BAB II TINJAUAN PUSTAKA
3.10 Pengujian Hipotesis
3.10.2 Analisis Structural Equation Modelling (SEM)
Teknik SEM memungkinkan seorang peneliti menguji beberapa variabel dependen sekaligus, dengan beberapa variabel independen. Adapun langkah- langkah untuk melakukan pemodelan SEM adalah:
1. Pengembangan Model Berbasis Konsep dan Teori
Pada prinsipnya menganalisis hubungan kausal antar variabel eksogen dan endogen sekaligus memeriksa validitas dan reliabilitas instrumen penelitian. Langkah awal di dalam SEM adalah pengembangan model hipotetik, yaitu pengembangan model berdasarkan teori atau konsep atau dikenal sebagai pembuatan model dengan pendekatan konfirmatori.
Tabel 3.5
Justifikasi Teori Untuk Model Konseptual Penelitian
No Keterangan Hipotesis Justifikasi Teori
1 Diferensiasi produk
berpengaruh signifikan terhadap kepuasan konsumen
Hipotesis 1 Sisodia (2010); (Perlusz,
Gattiker dan Pedersen, 2000)
dalamBudiyono (2004); Aaker
dalam Wibowo (2000)
2 Diferensiasi pelayanan
berpengaruh signifikan terhadap kepuasan konsumen
Hipotesis 2 Gebaur dan Gustafsson
(2011);
3
Transistari dan Dharmmesta (2002); Johnson dan Sirikit (2002); Sukawati (2003)
berpengaruh signifikan terhadap loyalitas konsumen
Khan, Shaukat dan Aslan (2011);
4
Haghighi, Dorosti,
Rahnama dan Hoseinpour
(2012) Hubungan diferensiasi
produk dengan diferensiasi pelayanan
Hipotesis 4 Kotler dan Susanto (2002) dan
Tjiptono (2002).
Sumber : Data Diolah, (2012)
Berdasarkan Tabel 3.5 terdapat beberapa penelitian terdahulu yang menjadi acuan penelitian ini yang digunakan untuk menguji baik teori baru maupun teori yang sudah dikembangkan yang akan diuji lagi secara empiris
berdasarkan basis reflective measurement theory yang dirumuskan dari definisi
operasional variabel. Pengujian ini dapat dilakukan dengan menggunakan SEM, akan tetapi perlu diketahui bahwa SEM tidak digunakan untuk membentuk hubungan kausalitas baru, tetapi digunakan untuk menguji pengembangan kausalitas yang memiliki justifikasi teori (Kusnendi, 2008).
2. Mengkonstruksi Diagram Jalur
Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap
pertama akan digambarkan dalam sebuah path diagram, yang akan mempermudah
untuk melihat hubungan-hubungan kausalitas yang ingin diuji. Model yang telah dibangun kemudian ditunjukkan pada sebuah path diagram sebagai berikut:
Sumber : Data Diolah, (2012)
Gambar 3.5 Diagram Alur Penelitian
Dalam path diagram, hubungan antar konstruk akan dinyatakan melalui
anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk dengan konstruk lainnya. Sedangkan garis-garis lengkung antara konstruk dengan anak panah pada setiap ujungnya menunjukkan
korelasi antara konstruk-konstruk yang dibangun dalam path diagram yang dapat
dibedakan dalam dua kelompok, yaitu:
1) Exogenous constructs yang dikenal juga sebagai source variables atau
independent variables yang tidak diprediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
2) Endogenous constructs yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
3. Menterjemahkan Model Menjadi Diagram Jalur
Persamaan yang dihasilkan pada penelitian ini adalah persamaan model
struktural (structural model), karena tujuan penelitian ini adalah ingin mengetahui
hubungan kausalitas antar variabel yang diteliti. Persamaan structural diajukan dalam model konseptual penelitian seperti pada Gambar 3.5 adalah sebagaimana dirinci pada Tabel 3.10.
Tabel 3.6
Persamaan Struktural Penelitian Y1 = β1X1 + β2X2 + ε1
Y2 = Y2+ δ2
Sumber : Data Diolah, (2012)
4. Memilih Matriks dan Teknik Estimasi
Setelah model dispesifikasikan secara lengkap, langkah berikutnya adalah memilih jenis input (kovarians dan korelasi). Matriks input yang dipilih dalam
penelitian ini adalah matriks kovarians. Alasan memilih input data matrix
covarians adalah karena matriks covarians memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel
yang berbeda. Selain itu matriks covarians lebih sesuai untuk memvalidasi
hubungan kausal.
Dalam melakukan estimasi model, ukuran sampel memegang peranan yang cukup penting. Dalam program AMOS teknik-teknik estimasi yang tersedia
adalah: (a) Maximum Likelihood Estimation (ML), (b) Generalized Least Square Estimation (GLS), (c) Unweighted Least Square Estimation (ULS), (d) Scale Free Least Square Estimation (SLS), dan (e) Symtotically Distribution-free Estimation
(ADF). Oleh karena itu dalam penelitian ini metode yang digunakan adalah
Maximum Likelihood (ML). Metode ini dipilih mengingat ukuran sampel adalah antara 100-200.
5. Menilai Masalah Identifikasi
Masalah identifikasi merupakan masalah ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat muncul melalui gejala sebagai berikut:
a) Standard error untuk satu sampai beberapa koefisien sangat besa
b) Program tidak mampu menghasilkan matriks informasi yang seharusnya
disajikan
c) Munculnya angka-angka aneh, seperti varians error yang negatif
d) Munculnya angka korelasi yang sangat tinggi antar koefisien estimasi
yang diperoleh (misalnya lebih dari 0,9)
6. Evaluasi Kriteria Goodness Of Fit
Dalam langkah ini yang pertama harus dilakukan adalah memenuhi asumsi-asumsi SEM. Adapun asumsi-asumsi SEM yang harus dipenuhi adalah sebagai berikut:
1. Asumsi Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan SEM adalah minimum berjumlah 100-200, selanjutnya menggunakan perbandingan 5-10 observasi untuk setiap parameter yang diestimasi.
2. Asumsi Normalitas Data
Menurut Ghozali (2008) sebuah distribusi dikatakan normal jika nilai
critical ratio (CR) dari skweness atau nilai critical ratio (CR) dari kurtosis ada
diantara -2,58 sampai dengan +2,58. Namun, jika nilai critical ratio (CR) dari
skewness yang berada di bawah -2,58 atau diatas +2,58 dapat dikatakan data tidak berdistribusi normal.
3. Asumsi Mendeteksi adanya Outlier
Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari obeservasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel-variabel kombinasi (Ghozali, 2008).
4. Asumsi Multikolinearitas (Multicollinearity)
Menurut Kusnendi (2008), dalam teknik analisis jalur dan structural
equation modelling (SEM) memiliki salah satu asumsi statistik yang tidak boleh dilanggar yaitu asumsi multikolinearitas. Pelanggaran terhadap asumsi ini akan menjadikan hasil estimasi parameter dalam model kurang dapat dipercaya. Untuk menguji asumsi multikolinearitas dapat dilakukan dengan melihat pengamatan terhadap koefisien determinan matriks kovarian atau matriks korelasi data sampel. Berdasarkan koefisien dterminan matriks kovariansi atau matriks korelasi dapat diidentifikasi ada tidaknya masalah multikolinearitas, yaitu jika koefisien determinan matriks kovariansi atau matriks korelasi tersebut sanga kecil mendekati nol (0) mengindikasi bahwa model terdapat masalah multikolinearitas. Jika nilai koefisien determinan matriks kovariansi atau matriks korelasi data sampel sama dengan nol mengindikasikan antarvariabel penyebab terdapat
masalah multikolinearitas yang serius. Ini berarti, untuk mengetahui dan mendeteksinya masalah multikolinearitas upaya yang dilakukan adalah perlu dhilangkan dengan cara mengeluarkan variabel yang dihitung paling dominan sebagai sumber multikolinearitas.
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model (Kusnendi, 2008). Umumnya terdapat
berbagai jenis fit index yang digunakan untuk mengukur derajat kesesuaian antara
model yang dihipotesakan dengan data yang disajikan. Penelitian diharapkan
untuk melakukan pengujian dengan menggunakan beberapa fit index untuk
mengukur “kebenaran” model yang diajukannya.
Berikut ini disajikan beberapa indeks kesesuaian dan cut-off
1) χ² chi-square statistik, model yang diuji dipandang baik atau memuaskan
bila nilai chi-square-nya rendah.
valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak. yaitu:
2) Semakin kecil nilai χ² semakin baik model itu dan diterima berdasarkan probabilitas dengan cut off value sebesar p > 0,05.
3) CMIN/DF adalah (The Minimum Sampel Discrepancy Function) yang
dibagi dengan degree of freedom. CMIN/DF tidak lain adalah statistika
chi-square, χ² dibagi DF-nya disebut χ² relatif. Bila nilai χ² relatif kurang
dari 2,0 atau 3,0 adalah indikasi dari acceptable fit antara model dan data.
4) RMSEA (The Root Mean Square Error of Approximation), menunjukkan
nilai Goodness-Of-Fit yang dapat diharapkan bila model diestimasi dalam
dapat diterimanya model yang menunjukkan sebuah close fit dari model
tersebut berdasarkan degrees of freedom.
5) AGFI (Adjusted Goodness of Fit Index) dimana tingkat penerimaan yang
direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90.
6) GFI (Goodness of Fit Index) adalah ukuran non statistikal yang
mempunyai rentang nilai antara 0 (poor fit) hingga 1,0 (perfect fit). Nilai
yang tinggi dalam indeks ini menunjukkan suatu better fit.
7) CFI (Comparative Fit Index), yang bila mendekati 1, mengindikasikan
tingkat fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI ≥
0,95.
8) TLI (Tucker Lewis Index) merupakan model indeks yang membandingkan
sebuah model yang diuji terhadap sebuah baseline model, dimana nilai
yang direkomendasikan sebagai acuan untuk diterimanya sebagai model
adalah ≥
9) 0,95 dan nilai yang mendekati 1 menunjukkan a very good fit.
Indeks-indeks yang digunakan untuk menguji kelayakan atas model adalah sebagai berikut:
Tabel 3.7
Indeks Pengujian Kelayakan Model
Good Of Fit Cut Off Value
χ²Chi-Square χ² diharapkan kecil
Probabilitas ≥ 0,05 CMIN/DF ≤ 2,00 RMSEA ≤ 0,08 AGFI ≥ 0,90 GFI ≥ 0,90 CFI ≥ 0,95 TLI ≥ 0,95
Sumber : Data Diolah, (2012)
7. Interprestasi dan Modifikasi Model
Untuk mempertimbangkan perlu tidaknya modifikasi terhadap sebuah model, yaitu dengan melihat sejumlah residual yang dihasilkan oleh model. Bila jumlah residual lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka modifikasi perlu dipertimbangkan. Bila ditemukan nilai residual yang dihasilkan oleh model cukup besar (>2,58), maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah jalur baru terhadap model yang diestimasi. Nilai residual lebih besar atau sama dengan 2,58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5% dan residual
yang signifikan ini menunjukkan adanya prediction error yang substansial untuk
sepasang indikator.