c. Dokumentasi Yaitu dengan mengumpulkan data, menggali data dokumen atau arsip-arsip
aturan yang disepakati, misalnya keberadaan perusahaan dan struktur manajemen perusahaan.
3.4. Teknik Analisis dan Uji Hipotesis 3.4.1.
Teknik Analisis
Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling [SEM]. Merupakan teknik statistik yang
memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit. Model pengukuran celebrity endorser, kualitas produk terhadap brand image sepeda
motor Honda Vario di Surabaya menggunakan confirmatory factor analyses. Penaksiran pengaruh masing-masing variable bebas terhadap variable terikatnya
menggunakan koefidien jalur Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor variable loyalitas merek dilakukan sebagai
berikut : Persamaan Dimensi variabel citra merek. Y1 =
1 citra merek + er_1 Y2 =
2 citra merek + er_2 Y3 =
3 citra merek + er_3 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk
diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh variabel citra merek akan nampak sebagai berikut:
Gambar 3.1 : Contoh Model Pengukuran citra merek
Er 1
Y
1
Er 2
Y
2
Er 3
Y
3
citra merek
Y
Keterangan : Y1 = pertanyaan tentang citra koorporat
Y2 = pertanyaan tentang citra pemakai Y3 = pertanyaan tentang citra produk
er_j = error term X1j
3.4.2. Outliers
Outlier adalah obsevasi yang muncul dengan nilai-nilai eksterim baik secara univariat maupun multivariate yang muncul karena kombinasi karakteristik
unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainya. Dapat diadakan treatment khusus pada outliers ini asal diketahui
munculnya outlier itu. Outliers pada dasarnya dapat muncul dalam empat kategori.
Pertama, Outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. Misalnya 8 diketik
80 sehingga jauh berbeda dengan nilai-nilai lainnya dalam rentang jawaban responden antara 1-10 jika hal semacam ini lolos maka akan menjadi sebuah
nilai ekstrim.
Kedua, outlier dapat muncul karena keadaan yang benar-benar khusus yang memungkinkan profil datanya lain daripada yang lain daripada tetapi peneliti
mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu. Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak
dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai nilai ekstrim itu.
Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan varibel lainnya, kombinasinya menjadi tidak lazim atau
sangat ekstrim. Inilah yang disebut multivariate outlier.
3.4.3. Evaluasi atas outliers
Menagamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier Multivariate outlier
diukur dengan kriteria jarak mahalanobis pada tingkat p 0,001.Jarak diuji dengan Chi-Square X pada df degrees of Freedom sebesar
jumlah variabel bebasnya. Ketentuan : Mahalanobis dari nilai X adalah multivariate outlier.
2 2
3.4.4. Uji Validitas
Uji validitas adalah suatu derajat ketepatan alat ukur penelitian tentang isi sebenarnya yang diukur. Analisis validitas item bertujuan untuk menguji apakah
tiap butir pertanyaan benar-benar sudah sahih, paling tidak kita dapat menetapkan derajat yang tinggi dari kedekatan data yang diperoleh dengan apa yang diyakini
dalam pengukuran. Sebagai alat ukur yang digunakan, analisis ini dilakukan dengan cara mengkorelasiakn antar skor item denga skor total item. Dalam hal ini
koefisien korelasi yang nilai signifikasinya lebih kecil dari 5 level of
significance menunjukkan bahwa item-item tersebut sudah sahih sebagai pembentukan indikator.
3.4.5. Uji Reliabilitas
Yang dimaksud dengan reabilitas ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukan derajat sampai dimana
masing-masing indicator itu menghasilakan sebuah konstrukfaktor laten yang umum. Secara umum, nilai construct reliability yang dapat diterima adalah
≥ 0,70 dan variance extracted
≥ 0,5 Hair et. al., 1998.
3.4.6. Uji Normalitas
Untuk menguji normalitas distribusi data-data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah
adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik diskriptif dari hampir semua program statistik.
Nilai statistik untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
Bila nilai z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat
signifiukasi yag 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. Nilai kritis lainnya yang umum digunakan adalah nilai kritis sebesar
1,96 yang berarti bahwa asumsi normalitas ditolak pada tingkat signifikasi 0.05 5 Sumber Augusty 2002: 95
3.4.7. Multicollinearity dan Singularity
Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati
determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak
dapat digunakan untuk analisis yang sedang dilakukan. Augusty 2002 : 108. 3.4.8. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p
[probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.
3.4.9. 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 teotitis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam
penggunaan structural equation modelling.
Tabel 3.1. Goodness of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
X
2
- Chi-square Menguji apakah covariance populasi yang destimasi sama
dengan cova-riance sample [apakah model sesuai dengan data]. Diharapkan Kecil, 1 s.d 5.
atau paling baik diantara 1 dan 2.
Probability Uji signifikansi terhadap perbedaan matriks covariace data dan
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 matrtiks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi
[analog dengan R
2
dalam regresi berganda]. 0,90
AGFI GFI yang disesuaikan terhadap DF.
0,90 CMINDDF
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.
0,95 Sumber : Hair et.al., [1998]
1. X
² CHI SQUARE STATISTIK
Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio 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 diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil
nilai X² 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 X² yang kecil dan signifikan. X² bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil
maupun yang terlalu besar.
2. RMSEA-THE ROOT
MEAN SQUARE
ERROR Of
APPROXIMATION
RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA menunjukkan
goodness-of-fit yang dapat diharapkan bila model diestimasi alam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat
diterimanya degress of freedom.
3. GFI – GOODNES of FIT INDEKS
GFI adalah analog dari R dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians
sampel yang dijelaskan oleh kovarians matriks populasi yang terestimasi. GFI adalah sebuah ukuran non- statistika 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 – ADJUST GOODNES of FIT INDEX
AGFI = GFIdf Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai niali yang sama dengan atau lebih besar dari 0.90. GFI maupun
AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians alam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterprestasikan
sebagai tingkatan yang baik good overall model fit sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup adequate fit.
5. CMINDF
Sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMNIDF tidak lain adalah statistik chi-square, X² dibagi Dfnya
sehingga disebut X² relatif. Nilai X² relatif kurang dari 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X² relatif
yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan diestimasi.
6. TLI – TUCKER LEWIS INDEKS
TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah
penerimaan ≥0,95 nilai yang sangat mendekati 1 menunjukkan a verry good fit.
7. CFI – COMPERATIF FIT INDEX
Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mendidentifikasikan tingkat fit yang paling tinggi a very good fit.
Nilai yang direkomendasikan adalah CFI 0.95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk
mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relatif Non certrality Indeks
RNI.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN