r. HASIL PENELITIAN DAN PEMBAHASAN

66 lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58. Tabel 4.14. Normalitas Data Sumber : Hasil Pengolahan Data Pada Lampiran 3 Hasil uji diatas menunjukkan bahwa nilai c.r multivariate berada di antara ± 2,58 yaitu -0,002, berarti asumsi normalitas terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bender Chou 1987 bahwa jika teknik estimasi dalam model SEM menggunakan Maxsimum Likelihood Estimation MLE walau distribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.

4.4.6. Deteksi Multicollinierity dan Singularity

Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 [kecil], Variable min max kurtosis

c.r.

X11 3 7 - 0,329 - 0,688 X12 3 7 0,519 1,086 X13 3 7 - 0,080 - 0,168 X21 3 7 0,029 0,062 X22 4 6 - 0,930 - 1,945 X31 3 7 0,080 0,167 X32 2 7 0,693 1,449 X33 3 7 0,108 0,226 X41 3 7 - 0,782 - 1,635 X42 2 7 - 0,140 - 0,293 X43 3 7 - 0,893 - 1,869 Y1 2 7 0,615 1,287 Y2 2 7 0,360 0,754 Y3 2 7 0,585 1,223 Y4 2 7 0,286 0,598 M u lt iv a ria t e - 0,009 - 0 ,0 0 2 Batas Normal ± 2,58 67 maka terjadi multikolinieritas dan singularitas [Tabachnick Fidell,1998]. Berdasarkan hasil pengujian dengan menggunakan program AMOS 4.01 diperoleh hasil Determinant of Sample Covariance Matrix adalah 0 yaitu sebesar 38.295,48 mengindikasikan tidak terjadi multikolinieritas dan singularitas dalam data ini sehingga asumsi terpenuhi. 4.4.7. Structural Equation Modeling SEM dan Pengujian Hipotesis 4.4.7.1. Evaluasi Model One-Step Approach to SEM Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi secara bersama-sama [One Step Approach to SEM]. One step aprroach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas reliabilitas data sangat baik [Hair et.al.,1998] Hasil estimasi dan fit model one step approach to SEM dengan menggunakan program aplikasi Amos 4.01 terlihat pada Gambar dan Tabel Goodness of Fit di bawah ini. 68 Gambar 4.1. Model Pengukuran Kausalitas One Step Approach Base Model MODEL PENGUKURAN STRUKTURAL Store Stim ulus, Unshceduled Purchase Model Specification : One Step Approach - Base Model Display Promotion X31 er_3 X32 er_4 1 1 1 X21 er_1 1 1 X33 er_5 1 Sales Service X41 er_6 1 1 1 Store Stimulus d_pr d_ss d_dp 1 1 1 Rack Regulation d_rr 1 X11 er_9 1 1 X42 er_7 1 X22 er_2 1 X12 er_10 1 X13 er_11 1 X43 er_8 1 Unscheduled Purchase Y1 er_12 Y2 er_13 d_pu Y3 er_14 1 1 1 1 1 Y4 er_15 1 Sumber : Hasil Pengolahan Data Tabel 4.15. Evaluasi Kriteria Goodness of Fit Indices Base Model Kriteria Hasil Nilai Kritis Evaluasi Model Cm in DF 1,444 ≤ 2,00 baik Pr obabilit y 0,005 ≥ 0,05 k ur ang baik RMSEA 0,065 ≤ 0,08 baik GFI 0,877 ≥ 0,90 k ur ang baik AGFI 0,826 ≥ 0,90 k ur ang baik TLI 0,941 ≥ 0,95 k ur ang baik CFI 0,952 ≥ 0,94 baik Sumber Dari hasil evaluasi terhadap model one step base model ternyata dari semua kriteria goodness of fit yang digunakan, belum seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model belum sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya didukung oleh fakta. Dengan demikian model ini masih perlu dimodifikasi sebagaimana terdapat di bawah ini. : Hasil Pengolahan data 69 Gambar 4.2. Model Pengukuran Kausalitas One Step Approach Modifikasi MODEL PENGUKURAN STRUKTURAL Store Stim ulus, Unshceduled Purchase Model Specification : One Step Approach - Modifikasi Display Promotion X31 er_3 X32 er_4 1 1 1 X21 er_1 1 1 X33 er_5 1 Sales Service X41 er_6 1 1 1 Store Stimulus d_pr d_ss d_dp 1 1 1 Rack Regulation 0,005 d_rr 1 X11 er_9 1 1 X42 er_7 1 X22 er_2 1 X12 er_10 1 X13 er_11 1 X43 er_8 1 Unscheduled Purchase Y1 er_12 Y2 er_13 d_pu Y3 er_14 1 1 1 1 1 Y4 er_15 1 Sumber : Hasil Pengolahan Data Tabel 4.16. Evaluasi Kriteria Goodness of Fit Indices Modifikasi Kriteria Hasil Nilai Kritis Evaluasi Model Cm in DF 0,980 ≤ 2,00 baik Pr obabilit y 0,529 ≥ 0,05 baik RMSEA 0,000 ≤ 0,08 baik GFI 0,916 ≥ 0,90 baik AGFI 0,900 ≥ 0,90 baik TLI 1,003 ≥ 0,95 baik CFI 1,000 ≥ 0,94 baik Sumber Dari hasil evaluasi terhadap model one step model modifikasi ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model sebagaimana terdapat di bawah ini. : Hasil Pengolahan data 70

4.4.7.2. Uji Hipotesis Kausalitas

Dilihat dari angka determinant of sample covariance matrix : 38.295,48 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas di bawah ini. Tabel 4.17. Uji Hipotesis Kausalitas Antar Faktor Regression Weights Ustd Estimate Std Estimate Prob. Faktor  Faktor Unscheduled_Pur chase  St ore_St im ulus - 0,164 - 0,152 0,151 Batas Signifikansi ≤ 0,10 Sumber : Hasil Pengolahan Data Pada Lampiran 3 Dilihat dari tingkat probabilitas arah hubungan kausal, hipotesis yang menyatakan bahwa : In store stimuli store stimulus berpengaruh positif terhadap impulse buying unscheduled purchase di Minimarket Perdana Surabaya, tidak dapat diterima. Hal tersebut dikarenakan nilai probabilitas kausalnya lebih besar daripada nilai batas signifikansi yaitu 0,151 ≥ 0,10 dan standard estimate nya -0,152 sehingga [tidak signifikan [negatif].

4.5. Pembahasan