Asumsi Model SEM Tehnik Analisis Data

yang rumit tersebut dibangun antara satu atau beberapa variabel dengan satu atau beberapa variabel independent, Masing-masing variabel dependen dan independent dapat terbentuk konstruk yang dibangun dari beberapa variabel dependen, Ferdinand,2000. Model pengukuran variabel bebas faktor harga, merek dan kualitas dan variabel terikat minat beli menggunakan Confirmatory Factor Analisis. Sedangkan penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikat menggunakan koefisien jalur.

3.4.1 Asumsi Model SEM

Pada permodelan SEM terdapat asumsi – asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis adalah sebagai berikut : 1 Ukuran Sampel Ukuran sample yang harus dipenuhi dalam permodelan ini adalah minimum berjumlah 100 dan selanjutnya menggunakan 5 perbandingan observasi untuk estimated parameter, maka minimum sample yang harus digunakan adalah sebanyak 100 sampel. 2. Evaluasi Normalitas Linieritas Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat data gambar histogram data atau dapat diuji dengan metode – metode statistic. Uji normalitas dapat dilakukan dengan mengamati Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. scatterplots dengan memilih pasangan data dan melihat pola penyebarannya untuk menduga ada atau tidaknya linieritas. Uji normalitas menggunakan Critical ratio yang diperoleh dengan membagi koefisien sample dengan standart errornya dan skewness value yang biasanya disajikan dalam statistic deskriptif dimana nilai statistic untuk menguji normalitas tersebut sebagai Z – value yang dihasilkan melalui rumus berikut ini : Nilai – z = Skewness √ 6 N Dimana N adalah ukuran sampel Bila nilai – z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikan yang dikehendaki. 3. Evaluasi Outliers Outliers adalah observasi yang muncul dengan nilai – nilai ekstrim baik secara unvariat maupun multivariate yaitu yang muncul karena kombinasi karakteristik yang dimilikinya terlihat jauh berbeda dengan observasi lainnya. Outliers ini muncul empat dalam empat kategori yaitu karena kesalahan prosedur, karena keadaan yang benar – benar khusus yang memungkinkan profil datanya lain daripada yang lain, karena adanya suatu alas an tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab – sebab munculnya nilai ekstrim tersebut, outliers dapat muncul dalam range nilai tetapi bila Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. dikombinasikan dengan variabel lain, kombinasinnya menjadi tidak lazim. Maka inilah yang disebut dengan Multivariate Outliers. 4. Evaluasi Multicolinearity dan Singularity Multicolinearity dan Singularity dapat dideteksi dari determinan matriks kovarians. Nilai determinan kovarians yang sangat kecil memberi indikasi hadirnya problem multikoliniearitas atau singularitas. Pada umumnya program SEM ini akan segera memberikan Warning setiap kali terdapat indikasi multikolinearitas atau singularitas ditemukan dalam data, maka salah satu treatment yang dapat diambil adalah dengan menciptakan Composite Variabel. 5. Uji Validitas dan Reabilitas Validitas menyangkut tingkat yang dicapai oleh sebuah indicator dalam menilai suatu akuratnya pengukuran atas apa yang harus diukur. Sedangkan reabilitas adalah ukuran mengenai konsistensi internal dari indikator – indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing indikator – indikator itu mengidentifikasi sebuah konsturk umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading factor dan hubungan antara setiap observed variabel dan latent variabel. Sedangkan reabilitas diuji dengan construct reability dan variabce dihitung dengan rumus sebagai berikut : Construct – Reability =  standardize loading 2  Standardize loading 2 + j Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Variance – Extracted =  Standardize loading 2  Standardize loading 2 + j Standardize loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir indikator. Sementara j dapat dihitung dengan formula j = 1- standardize loading 2 .

3.4.2 Pengujian Hipotesis dan Hubungan Kausalitas