III. METODE PENELITIAN
3.2. Metode Penelitian
3.2.4 Pengolahan dan Analisis Data
3.2.4.3 Analisis Efektivitas Iklan Televisi Proses Pengambilan Keputusan Pembelian
3.2.4.3 Analisis Efektivitas Iklan Televisi Proses Pengambilan Keputusan Pembelian
Analisis data yang akan digunakan dalam penelitian ini yaitu
Consumer Decision Model (CDM) dan model persamaan struktural. 1. Consumer Decision Model (CDM)
Consumer Decision Model (CDM) adalah suatu model
dengan 6 variabel yang saling berhubungan, yaitu: Pesan Iklan (F,
finding information), Pengenalan Merek (B, brand recognition),
Kepercayaan Konsumen (C, confidence), sikap Konsumen (A,
attitude), Niat Beli (I, intention) dan Pembelian nyata (P, purchase). Untuk mengetahui efektivitas iklan menggunakan CDM
yang digunakan untuk menganalisis bentuk hubungan dan analisis keeretan hubungan. Pengaruh langsung suatu variable independent terhadap variable dependent ditelusuri dengan analisis regresi. Analisis regrasi yang digunakan memperhatikan prinsip parsimony, yaitu semakin sederhana suatu model semakin bagus model tersebut dan dengan pertimbangan efisiensi dan kemudahan pemahaman model tersebut dari sisi pengguna. Dengan pertimbangan tersebut maka digunakan analisis regresi linier sederhana. Model populasi yang digunakan adalah:
………...(4) dalam hal ini:
= variabel dependen
= variabel independent = model intersep = parameter regresi
= error term
Pada persamaan tersebut akan dianalisis persamaan regresi sederhana antara variabel pesan iklan (F) dengan pengenalan merek
(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
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-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
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 H0 diterima dan apabila probability < 0.001 makaH0 ditolak. Dimana hipotesisnya, H0 diterima maka H0 tidak ada hubungan yang nyata (signifikan). Sedangkan jika H0 ditolak maka H0 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 H0 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
Tabel 3. Ukuran-ukuran GOF (Wijanto, 2008)
Ukuran GOF Tingkat Kecocokan
yang dapat diterima
Statistic Chi-Square (c2) 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.
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.