B, pesan iklan F dengan kepercayaan konsumen C, pesan iklan F dengan sikap konsumen A, dengan variabel pesan F menjadi
variabel independen dan variabel B, C, A menjadi variabel dependen. Persamaan berikutnya, persamaan regresi antara variabel
pengenalan merek B dengan kepercayaan konsumen C, pengenalan merek B dengan sikap konsumen A. Pada kedua
persamaan tersebut, variabel B sebagai variabel independen dan variabel C dan A sebagai variabel dependen. Persamaan regresi
berikutnya akan dianalisis persamaan regresi sederhana antara variabel niat beli I dengan kepercayaan konsumen C, dan niat
beli I dengan sikap konsumen A, dengan variabel I menjadi variabel dependen dan variabel C dan A menjadi variabel
independen. Terakhir, persamaan regresi sederhana antara variabel niat beli I dengan variabel pembelian nyata P. Pada persamaan
tersebut, variabel I sebagai variabel independen dan variabel P sebagai variabel dependen.
Pada alat analisis CDM dengan menggunakan analisis regresi hanya melihat pengaruh antar variabel secara parsial tidak
keseluruhan. Oleh karena itu, untuk melihat pengaruh langsung antar variabel secara holistik keseluruhan maka digunakan alat
model persamaan struktural. Dengan menggunakan model persamaan struktural dapat mengetahui pengaruh langsung yang
dapat mempengaruhi pembelian nyata P.
2. Model Persamaan Struktural
Menurut Bagozzi dan Fornell dalam Ghozali 2005, model persamaan struktural Structural Equation Modelling
merupakan teknik analisis multivariate yang memungkinkan untuk menguji hubungan antara variabel yang kompleks untuk
memperoleh gambaran menyeluruh mengenai keseluruhan model. Selain itu SEM memberikan informasi tentang hubungan kausal
simultan diantara variabel-variabelnya. SEM menyajikan konsep tidak teramati melalui penggunaan variabel-variabel laten. Sebuah
36
variabel laten adalah sebuah konsep yang dihipotesiskan atau yang tidak teramati, dan hanya dapat didekati melalui variabel-
variabel teramati. Dalam SEM membedakan kedua jenis variabel ini berdasarkan atas keikutsertaan mereka sebagai variabel terikat
pada persamaan-persamaan dalam model. Variabel eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada
dalam model. Sedangkan variabel endogen merupakan variabel terikat pada paling sedikit satu persamaan dalam model.
Sementara itu, variabel teramati atau variabel terukur manifest, measured variabe adalah variabel yang dapat diamati
atau diukur secara empiris dan sering disebut sebagai indikator. Variabel teramati nilai variabelnya diperoleh dari responden
melalui berbagai metode pengumpulan data survei, tes, observasi, dan lain-lain. Menurut Bollen dalam Ghozali 2005,
model-model dalam SEM dapat menguji secara bersama-sama: 3. Model struktural : menggambarkan hubungan-hubungan antara
variabel-variabel laten. 4. Model measurement pengukuran : hubungan antara variabel
teramati indikator dengan konstruk variabel laten. Didalam SEM ada penilaian model fit. Suatu model
dikatakan fit apabila kovarians matriks suatu model adalah sama dengan kovarians matriks data. Untuk melakukan penilaian model
fit, peniliti tidak boleh hanya tergantung pada satu indeks saja atau beberapa indeks fit. Tetapi sebaiknya mempertimbangkan seluruh
indeks fit. Karena didalam SEM suatu indeks menunjukkan model adalah fit, tidak memberikan jaminan bahwa model benar-benar fit.
Sebaliknya, suatu indeks fit yang menyatakan bahwa model sangat buruk, tidak memberikan jaminan bahwa model tersebut benar-
benar tidak fit. Tabel yang menyajikan ringkasan uji kecocokan yang baik good fit dapat dilihat pada Tabel 3.
Langkah selanjutnya
adalah mengevauasi
model pengukuran, berfokus pada hubungan-hubungan antara variabel
37
laten dan indikatornya variabel manifest. Setelah itu melakukan analisis model struktural, berfokus terhadap koefisien-koefisien
atau paramater-parameter yang menunjukkan hubungan kausal atau pengaruh satu variabel laten dengan variabel laten lainnya.
Biasanya, hubungan-hubungan kausal inilah yang dihipotesiskan dalam penelitian yang didukung oleh data empiris yang diperoleh
melalui survey. Untuk menganalisis hubungan antar variabel, dibutuhkan
beberapa kriteria yang harus dipenuhi agar pengaruh antar variabel dapat dinyatakan signifikan atau berhubungan positif maka harus
memenuhi beberapa syarat. Jika nilai probability 0.001 maka H diterima dan apabila probability 0.001 maka
H ditolak. Dimana
hipotesisnya, H diterima maka H
tidak ada hubungan yang nyata signifikan. Sedangkan jika H
ditolak maka H ada hubungan
yang nyata signifikan. AMOS menggunakan kriteria 0.001 dan bukannya 0.05. Namun jika nilai P adalah 0.03, maka tetap dapat
disimpulkan H ditolak, pada pengujian signifikansi 5 0.05.
Dengan demikian, diterima tidaknya hipotesis pada pengujian nilai estimate dapat mengacu pada ketentuan AMOS 0.001 atau
menggunakan standar 0.05 Santoso, 2007. Analisis terhadap model struktural mencakup pemeriksaan
terhadap signifikansi koefisien-koefisien yang diestimasi. Dengan menspesifikasikan tingkat nilai signifikan lazimnya
= 0.05 maka setiap koefisien yang mewakili hubungan kausal yang
dihipotesiskan dapat diuji signifikannya secara statistik. Pengolahan dan penganalisian data ini dilakukan dengan
bantuan komputer menggunakan Microsoft Excel dan AMOS 19. Program ini terdiri dari pengujian measurement model dan
structural model dengan berbagai alat uji model, yaitu absolute fit indices, incremental fit indices, dan parsimony fit indices.
38
Tabel 3. Ukuran-ukuran GOF Wijanto, 2008
Ukuran GOF Tingkat Kecocokan
yang dapat diterima
Statistic Chi-Square c
2
Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semakin
kecil nilainya semakin baik. Root Mean Square Error
Rata-rata perbedaan per degree of Approximation
of freedom yang diharapkan terjadi RMSEA
Populasi dan bukan sampel. RMSEA
0.08 adalah good fit.
RMR Root Mean Semakin kecil hasil RMR akan
Residual semakin baik, yang menandakan
semakin dekatnya angka pada sampel dengan estimasinya.
Semakin besar RMR, model tidak fit. Normed Fit Index NFI
Nilai berkisar antara 0-1, dengan nilai yang lebih tinggi
adalah lebih baik. NFI 0.90 adalah good fit, sedang 0.80 NFI
0.90 adalah marginal fit. Comparative Fit Index
Nilai berkisar antara 0-1, CFI
dengan nilai yang lebih tinggi adalah lebih baik. CFI 0.90
adalah good fit, sedang 0.80 CFI 0.90 adalah marginal fit.
GFI Goodness of Fit Nilai berkisar antara 0-1,
Index dan AGFI Adjusted dengan nilai yang lebih tinggi adalah
Goodness of Fit Index lebih baik. GFI dan AGFI 0.90
Adalah good fit, sedang 0.80 GFI 0.90 adalah marginal fit.
Relative Fit Index RFI Nilai berkisar antara 0-1,
dengan nilai yang lebih tinggi adalah lebih baik. RFI 0.90
Adalah good fit, sedang 0.80 RFI 0.90 adalah marginal fit.
Incremental Fit Index IFI Nilai berkisar antara 0-1,
dengan nilai yang lebih tinggi adalah lebih baik. IFI 0.90
adalah good fit, sedang 0.80 IFI 0.90 adalah marginal fit.
39
Lanjutan Tabel 3.
Tucker-Lewis Index atau Nilai berkisar antara 0-1,
Non Normed Fit Index dengan nilai yang lebih tinggi adalah
TLI atau NNFI lebih baik. TLI 0.90
adalah good fit, sedang 0.80 TLI 0.90 adalah marginal fit.
AIC Aikake Information Digunakan untuk perbandingan
Criterion antar model. Semakin kecil semakin
baik. Pada dua atau lebih model, nilai AIC yang lebih kecil daripada
nilai saturated dan independence model berarti memiliki model fit.
Expected Cross Validation Digunakan untuk perbandingan
Index ECVI antar model. Semakin kecil semakin
baik. Pada model tunggal, nilai ECVI yang lebih kecil daripada
nilai saturated dan independence model berarti memiliki model fit.
3.3. Perbedaan dengan Penelitian Sebelumnya
