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