II. TINJAUAN PUSTAKA
3.4. Model Analisis Data
3.3. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder dari SHQHOLWL VHEHOXPQ\D \DLWX ,QGUL $VWUL\DQL \DQJ EHUMXGXO ³$nalisis Efektivitas Iklan Televisi dan Faktor yang Mempengaruhi Keputusan Pembelian Es Krim Wall's Magnum Berdasarkan Karakteristik Gender (Studi Kasus Mahasiswa Program Strata-,3% ´
3.4. Model Analisis Data
Analisis data yang akan digunakan dalam penelitian ini adalah Consumer Decision Model (CDM), analisis jalur 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 dengan menggunakan CDM digunakan analisis 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:
... (1) 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.
Pembentukan model dan pengujian signifikansi variabel independent terhadap variabel dependent dilakukan melalui pendekatan Ordinary Least Square Method (OLS method). Prinsip metode ini adalah meminimumkan selisih kuadrat antara Y observasi dan Y dugaan. Model sampel untuk regresi linier sederhana adalah:
... (2) dimana:
a = penduga bagi intercept Į
b SHQGXJDEDJLNRHILVLHQUHJUHVL ȕ
Dengan menggunakan OLS, nilai a dan b diperoleh dari:
... (3)
34
2. Model Persamaan Struktural
Menurut Kusnendi (2008) model persamaan struktural yang dikenal dengan SEM (Structural Equation Modeling) adalah model persamaan regresi ganda dengan tujuan menguji model pengukuran dan model struktural. Model struktural menjelaskan prediksi atau hipotesis hubungan antara variabel penyebab terhadap variabel akibat. Model pengukuran atau disebut juga model deskriptif tidak menjelaskan operasionalisasi variabel penelitian menjadi indikator-indikator terukur yang dinyatakan dalam bentuk diagram jalur atau persamaan matematik tertentu.
Menurut Bagozzi dan Fornell dalam Ghozali dan Fuad (2005), model persamaan struktural (Structural Equation Modeling) merupakan teknik analisis multivariate yang memungkinkan untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive 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 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 (manifes, measured variable) 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), SEM tidak seperti analisis multivariate biasa (regresi berganda, analisis faktor), tetapi SEM dapat menguji secara bersama-sama:
1. Model struktural: menggambarkan hubungan-hubungan antara variabel-variabel laten.
2. Model (measurement) pengukuran: hubungan antara variabel teramati (indikator) dengan konstruk (variabel laten).
Menurut Kusnendi (2008) jenis variabel SEM telah dibedakan menjadi dua kelompok sebagai berikut:
1. Variabel laten eksogen dan variabel manifes eksogen
Variabel laten eksogen adalah semua variabel penyebab yang tidak dapat diobservasi langsung. Pengamatan terhadap variabel tersebut dilakukan melalui variabel manifesnya. Variabel manifes eksogen adalah indikator-indikator terukur yang dapat diobservasi langsung untuk mengukur variabel laten eksogen.
2. Variabel laten endogen dan variabel laten endogen
Variabel laten endogen adalah semua variabel penyebab yang tidak dapat diobservasi langsung. Pengamatan terhadap variabel tersebut dilakukan melalui variabel manifesnya. Variabel manifes endogen adalah indikator-indikator terukur yang dapat diobservasi langsung untuk mengukur variabel laten endogen.
Menurut Bachrudin dan Tobing (2003) dalam Kusnendi (2008) pengujian model persamaan struktural dilakukan dengan menggunakan beberapa ukuran kesesuaian model (Goodness of Fit Test) yang terdiri atas ukuran yang bersifat absolut (absolute fit measures), komparatif (incremental fit measures), dan parsimoni (parsimonius fit measurement). Berdasarkan ketiga jenis GFT tersebut suatu model diindikasikan sesuai atau fit dengan data apabila model cocok secara absolut dengan data, relatif lebih baik dibandingkan dengan model lain, serta relatif sederhana bila dibandingkan dengan model alternatif. Beberapa ukuran GFT dalam model-model persamaan struktural yang paling banyak digunakan para peneliti dalam kesesuaian model dapat dilihat pada Tabel 2.
36
Tabel 2. Beberapa Ukuran Goodness of Fit Test (GFT) dalam Model-Model Persamaan Struktural
Ukuran GFT Kriteria Kesesuaian Model Kriteria Uji
Hasil Uji
P-Value 1,00 (model fit sempurna) 0,05 Model
fit
RMSEA 0,00 (model fit sempurna) 0,08 Model
fit GFI, AGFI, CFI,
NFI, dan NNFI
0,00 (tidak fit) ± 1,00 (fit
sempurna) 0,90 Model
fit Sumber: Kusnendi, 2008
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.
Langkah selanjutnya adalah mengevauasi model pengukuran, berfokus pada hubungan-hubungan antara variabel laten dan indikatornya (variabel manifes). 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 survei.
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. Menurut Santoso (2007), jika nilai probability > 0,001 maka H0 diterima dan apabila probability < 0,001 maka H0 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 pemerikasaan 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 analisis data menggunakan software AMOS 19 dan Microsoft Excel. Program ini terdiri dari pengujian measurement model dan structural model dengan berbagai alat uji model, yaitu absolute fit measures, incremental fit measures, dan parsimonius fit measures.
Penelitian ini menggunakan SEM sebagai alat analisis, dimana variabel laten dilihat secara keseluruhan dari variabel iklan televisi (F) sampai variabel pembelian nyata (P). Variabel laten tidak dapat diobservasi langsung sehingga memerlukan pengamatan melalui variabel manifes, variabel manifes ini merupakan indikator-indikator yang dapat diobservasi langsung untuk mengukur varibel laten. Penggunaan SEM sebagai alat analisis menghasilkan sebelas regresi diataranya delapan regresi tunggal dan tiga regresi berganda.