BAB II : TINJAUAN PUSTAKA
G. Metode Analisis Data
Analisis ini berisi tentang bahasan secara deskriptif mengenai tanggapan yang diberikan responden pada kuesioner. Statistik diskriptif disini yaitu mendeskripsikan atau menggambarkan data yang telah dikumpulkan sebagaimana adanya dengan tidak bermaksud untuk membuat kesimpulan yang berlaku untuk umum (Sugiyono, 2009:142).
2. Analisis Kualitatif Instrumen Penelitian
Pengujian kualitas instrumen penelitian dalam penlitian ini menggunakan dua tahap, yang meliputi: 1) pengujian tryout (pretest) dengan menggunakan sampel kecil, dalam pengujian tahap ini (dianalisis) menggunakan bantuan program SPSS versi 11.5; dan 2) pengujian sampel besar (sampel penelitian), dimana pengujian dalam tahap penelitian langsung menggunakan bantuan Amos versi 18 dengan analisis first order
confirmatory factor analysis (First Order CFA). Adapun penjelasan dan
commit to user
28 a. Pretest (Sampel Kecil)
Pengujian kualitas instrumen penelitian dalam penelitian ini menggunakan pengujian tryout (pretest) dengan menggunakan sampel kecil yaitu 30-50 orang responden, dimana dalam pengujian tahap ini (dianalisis) menggunakan bantuan program SPSS versi 11.5. Pengujian ini dilakukan untuk menguji apakah instrumen penelitian yang akan digunakan dalam penelitian telah valid dan handal (layak) ataukah tidak.
b. First Order Confirmatory Factor Analysis
Tahap ini (sampel besar) pengujian analisis konfirmatori faktor dilakukan untuk menguji validitas dan reliabilitas secara keseluruhan dari jumlah sampel yang dipakai (digunakan) untuk penelitian.
1) Uji Validitas
Validitas menunjukkan seberapa jauh suatu tes atau satu set dari operasi-operasi mengukur apa yang seharusnya diukur (Ghiselli et al dalan Jogiyanto, 2004:120). Tinggi rendahnya validitas instrumen menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari gambaran tentang variabel yang dimaksud. Uji validitas dalam penelitian ini akan menggunakan Confirmatory
Factor Analysis (CFA) dengan bantuan software SPSS 11.5 for windows. Pada CFA, jika masing-masing indikator merupakan
indikator pengukur konstruk, maka akan memiliki factor loading yang tinggi. Menurut Hair, et al. (1998:111), factor loading lebih besar + 0.30 dianggap memenuhi level minimal, sangat disarankan
commit to user
29 besarnya factor loading adalah + 0.40, jika factor loading mencapai + 0.50 maka item tersebut sangat penting dalam menginterpretasikan konstruk yang diukur. Berdasakan pedoman tersebut, peneliti menetapkan nilai factor loading yang signifikan adalah lebih dari + 0.50.
2) Uji Reliabilitas
Reliabilitas adalah indeks yang menunjukkan sejauh mana alat ukur dapat dipercaya dan sejauh mana hasil pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih terhadap gejala yang sama (Sekaran dalam Jogiyanto, 2004:120). Hasilnya ditunjukkan oleh sebuah indek yang menunjukkan seberapa jauh alat ukur dapat diandalkan. Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Pengukuran reliabilitas dapat dilakukan dengan bantuan software SPSS 11.5 for windows yaitu dengan uji statistik Cronbach Alpha (α). Nilai Cronbach
Alpha antara 0,80 – 1,0 dikategorikan reliabilitas baik, nilai 0,60 –
0,79 dikategorikan reliabilitasnya dapat diterima, nilai ≤ 0,60 dikategorikan reliabilitasnya buruk (Sekaran, 2003).
3) Uji Asumsi Model
Uji asumsi model yang digunakan dalam penelitian ini menggunakan structural equation modelling (SEM). Teknik SEM, sebagai sebuah perluasan atau kombinasi dari beberapa tehnik
commit to user
30 yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif ”rumit”, secara simultan (Ferdinand, 2000:3). Pengujian hipotesis dilakuakan dengan menggunakan program AMOS versi 18 untuk menganalisis hubungan kausalitas dalam model struktural yang diusulkan.
Beberapa hal yang harus diperhatikan sebelum melakukan pengujian model struktural dengan pendekatan SEM, yaitu:
a) Uji Kecukupan Sampel
Kecukupan sampel harus dipenuhi untuk pengujian model dengan menggunkan SEM. Penelitian ini menggunakan metode estimasi maximum likelihood (ML). Model estimasi
maximum likelihood (ML) minimum diperlukan sampel 100 atau
5 kali jumlah observasi. Ketika sampel dinaikan diatas nilai 100, metode ML meningkat sensitivitasnya untuk mendeteksi perbedaan antar data. Begitu sampel menjadi besar (diatas 400-500), maka metode ML menjadi sangat sensitif dan menghasilkan perbedaan secara signifikan sehingga ukuran
goodness-of-fit menjadi jelek. Direkomendasikan ukuran sampel
antara 100-200 harus digunakan untuk model estimasi ML (Ghozali 2005:21).
b) Uji Normalitas
Asumsi yang paling mendasar dalam analisis
multivariate adalah normalitas, yang merupakan bentuk suatu
commit to user
31 menghasilkan distribusi normal. Apabila asumsi normalitas tidak dipenuhi dan penyimpangan normalitas tersebut besar, maka akan mengakibatkan hasil uji statistik yang bias.
Curran et al. (dalam Ghozali dan Fuad, 2005:37-38) membagi distribusi data menjadi tiga bagian:
Ø Normal, apabila nilai z statistik (Critical ratio atau C.R.)
skewness < 2 dan nilai C.R. kurtosis < 7
Ø Moderately non-normal, apabila C.R skewness berkisar
antara 2 sampai 3 dan nilai C.R kurtosis berkisar antara 7 sampai 21.
Ø Extremely non-normal, apabila nilai C.R skewness > 3 dan
nilai C.R kurtosis > 21.
Dalam penelitian ini uji normalitas dihitung dengan bantuan
software AMOS 18.
c) Outliers
Outliers adalah observasi atau data yang memiliki
karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau variabel kombinasi (Hair et al, dalam Ferdinand, 2000:98).
Uji terhadap multivariate outliers dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat p < 0.001. Jarak Mahalanobis itu dievaluasi menggunakan x2 pada derajat
commit to user
32 bebas sebesar jumlah variabel yang digunakan dalam penelitian (Ferdinand, 2000:99).
d) Uji Hipotesis
Untuk menguji pengaruh antara variabel perceived
celebrity endorser credibility terhadap sikap kepada iklan, sikap
kepada merek dan minat beli konsumen digunakan analisis jalur (path analysis). Path analysis merupakan perluasan dari regresi linier berganda atau penggunaan analisis regresi untuk menaksir hubungan kausalitas antar variabel yang telah ditetapkan sebelumnya berdasarkan teori (Ghozali, 2005:160). Pengujian yang dilakukan meliputi:
i. Analisis kesesuaian model (Goodness-of-Fit)
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis (Hair et al, dalam Ferdinand, 2000:51). Umumnya terhadap berbagai jenis fit index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Fit index tersebut meliputi:
(a) Likelihood ratio chi-square statistic (χ2)
Alat uji paling fundamental untuk mengukur
overall fit adalah likelihood ratio chi-square statistic. Chi-square ini bersifat sangat sensitif terhadap besarnya
commit to user
33 adalah cukup besar yaitu lebih dari 200 sampel, maka statistik chi-square ini harus didampingi oleh alat uji lainnya (Hair et. al., 1995; Tabachnick & Fidell, 1996). Model yang diuji akan dipandang baik atau memuaskan
bila nilai chi-square rendah. Semakin kecil nilai c2
semakin baik model itu (karena dalam uji beda chi-square, c2
= 0, berarti benar-benar tidak ada perbedaan, Ho
diterima) dan diterima berdasarkan probabilitas dengan
cut-off value sebesar p > 0,05 atau p > 0,10 (Hulland et. al,
1996).
Tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang
fit terhadap data, maka yang dibutuhkan justru sebuah
nilai c2
yang tidak signifikan, yang menguji hipotesa nol bahwa estimated population covarinace tidak sama
dengan sampel covariance. Nilai c2
dapat juga
dibandingkan dengan degrees of freedom untuk
mendapatkan nilai c2
-relatif, dan digunakan untuk
membuat kesimpulan bahwa nilai c2
relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matrik kovarian yang diobservasi dan yang diestimasi.
Pengujian ini nilai c2
yang rendah yang menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan tak adanya perbedaan
commit to user
34 yang signifikan antara matrik kovarian data dan matrik kovarian yang diestimasi (the actual and predicted input
matrices are not statistically different, Hair et. al., 1998).
Seperti dikemukakan di atas, chi-square bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yarg telalu kecil (<50) maupun terhadap sampel yang terlalu besar (>500). Oleh karena itu penggunaan
chi-square hanya sesuai bila ukuran sampel adalah antara
100 dan 200 sampel. Apabila ukuran sampel ada diluar rentang itu, uji signifikansi akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lainnya.
(b) RMSEA- The Root Mean Square Error of Approximati RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar (Baumgartner & Homburg, 1996). Nilai RMSEA menunjukkan goodness-of-fit yang dapat diharapkan bila model diestimasi dalam populasi (Hair et. al,. 1998). Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom (Browne & Cudeck, 1993). Lebih lanjut, Browne & Cudeck menulis:
commit to user
35 “we are also of the opinion that a value of about
0.08 or less for the RMSEA would indicate a reasonable error of approximation and would not want to employ a mode, with a RMSEA greater than 0.1” (Browne & Cudeck, 1993).
(c) Goodness Of Fit Index (GFI)
Indeks kesesuaian (fit index) ini akan menghitung proposi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matrik kovarian populasi yang terestimasikan (Bentler, 1983; Tanaka & Huba. 1989).
GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah "better fit".
(d) Adjusted goodness fit of index (AGFI)
Tanaka & Huba (1989) menyatakan bahwa GFI adalah analog dari R2 dalam regresi berganda. Fit Index ini dapat disesuaikan terhadap degrees of freedom yang tersedia untuk menguji diterima tidaknya model (Arbuckle, 1999).
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90 (Hair et a,. 1995; Hulland et al, 1996). Perlu diketahui bahwa baik GFI maupun AGFI
commit to user
36 adalah kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel. Nilai sebesar 0.95 dapat diinterpretasikan sebagai tingkatan yang baik-goodoverall model fit (baik) sedangkan besaran nilai antara 0.90-0.95 menunjukkan tingkatan cukup-adequate fit (Hulland et. Al, 1996).
(e) CMIN/DF
CMIN/DF :The minimum sample discrepancy
function (CMIN) dibagidengan degree of freedom akan
menghasilkan indeks CMIN/DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fit-nya sebuah model. Dalam hal
ini CMIN/DF tidak lain adalah statistik chi-square, c2
dibagi DF-nya sehingga disebut c2 relatif. Nilai c2
relatif
kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data (Arbuckle, 1997).
(f) Tucker Lewis Index (TLI)
TLI adalah sebuah alternatif incremental fit
index yang membandingkan sebuah model yang diuji
terhadap terhadap sebuah baseline model (Baumgartner & Homburg, 1996). Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah
commit to user
37 penerimaan ≥ 0.95 (Hair et al, 1996). Dan nilai yang sangat mendekati 1 menunjukkan a very good fit (Arbuckle, 1997).
(g) Comparative Fit Index (CFI)
Besarnya indek ini adalah pada rentan nilai
antara 0-1, dimana semakin mendekati 1,
mengindikasikan tingkat fit yang paling tinggi-a very
good fit (Arbuckle, 1997). Nilai yang
direkomendasikan adalah CFI ≥ 0,95. Keunggulan dari indek ini adalah bahwa indek ini besarnya tidak dipengaruhi oleh ukuran sampai karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model (Hulland et al, 1996; tanaka, 1993). Indek CFI adalah identik dengan Relative noncentrality Index (RNI) dari McDonald dan Marsh (1990).
Penilaian model, indek TLI dan CFI sangat dianjurkan untuk digunakan karena indek ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model.
Indek-indek yang digunakan untuk menguji kelayakan sebuah model dapat diringkas dalam tabel berikut ini:
commit to user
38 TABEL III.1
GOODNESS-OF-FIT INDICES
Goodness-of-fit Indicie Cut-off Value
x2- Chi Square Diharapkan kecil
Probabilitas > 0,05 CMIN/df < 2,00 atau 3,00 GFI > 0,90 AGFI ≥ 0,90 TLI ≥ 0,95 CFI ≥ 0,95 RMSEA ≤ 0,08
commit to user
39