BAB III. METODE PENELITIAN
D. Metode Analisis Data
3. Analisis Structural Equation Model (SEM)
Analisis Structural Equation Model merupakan teknik analsis multivariat yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Analisis ini bertujuan untuk mengestimasi beberapa persamaan regresi terpisah, akan tetapi masing-masing memiliki hubungan simultan atau bersamaan. Dalam studi ini, data diolah dengan menggunakan software Analysis of Moment Structure atau AMOS versi 16.0.
Analisis Structural Equation Model memungkinkan perhitungan estimasi seperangkat persamaan regresi yang simultan, berganda, dan saling berhubungan. Karakteristik penggunaan model ini antara lain untuk mengestimasi hubungan dependen ganda yang saling berkaitan, kemampuannya untuk memunculkan konsep yang tidak teramati dalam hubungan serta dalam menentukan kesalahan pengukuran dalam proses estimasi, dan kemampuannya untuk mengakomodasi seperangkat hubungan antara variabel indepenen dan variabel dependen serta mengungkap variabel laten (Hair et. al, 1998).
commit to user
a. Evaluasi Asumsi SEM 1) Asumsi kecukupan sampel
Sampel yang harus dicukupi dalam model SEM adalah lima kali jumlah parameter yang akan diestimasi. Selain itu, jumlah sampel tersebut juga harus memenuhi prosedur Maximum Likelihood Estimation yaitu penarikan sampel antara 100-200 sampel (Ghozali, 2005).
2) Asumsi Normalitas
Asumsi normalitas merupakan asumsi yang palin fundamental karena merupakan bentuk distribusi data pada variabl matriks tunggal yang menghasilkan distribusi normal (Hair et al., 1998). Apabila asumsi normalitas tidak terpenuhi dan penyimpangan data normalitas tersebut besar maka akan menghasilkan hasil uji statistik yang bias. Untuk menguji asumsi normalitas maka digunakan nilai z statistik untuk skweness dan kurtosisnya. Data dikatakan berdistribusi normal apabila nilai C.R skweness kurang dari 2 dan nilai C.R kurtosisnya kurang dari 7 (Ghozali, 2005).
3) Asumsi Outlier
Outlier merupakan observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakter unik, sangat berbeda dari data observasi lain, muncul dalam bentuk nilai ekstrim. Pada umumnya perlakuan pada data outlier adalah dengan mengeluarkannya dari data
commit to user
dan tidak diikutsertakan dalam perhitungan berikutnya. Menurut Ferdinand (2005) bila tidak terdapat alasan khusus untuk mengeluarkan data outlier, maka observasi dapat diikutsertakan dalam analisis selanjutnya. Secara multivariate, data outlier dapat dievaluasi dengan membandingkan nilai mahalonobis distance dengan nilai X2 tabel. Sedangkan secara univariate dapat dilihat dengan melihat nilai p1 dan p2, dengan ketentuan apabila nilai probabilitas > 0,05 maka data observasi dikatakan tidak mengalami masalah outlier.
b. Evaluasi Goodness of Fit 1) Chi Square
Tujuan analisis Chi Square yaitu mengembangkan dan menguj sebuah model yang sesuai dengan data. Data pengujian dengan nilai X2 yang rendah dan menghasilkan tingkat signifikansi yang lebih besar dari 0.05 akan mengindikasikan tidak ada perbedaan yang signifikan antara matriks kovarians yang diestimasi.
2) Normed Chi Square (CMIN/DF)
CMIN/DF adalah ukuran yang diperoleh dari nilai chi square
dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonius yang mengukur hubungan goodness of fit
commit to user
mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima kesesuaian model adalah CIMN/DF ≤ 2,0-3,0.
3) Adjusted Goodness of Fit Index (AGFI)
AGFI merupakan pengembangan dari GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model konstruk tunggal dengan semua indikator pengukuran konstruk). Nilai AFGI ≥ 0,90
mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model.
4) Comparative Fit Index (CFI)
CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai dengan 1. Nilai CFI yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian model yang baik. CFI merupakan indeks kesesuaian yang relatif tidak sensitif terhadap besarnya sampel dan kurang dipengarui oleh kerumitan model. Nilai penerimaan yang direkomendasikan adalah CFI ≥ 0,95.
5) Trucker Lewis Index (TLI)
TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. TLI merupakan indeks kesesuaian model yang kurang dipengaruhi oleh sampel. Nilai yang direkomendasikan adalah nilai TLI ≥ 0,95.
commit to user
6) Root Mean Square Error of Approximation (RMSEA)
RMSEA adalah indeks yang digunakan untuk mengukur fit model menggantikan chi square statistik dengan jumlah sampel yang besar. Nilai RMSEA ≤ 0,08 mengindikasikan indeks yang baik utuk
menerima kesesuaian sebuah model. Tabel III.1
Indeks Goodnes-of-Fit Model
Kriteria Control of Value Keterangan
X2 Chi Square Diharapkan kecil Baik
X2 Significance Probability ≥ 0,05 Baik
CMIN/DF ≤ 2,00 – 3,00 Baik AGFI ≥ 0,90 Baik CFI ≥ 0,95 Baik TLI ≥ 0,95 Baik RMSEA ≤ 0,08 Baik Sumber: Ferdinand (2005)
commit to user
BAB IV
ANALISIS DATA DAN PEMBAHASAN
Bab ini bertujuan untuk mengungkap hasil analisis data penelitian dan pembahasannya. Pembahasan diawali dengan hasil statistik deskriptif yang bertujuan untuk memahami profil responden yang digunakan dalam penelitian ini. Selanjutnya diikuti dengan pembahasan mengenai pengujian instrumen penelitian yang meliputi pengujian validitas dan reliabilitas. Hal ini dilakukan untuk menjamin data penelitian yang diperoleh, sehingga kualitasnya dapat dipertanggungjawabkan secara ilmiah. Kemudian pembahasan mengenai evaluasi asumsi SEM, yang meliputi uji kecukupan sampel, uji normalitas, dan uji outlier. Kemudian dilanjutkan dengan analisis kriteria
goodness of fit model penelitian beserta pembahasannya. Terakhir adalah pembahasan mengenai hasil pengujian Structural Equation Modelling (SEM) yang bertujuan untuk menjelaskan hubungan antar variabel yang dihipotesiskan.
Dengan demikian, pembahasan dalam bab ini difokuskan pada: analisis statistik deskriptif, analisis instrumen penelitian, evaluasi asumsi SEM, analisis kriteria goodness of fit model penelitian, dan pembahasan mengenai analisis
Structural Equation Modelling (SEM). A. Analisis Statistik Deskriptif
Ada empat variabel demografi yang digunakan untuk menjelaskan profil responden, yaitu jenis kelamin, alamat, pendidikan dan penghasilan (lihat
commit to user
Lampiran 3). Pemilihan variabel ini dimaksudkan untuk menjelaskan perilaku niat pembelian konsumen, sehingga diharapkan dapat mempermudah dalam penganalisisan profil konsumen. Hasil analisis statistik deskriptif dijelaskan pada Tabel IV.1
Tabel IV.1 Statistik Deskriptif
Mean Std. Deviation Min Max Ukuran
Jenis Kelamin 1.60 0.492 1 2 1 = Laki-laki
2 = Perempuan
Alamat Rumah 1.54 0.500 1 2 1 = Solo
2 = Luar Solo Tingkat
Pendidikan 1.09 0.364 1 3
1 = lulus SMA 2 = lulus Sarjana 3 = lulus Pasca Sarjana
Penghasilan 2.28 0.863 1 4
1 = < 500.000
2 = 500.000 - 1.000.000 3 = 1.000.001 - 1.500.000 4 = > 1.500.000
Sumber: data primer diolah, 2012
Berdasarkan perhitungan statistik deskriptif pada Tabel IV.1, dapat dijelaskan bahwa jumlah responden perempuan berada pada proporsi yang lebih besar (mean = 1,60). Hal ini dikarenakan perempuan lebih sering berbelanja daripada pria, sehingga lebih berniat untuk membeli ayam organik.
Berdasarkan hasil analisis statistik deskripstif yang diperoleh, dapat diketahui bahwa alamat rumah responden yang mendominasi dalam penelitian ini adalah dari luar Solo (mean = 1,54). Hal ini dikarenakan pada saat pengambilan
commit to user
data, lebih banyak dijumpai mahasiswa Fakultas Ekonomi UNS yang berasal dari luar Solo.
Tabel IV.1. juga menunjukkan bahwa responden dengan tingkat pendidikan lulus SMA adalah yang mendominasi penelitian ini (mean = 1,09). Hal ini dikarenakan pada saat pengambilan data, lebih banyak dijumpai mahasiswa yang sedang menempuh jenjang pendidikan S1 yang merupakan lulusan SMA.
Berdasarkan hasil analisis deksriptif yang diperoleh, dapat diindikasi bahwa responden yang mempunyai tingkat pendapatan/penghasilan antara Rp 500.000,- Rp 1.000.000,- mendominasi penelitian ini (mean = 2,28). Hal ini dikarenakan sebagian besar responden merupakan mahasiswa yang belum memiliki penghasilan sendiri dan tingkat pendapatan tersebut merupakan rata-rata jumlah uang saku dari orang tua.
B. Analisis Konfirmatori Faktor (Confirmatory Factor Analysis = CFA)
Analisis konfirmatori faktor merupakan salah satu teknik analisis multivariat yang digunakan untuk menguji sebuah konsep yang dibangun dengan menggunakan beberapa indikator terukur. Analisis faktor konfirmatori adalah salah satu jenis analisis faktor yang ditujukan untuk menguji sebuah teori atau konsep mengenai sebuah proses atau sebuah fenomena.
Untuk menilai kemantapan model, kita harus melakukan analisis faktor konfirmatori (confirmatory factor analysis = CFA) pada langkah pertama analisis
commit to user
data. SEM adalah suatu pendekatan analisis faktor konfirmatori yang baik. SEM bukanlah untuk menghasilkan kausalitas, tetapi untuk membenarkan adanya kausalitas teoritis atau untuk menguji kausalitas yang sudah ada teorinya. Hasil analisis konfirmatori faktor dapat dilihat pada gambar di bawah ini:
Gambar IV.1 Model Analisis Faktor Konfirmatori (CFA)
.04 P. Value v1 .37 e1 1.00 1 v2 .44 e2 1 1.66 v3 .06 e3 3.63 1 v4 .25 e4 2.61 1 .29 Attitude at1 .67 e9 1.00 1 at2 .31 e10 1.09 1 at3 .15 e11 1.31 1 .21 P. Availability av1 .32 e5 av2 .32 e6 av3 .51 e7 av4 .36 e8 1.00 1 .97 1 1.04 1 1.33 1 .35 Purchase Intention pi1 .52 e12 pi2 .64 e13 pi3 .41 e14 1.00 1 .90 1 1.04 1 .02 .04 .03 .10 .14 .18
commit to user
Berikut ini adalah hasil pengujian validitas konvergen dan reliabilitas konstruk untuk masing-masing variabel penelitian.
1. Uji Validitas Konvergen
Pengujian validitas dalam penelitian ini menggunakan convergent validity atau validitas konvergen. Validitas konvergen dapat dinilai dari
measurement model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasikan secara valid mengukur dimensi dari konsep yang diujinya. Sebuah indikator dimensi menunjukkan validitas konvergen yang signifikan apabila koefisien variabel indikator itu lebih besar dari dua kali standar errornya (Ferdinand, 2005: 187). Bila setiap indikator memiliki critical ratio (C.R) yang lebih besar dari dua kali standar errornya (S.E), hal ini menunjukkan bahwa indikator itu secara valid mengukur apa yang seharusnya diukur dalam model yang
disajikan (lihat Lampiran 4). a. Perceived Value
Berdasarkan hasil pengujian validitas konvergen untuk variabel
perceived value dengan menggunakan bantuan program komputer Amos 16, maka diperoleh hasil sebagai berikut :
commit to user
Tabel IV.2 Validitas Konvergen Variabel Perceived Value
Konstruk Estimate S.E. C.R. P Status
v1 <--- P. Value 1.000 Valid
v2 <--- P. Value 1.130 .247 4.573 *** Valid v3 <--- P. Value 1.782 .335 5.315 *** Valid v4 <--- P. Value 1.364 .265 5.139 *** Valid
Sumber: data primer diolah, 2012
Pada tabel di atas menunjukkan bahwa semua indikator tentang
perceived value menghasilkan nilai estimasi dengan critical ratio (C.R) yang lebih besar dari dua kali standar errornya (S.E) dengan nilai p < 0,05. Maka dapat disimpulkan bahwa indikator variabel perceived value
yang digunakan adalah valid. b. Perceived Availability
Berdasarkan hasil pengujian validitas konvergen untuk variabel
perceived availability dengan menggunakan bantuan program komputer Amos 16, maka diperoleh hasil sebagai berikut:
Tabel IV.3 Validitas Konvergen Variabel Perceived Availability
Konstruk Estimate S.E. C.R. P Status
av1 <--- P. Availability 1.000 Valid
av2 <--- P. Availability 1.248 .266 4.690 *** Valid av3 <--- P. Availability .943 .227 4.150 *** Valid av4 <--- P. Availability .553 .168 3.299 *** Valid
commit to user
Pada tabel di atas menunjukkan bahwa semua indikator tentang
perceived availability menghasilkan nilai estimasi dengan critical ratio
(C.R) yang lebih besar dari dua kali standar errornya (S.E) dengan nilai p < 0,05. Maka dapat disimpulkan bahwa indikator variabel perceived availability yang digunakan adalah valid.
c. Attitude
Berdasarkan hasil pengujian validitas konvergen untuk variabel
attitude dengan menggunakan bantuan program komputer Amos 16, maka diperoleh hasil sebagai berikut:
Tabel IV.4 Validitas Konvergen
Variabel Attitude
Konstruk Estimate S.E. C.R. P Status
at1 <--- Attitude 1.000 Valid
at2 <--- Attitude .874 .184 4.741 *** Valid at3 <--- Attitude 1.196 .262 4.565 *** Valid
Sumber: data primer diolah, 2012
Pada tabel di atas menunjukkan bahwa semua indikator tentang
attitude menghasilkan nilai estimasi dengan critical ratio (C.R) yang lebih besar dari dua kali standar errornya (S.E) dengan nilai p < 0,05. Maka dapat disimpulkan bahwa indikator variabel attitude yang digunakan adalah valid.
commit to user
d. Purchase Intention
Berdasarkan hasil pengujian validitas konvergen untuk variabel
purchase intention dengan menggunakan bantuan program komputer Amos 16, maka diperoleh hasil sebagai berikut:
Tabel IV.5 Validitas Konvergen Variabel Purchase Intention
Konstruk Estimate S.E. C.R. P Status
pi1 <--- Purchase_Intention 1.000 Valid
pi2 <--- Purchase_Intention .907 .297 3.057 .002 Valid pi3 <--- Purchase_Intention .842 .275 3.061 .002 Valid
Sumber: data primer diolah, 2012
Pada tabel di atas menunjukkan bahwa semua indikator tentang
purchase intention menghasilkan nilai estimasi lebih besar dari dua kali standar errornya (S.E), dengan nilai p < 0,05. Maka dapat disimpulkan bahwa semua indikator variabel purchase intention yang digunakan adalah valid.
2. Reliabilitas Konstruk
Reliabilitas konstruk dinilai dengan menghitung indeks reliabilitas instrumen yang digunakan (composite reliability) dari model SEM yang dianalisis (lihat Lampiran 5). Nilai batas yang digunakan untuk menilai sebuah tingkat reliabilitas yang dapat diterima adalah 0,70, walaupun angka itu bukanlah sebuah ukuran yang “mati”. Artinya, bila penelitian yang
commit to user
dilakukan bersifat eksploratori, maka nilai dibawah 0,70 pun masih dapat diterima sepanjang disertai dengan alasan-alasan empirik yang terlihat dalam proses eksplorasi. Dalam pengujian menggunakan SEM, reliabilitas antara 0,5–0,6 sudah cukup untuk menjustifikasi sebuah hasil penelitian (Ferdinand, 2005). Reliabilitas =
( )
(å
Stdå
Loading)
+å
j Loading Std e 2 2 . . a. Perceived ValueHasil pengujian reliabilitas konstruk untuk variabel perceived value, diperoleh standarized loading dan measurement error masing-masing item pertanyaan sebagai berikut:
Tabel IV.6
Hasil Pengujian Reliabilitas Konstruk Variabel Perceived Value
No Item Std. Loading Measur. Error Reliablity
1 v1 0.542 0.71 0.81 2 v2 0.613 0.62 3 v3 0.93 0.14 4 v4 0.746 0.44 Jumlah 2.831 1.91
commit to user
Perhitungan menggunakan rumus adalah sebagai berikut:
=
( )
(
2.831)
1,91 2.831 2 2 + = 0,81Hasil perhitungan menunjukkan bahwa besar perceived value adalah 0,81. Nilai ini lebih besar dari batas yang digunakan untuk menilai sebuah tingkat reliabilitas yaitu 0,70 sehingga item-item pertanyaan yang ada dianggap reliabel atau handal untuk mengukur variabel perceived value.
b. Perceived Availability
Hasil pengujian reliabilitas konstruk untuk variabel perceived availability, diperoleh standarized loading dan measurement error
masing-masing item pertanyaan sebagai berikut: Tabel IV.7
Hasil Pengujian Reliabilitas Konstruk Variabel Perceived Availability
No Item Std. Loading Measur. Error Reliablity
1 av1 0.629 0.60 0.70 2 av2 0.812 0.34 3 av3 0.543 0.71 4 av4 0.411 0.83 Jumlah 2.395 2.48
commit to user
Perhitungan menggunakan rumus adalah sebagai berikut:
=
( )
(
2.395)
2.48 2.395 2 2 + = 0,70Hasil perhitungan menunjukkan bahwa besar perceived availability
adalah 0,70. Nilai ini sama dengan nilai batas yang digunakan untuk menilai sebuah tingkat reliabilitas yaitu 0,70 sehingga item-item pertanyaan yang ada dianggap reliabel atau handal untuk mengukur variabel perceived availability.
c. Attitude
Hasil pengujian reliabilitas konstruk untuk variabel attitude, diperoleh standarized loading dan measurement error masing-masing item pertanyaan sebagai berikut:
Tabel IV.8
Hasil Pengujian Reliabilitas Konstruk Variabel Attitude
No Item Std. Loading Measur. Error Reliablity 1 at1 0.611 0.63
0.75 2 at2 0.652 0.57
3 at3 0.838 0.30
Jumlah 2.101 1.50
commit to user
Perhitungan menggunakan rumus adalah sebagai berikut:
=
( )
(
2.101)
1.50 2.101 2 2 + = 0,75Hasil perhitungan menunjukkan bahwa besar attitude adalah 0,75. Nilai ini lebih besar dari batas yang digunakan untuk menilai sebuah tingkat reliabilitas yaitu 0,70 sehingga item-item pertanyaan yang ada dianggap reliabel atau handal untuk mengukur variabel attitude.
d. Purchase Intention
Hasil pengujian reliabilitas konstruk untuk variabel purchase intention, diperoleh standarized loading dan measurement error masing-masing item pertanyaan sebagai berikut:
Tabel IV.9
Hasil Pengujian Reliabilitas Konstruk Variabel Purchase Intention
No Item Std. Loading Measur. Error Reliablity
1 pi1 0.561 0.69
0.60
2 pi2 0.566 0.68
3 pi3 0.604 0.64
Jumlah 1.731 2.00
commit to user
Perhitungan menggunakan rumus adalah sebagai berikut:
=
( )
(
1.731)
2,00 1.731 2 2 + = 0,60Hasil perhitungan menunjukkan bahwa besar purchase intention
adalah 0,60. Dalam pengujian menggunakan SEM, nilai ini sudah cukup untuk menjustifikasi sebuah hasil penelitian, sehingga item-item pertanyaan yang ada dianggap reliabel atau handal untuk mengukur variabel purchase intention.
C. EvaluasiAsumsi SEM