuji dalam penggunaan structuralequation modeling . Pengujian terhadap model yang dikembangkan dengan berbagai kriteria goodness of fit, yakni chi-square, probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Tabel 3.1. GOODNESS OF FIT INDICES GOODNESS KETERANGAN CUT – OFF VALUE OF FIT INDEX X – Chi square Menguji apakah covariance populasi yang destimasi sama dengan covariance sample apakah model sesuai dengan data Diharapkan Kecil, 1 sd 5 atau paling baik diantara 1 dan 2 Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi Minimum 0.1 atau 0.2 atau ≥ 0.05 RMSEA Mengkompensasi kelemahan Chi-Square pada sampel besar. ≤ 0.08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimsi analog dengan R 2 ≥ 0,90 dalam regresi berganda AGFI GFI yang disesuaikan terhadap DF ≥ 0.90 CMIN DE 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 Sumber : Hair et al., 1998

3.4.2. Pengujian Hipotesis

Dalam SEM tidak ada alat uji statistic tunggal untuk mengukur alat dan menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan cut-off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau di tolak. 1. X 2 -Chi Square Statistic Alat uji paling fundamental untuk mengukur overall fit adalah Likelihood Ratio Chi-Square Statistic . 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 uji akan dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X 2 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 X 2 yang kecil dan tidak signifikan. X 2 bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan Chi-Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila ukuran sampel ada di luar rentang itu, uji signifikan akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lain. 2. RMSEA-The Root Mean Square Error Of Approximation RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi Chi-Square Statistic dalam sampel yang besar. Nilai RMSEA menunjukkan Goodness-Of-Fit yang dapat diharapkan bila model diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan Degrgess Of Freedom. 3. GFI-Goodness Of Fit Index GFI adalah analog dari R 2 4. AGFI-Adjusted Goodness of Fit Index dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varian dalam matrix kovarians sampel yang dijelaskan oleh matrix kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 Poor Fit samapi dengan 1.0 Perfect Fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah ‘better fit’. AGFI = GFIDF tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik Good Overal Model Fit sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup Adequate fit. 5. TLI-Tucker Lewis Index TLI adalah sebuah alternatif incremental fit indeks 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 . 6. CMINDF sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINDF tidak lain adalah statistik Chi-Square, X 2 dibagi DF-nya sehingga disebut X 2 relatif. Nilai X 2 relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X 2 7. CFI-Comparative Fit Index relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi. Besaran indeks ini adalah 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 0,95. Keunggulan dari indeksi ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality Indeks RNI.

3.4.2.1. Uji Reliabilitas

Reliabilitas merupakan ukuran mengenai konsisten internal dari indikator– indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing- masing indicator itu mengidentifikasikan sebuah konstruk atau faktor laten yang umum. Dengan kata lain bagaimana hal – hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena uang umum. Composite Reliability diperoleh melalui rumus berikut Ferdinand, 2002 : 62 Construct Reliability = ∑ ∑ ∑ + j Loading dardize S Loading dardize S ε 2 2 tan tan Keterangan : 1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan komputer. 2. Σεj adalah measurement error dari tiap indikator. Measurement error dapat diperoleh dari 1 – reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah 0.7, walaupun angka itu bukanlah sebuah ukuran yang ”mati”. Artinya bila penelitian yang dilakukan bersifat eksplorasi maka nilai dibawah 0.7-pun masih dapat diterima sepanjang disertai dengan alasan – alasan empiris yang terlihat dalam proses eksoprasi.

3.4.2.2. Uji Variance Extrated

Variance Extrated adalah ukuran yang menunjukkan varians dari indicator-indikator yang diekstraksi oleh konstruk laten yang di kembangkan. Nilai variance extrated yang tinggi menunjukkan bahwa indicator-indikator ini direkomendasikan pada tingkat paling sedikit 0,50. Variance Extrated diperoleh melalui rumus Ferdinand:64 : Variance Extracted = ∑ ∑ ∑ + j Loading dardize S Loading dardize S ε 2 2 tan tan Keterangan : 1. standart loading diperoleh dari standart loading untuk tiap-tiap indicator yang di dapat dari hasil perhitungan komputer. 2. ∑εj adalah measurement error dari tiap indicator

3.4.2.3. Uji Validitas

Uji Validitas adalah suatu derajat ketepatan alat ukur penelitian tentang isi yang sebenarnya diukur. Uji Validitas item untuk menguji apakah tiap butir pertanyaan benar-benar valid. Sebagai alat ukur yang digunakan, analisis ini dilakukan dengan cara mengkorelasikan masing-masing skor item dengan skor totalnya. Dalam hal ini koefisien korelasi yang dinilai tingkat signifikan 5. Validitas dan penelitian ditentukan oleh proses pengukuran yang kuat, oleh karena itu sinonim reliabilitas adalah konsistensi maka edensi dari validitas adalah akurasi. Validitas menyangkut akurasi yang dicapai oleh sebuah indikator dalam menilai suatu akuratnya pengukuran atas apa yang seharusnya diukur. 3.4.2.4. Evaluasi Normalitas Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji statistic. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic. Nilai statistic untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini : Nilai – z = skewness N 2 Dimana nilai N adalah ukuran sampel. Bila nilai-z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi yang dikehendaki. Misalnya, bila nilai yang dihitung lebih besar dari ± 2.58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0.01 1.

3.4.2.5. Evaluasi Outlers

Outlers adalah observasi yang muncul dengan nilai ekstrim baik secara univariate Sumarto,2004:2. Dapat diadakan perlakuan khusus pada outlers ini diketahui bagaimana munculnya outlers tersebut. Outlers pada dasarnya dapat muncul dalam empat kemungkinan : 1. Karena kesalahan prosedur, seperti kesalahan dan memasukkan data atau kesalahan dalam mengkoding data. 2. Karena keadaan yang benar-benar khusus yang memungkinkan profit datanya lain dari pada yang lain, tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu. 3. Karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebab atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim. 4. Dapat muncul pada nilai range, nilai yang bila dikombinasikan dengan variabel lain menjadi tidak lazim atau sangat ekstrim sehingga terjadi multivariate.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Deskripsi Obyek Penelitian

4.1.1. Sejarah Singkat Obyek Penelitian

Salah satu dari 3 tiga kebutuhan dasar manusia adalah pangan. Pada mulanya, makanan pokok yang dikonsumsi adalah nasi, namun dengan seiringnya perkembangan jaman, roti sangat diperlukan untuk memenuhi kebutuhan dan keinginan. Roti tidak hanya saja sebagai makanan ringan saja tetapi juga sebagai makanan pengganti karena roti merupakan makanan yang mengandung kaborhidrat sebagai pengganti nasi. Dengan perkembangan dunia dewasa ini ditandai dengan kemajuan ilmu dan teknologi, kualitas merupakan andalan utama. Perusahaan yang mengabaikan kualitas akan ketinggalan dalam pengembangan usahanya. Namun pengembangan kualitas merupakan indikasi adanya pengembangan produk, jadi harus dipersiapkan dengan matang oleh manajemen suatu perusahaan. Bersamaan dengan tumbuhnya tempat-tempat makanan siap saji di Surabaya, banyak bermunculan tempat-tempat anak-anak muda untuk bercanda dengan teman- temannya. Salah satunya tempat anak-anak remaja yang sedang berkembang diSurabaya saat ini adalah Burgerman. Burgerman yang berada di Jl. Bawean 28 ini bertempat di tengah-tengah kota Surabaya meskipun tempatnya jauh dari keramaian kota banyak anak- anak muda yang dating untuk mencoba makanan dan minuman ataupun sekedar bercanda dengan teman dan hanya bermain internet ditempat itu. Penataan ruangan yang sesuai dengan anak-anak remaja dengan penataan lampu yang terang dan menyatu dengan boutiq pakaian distro pakaian untuk anak- anak remaja. Sejak tahun 2005 Burgerman Surabaya merupakan salah satu tempat makanan siap saji yang memadukan konsep penataan ruangan yang sesuai dengan anak-anak remaja dan music yang selalu berbeda-beda setiap harinya agar para pelanggan nyaman dengan tempat itu serta hiburan-hiburan lain yang sengaja ditampilkan untuk mengikuti perkembangan jaman dan keinginan konsumen itu sendiri. Meskipun Burgerman ini makanan utamanya burger tetapi para pengelola selalu memberikan inovasi-inovasi baru produk makanan, rasa, kualitas dan menu-menu yang unik agar para pelanggannya tidak bosan dengan menu yang lain seperti kentang dan minuman ringan lainnya.

4.1.2. Gambaran Umum Subyek Penelitian

Responden dalam penelitian ini adalah pelanggan yang membeli makanan di Burgerman Surabaya sebanyak 200 responden. untuk memperjelas pembahasan, berikut ini akan digunakan responden dalam penelitian ini berdasarkan jenis kelamin dan usia.