F. Metode Analisis Data
3. Analisis Jalur
Menurut Supriyadi (2014) analisis jalur merupakan perluasan dari
analisis regresi. Perluasan tersebut untuk melihat dan mempelajari
apakah antar variabel bebas terhadap variabel terikat yang diteliti dapat
berpengaruh langsung atau tidak langsung. Menurut Murayama dalam
Riduwan Kuncoro (2017). Tujuan path analysis adalah “a method of
measuring the direct influence along each separate path in such a system and thus finding the degreeto which variation if a given effect is determined by each particular cause.”
Jadi, metode analisis jalur dapat digunakan untuk mengidentifikasi
dan juga menganalisis hubungan antar variabel yang diteliti dengan
tujuan untuk mengetahui pengaruh langsung maupun tidak langsung
seperangkat variabel bebas terhadap variabel terikat.
Dalam penelitian ini terdapat diagram jalur hubungan kasual analisis
59
Gambar 3. 1 Diagram Jalur Hubungan Kasual X1, X2, X3, Y, dan Z
Sumber: Riduwan dan Kuncoro (2017)
Berdasarkan diagram gambar di atas dapat dijelaskan penelitian ini
akan menggunakan analisis jalur dan akan menguji seberapa besar
kontribusi yang ditampilkan oleh koefisien jalur dan hubungan kasual
antara variabel X1, X2, X3 terhadap Y serta dampaknya terhadap Z.
Pertimbangan menggunakan analisis ini karena antara satu variabel
dengan variabel lainnya mempunyai hubungan.
1) Konversi diagram alur ke dalam persamaan
Setelah mendapatkan hasil pengujian yang dilakukan melalui
program SPSS, maka langkah selanjutnya adalah melakukan
konversi spesifikasi model ke dalam rangkaian persamaan.
2) Persamaan-persamanaa struktural (Structural equation). Harga (X2) Kualitas Produk (X1) Word of Mouth (X3) Keputusan Pembelian (Y) Kepuasan Konsumen (Z) Є1 Є2 ρyx1 ρyx2 ρyx3 rx1x2 rx2x3 rx2x3 ρzx1 ρzx3 ρzy
60
Gambar 3. 2 Sub-Struktur I Hubungan Kasual X1, X2, X3, dan Y
Sumber: Riduwan dan Kuncoro (2017)
Variabel endogen (Y) dan variabel eksogen (X1, X2, dan X3),
memiliki persamaan struktur Y = ρZX1 X1 + ρZX2 X2 + ρZX3 X3 + Є1
Gambar 3. 3 Sub-Struktur II Hubungan Kasual X1, X2, X3, Y ke Z
Sumber: Riduwan dan Kuncoro (2017)
Variabel endogen (Z) dan variabel eksogen (X1, X2, X3, dan Y),
memiliki persamaan struktur Z = ρZX1 X1 + ρZX2 X2 + ρZX3 X3 + ρZY Y + Є2 Keterangan : Harga (X2) Kualitas Produk (X1) Word of Mouth (X3) Keputusan Pembelian (Y) Harga (X2) Kualitas Produk (X1) Word of Mouth (X3) Keputusan Pembelian (Y) Kepuasan Konsumen (Z) rx1x2 rx2x3 rx2x3 ρyx1 ρyx2 ρyx3 rx1x2 rx2x3 rx2x3 ρzx1 ρzx3 ρzy ρzx2 Є1 Є2
61 X1= Kualitas Produk X2= Harga X3= Word of Mouth Y = Keputusan Pembelian Z = Kepuasan Konsumen ɛ = Error
Kriteria penerimaan hipotesis sebagai berikut :
a) Jika signifikasi penelitian <0,05, maka Ho ditolak dan Ha
diterima.
b) Jika signifikasi penelitian >0,05, maka Ho diterima dan Ha
ditolak.
a. Koefisien Korelasi
Menurut Supriyadi (2014) koefisien korelasi dapat digunakan
untuk mengetahui tingkat derajat hubungan linear antara dua atau
lebih variabel yang minimal bersekala interval. Bila variabel yang
terlibat hanya dua tersebut disebut korelasi sederhana sedangkan
jika lebih dari dua variabel disebut korelasi berganda. Adapun
menurut Riduwan dan Kuncoro (2017) kriteria yang menjadi acuan
uji koefisien korelasi yaitu:
Tabel 3. 2 Interpretasi Koefisien Korelasi Interval Koefisien Tingkat Hubungan
0,80 – 1,00 Sangat Kuat
0,60 – 0,79 Kuat
62
0,20 – 0,39 Rendah
0,00 – 0,19 Sangat Rendah
Sumber: Riduwan dan Kuncoro (2017)
b. Koefisien Determinasi
Menurut Pardede dan Manurung (2014) koefisien determinasi
merupakan besarnya kontribusi variabel bebas terhadap variabel
terikat. Hal ini dapat dijelaskan bahwa semakin tingginya koefisien
determinasi, semakin tinggi juga kemampuan variabel bebas dalam
menjelaskan variasi perubahan pada variabel terikat. Menurut
Supriyadi (2014) koefisien determinasi atau 𝑅𝑅2 merupakan besarnya
sumbangsih atau kontribusi seluruh variabel independen terhadap
variabel dependen. Semakin tinggi nilai koefisien determinasi
semakin baik kemampuan variabel independen bisa menerangkan
variabel dependen.
Menurut Ghozali (2018) untuk menghitung koefisien
determinan dapat menggunakan rumus sebagai berikut:
𝐾𝐾𝐾𝐾 = 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑟𝑟 𝑆𝑆𝑆𝑆𝐴𝐴𝑆𝑆𝑟𝑟𝐴𝐴 𝑥𝑥 100%
Nilai adjusted R square diperoleh dari output SPSS. Menurut
Ghozali (2018) Untuk melihat hasil koefisien determinasi dapat
dijelaskan pada kolom adjusted R square ditabel model summary
yang merupakan hasil pengujian analisis jalur menggunakan
program SPSS. karena disesuaikan dengan jumlah variabel
63
c.
Uji SimultanMenurut Supriyadi (2014) untuk melihat pengujian pengaruh
beberapa variabel bebas secara bersama-sama terhadap variabel
terikat yaitu dengan cara melihat nilai signifikansi atau dengan uji F
pada tabel ANOVA dan membandingkannya dengan nilai alpha
yang ditentukan biasanya digunakan 0,01, 0,05, atau 0,10. Dalam
penelitian ini peneliti menentukan nilai alpha sebesar 0,05.
Menurut Riduwan dan Kuncoro (2017) uji F atau uji secara
keseluruhan hipotesis statistik dirumuskan sebagai berikut:
Ha : ρyx1 = ρyx2 = ...= ρyxk ≠ 0, Ho : ρyx1 = ρyx2 = ...= ρyxk = 0,
a) Jika nilai probabilitas 0,05 lebih kecil atau sama dengan nilai
probabilitas Sig atau [0,05 = Sig], maka Ho diterima dan Ha
ditolak.
b) Jika nilai probabilitas 0,05 lebih besar atau sama dengan nilai
probabilitas Sig atau [0,05 = Sig], maka Ho diolak dan Ha
diterima.
d. Uji Parsial
Menurut Sarwono (2007) uji parsial merupakan uji statistik yang
digunakan untuk pengujian secara individual yaitu dengan cara
menghitung besarnya angka t tabel dengan ketentuan sebagai berikut
64
2) Derajat kebebasan (dk) dengan ketentuan dk = n – 2.
Menurut Supardi (2016) pengujian hipotesis dengan uji t dapat
dilakukan dengan pengujian dua pihak dengan hipotesis sebagai
berikut:
Ha: ρui≠ 0 ; i = 1, 2, 3, ...., k H0 : ρui = 0
Secara individual uji statistik yang digunakan adalah uji t yang
dihitung dengan rumus:
𝐴𝐴𝑘𝑘 = 𝜌𝜌𝑘𝑘
𝑠𝑠𝑒𝑒𝜌𝜌𝑘𝑘; (𝐴𝐴𝑑𝑑 = 𝑛𝑛 − 𝑑𝑑 − 1)
Untuk mengetahui signifikansi analisis jalur yaitu dengan cara
membandingkan nilai probabilitas 0,05 dengan nilai probabilitas
Sig. dengan dasar pengambilan keputusan sebagai berikut:
a) Jika nilai probabilitas 0,05 lebih kecil atau sama dengan nilai
probabilitas Sig. atau [0.05 ≤ Sig], maka Ho diterima dan Ha ditolak, yang artinya tidak signifikan atau jika t hitung > t tabel
maka Ho ditolak dan Ha diterima.
b) Jika nilai probabilitas 0.05 lebih besar atau sama dengan nilai
probabilitas Sig. atau [0,05 ≥ Sig], maka Ho ditolak dan Ha diterima, yang artinya signifikan atau jika t hitung < t tabel Ho
65 e. Uji Sobel
Menurut Baron dan Kenny dalam Ghozali (2018) suatu variabel
disebut variabel intervening jika variabel tersebut ikut
mempengaruhi hubungan antara variabel independen dan variabel
dependen. Pengujian hipotesis mediasi dapat dilakukan dengan
prosedur yang dikembangkan oleh Sobel (1982) dalam Kenny
(2014), dikenal dengan uji sobel (sobel test). Uji sobel dapat
dilakukan dengan cara menguji seberapa kuat pengaruh tidak
langsung variabel independen (X) ke variabel dependen (Z) melalui
variabel intervening (Y). Besarnya standard error pengaruh tidak
langsung (indirect effect) Sp2p3 dihitung dengan rumus dibawah ini:
𝑆𝑆𝑝𝑝2𝑝𝑝3 = �𝑝𝑝32𝑆𝑆𝑝𝑝22+ 𝑝𝑝22𝑆𝑆𝑝𝑝32+ 𝑝𝑝22𝑆𝑆𝑝𝑝32 Keterangan :
p2 : Unstandardized coefficient beta variabel independen
p3 : Unstandardized coefficient beta variabel intervening
Sp2 : Standar error independen
Sp3 : Standar error intervening
Kemudian untuk mencari nilai t statistic pengaruh mediasi
dengan rumus sebagai berikut :
66
Nilai t hitung ini dibandingkan dengan nilai t tabel. Cara
membaca t tabel adalah dengan menggunakan signifikansi level 0,05
dan degree of freedom (df) untuk df = n-2 atau 250-2 = 248, makat
tabel adalah sebesar 1,969. Jika nilai t hitung lebih besar dari nilai t
tabel maka dapat disimpulkan terjadi pengaruh mediasi. Asumsi uji
sobel memerlukan jumlah sampel yang besar, jika jumlah sampel
kecil, maka uji sobel menjadi kurang konservatif (Ghozali, 2018).
f. Perhitungan Analisis Jalur
Menurut Sarwono (2007) Setelah analisis sub struktur 1 dan 2
terbentuk, maka langkah selanjutnya adalah menghitung pengaruh
untuk melihat seberapa kuat pengaruh dari satu variabel dengan
variabel lainnya baik secara langsung maupun tidak langsung.
Menurut Riduwan dan Kuncoro (2017) perhitungan hasil
analisis jalur untuk memberikan informasi secara objektif yang
didalamnya terdapat perhitungan pengaruh langsung, perhitungan
pengaruh tidak langsung, perhitungan pengaruh total.