METODE PENELITIAN
G. Metode Analisis Data
1. Analisis Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2004:142). Analisis deskriptif dalam penelitian ini bertujuan untuk mengidentifikasi profil demografi responden yang menjadi sampel dalam penelitian serta mendeskripsikan karakteristik responden berdasarkan pada jenis kelamin, usia, pendidikan terakhir, dan tingkat pendapatan/uang saku per-bulan.
2. Pengujian Statistik
Pengujian statistik merupakan pengujian yang diawali dengan pengujian validitas dan reliabilitas dalam penelitian. Hal ini bertujuan untuk memberikan jaminan bahwa data yang diperoleh telah memenuhi kritetria kelayakan untuk diuji dengan
commit to user
36 menggunakan metode statistik apapun jenisnya. Dengan demikian, hasil yang diperoleh mampu menggambarkan fenomena bisnis yang diukur.
a. Uji Validitas
Uji validitas bertujuan untuk mengetahui seberapa tepat suatu tes melakukan fungsi ukurnya. Semakin tinggi validitas suatu fungsi ukur, semakin tinggi pengukuran mengenai sasarannya (Sekaran, 2003). Untuk memperoleh validitas kuesioner, usaha di titik beratkan pada pencapaian validitas isi. Validitas tersebut menunjukkan sejauh mana perbedaan yang diperoleh dengan instrumen pengukuran merefleksikan perbedaan sesungguhnya pada responden yang diteliti. Untuk uji validitas yang digunakan alat uji Confirmatory Factor Analysis dengan bantuan SPSS 15.0 for Windows. Menurut Hair et.al (1998), factor loading lebih besar ± 0.30 dianggap memenuhi level minimal, sangat disarankan besarnya factor loading adalah ± 0.40, jika factor loading suatu item pertanyaan mencapai ± 0.50 atau lebih besar maka item tersebut sangat penting dalam menginterpretasikan kontruks yang diukurnya. Pedoman umum untuk analisis faktor adalah nilai lambda atau factor loading ≥ 0.40 (Ferdinand, 2005:284). Berdasarkan pedoman tersebut, peneliti menetapkan nilai factor loading yang signifikan adalah lebih dari ± 0.50.
commit to user
37 Teknik yang digunakan adalah dengan melihat output dari rotated component matrix yang harus ekstrak secara sempurna. Jika masing-masing item pertanyaan belum ekstrak secara sempurna, maka proses pengujian validitas dengan analisis faktor harus diulang dengan cara menghilangkan item pertanyaan yang memiliki nilai ganda.
b. Uji Reliabilitas
Reliabilitas bertujuan untuk mengetahui konsistensi internal dari indikan-indikan dalam suatu variabel. Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat pengukuran dapat dipercaya/dapat diandalkan dan sejauh mana hasil pengukuran dapat dipercaya atau dapat diandalkan dan sejauh mana hasil pengukuran tetap konsisten bila dilakukan pengukuran 2 kali atau lebih terhadap gejala yang sama. Untuk mengukur reliabilitas alat pengukuran yang digunakan adalah teknik analisis Alpha Cronbach. Kategori koefisien alpha dari suatu pengujian adalah sebagai berikut (Sekaran, 2009:325):
a) 0.8 – 1.0 = reliabilitas baik
b) 0.6 – 0.799 = reliabilitas dapat diterima c) < 0.6 = reliabilitas kurang baik
Untuk mengukur reliabilitas dari instrumen penelitian ini dilakukan denga Cronbach’s Alpha dengan bantuan program komputer SPSS 15.0 for Windows. Menurut Hair et
commit to user
38 al., (1998:118) suatu instrumen dinyatakan reliabel jika hasil koefisien Cronbach’s Alpha menunjukkan nilai ≥ 0.70.
1) Structural Equation Model (SEM).
Penelitian ini menggunakan model persamaan simultan atau SEM yang dibantu dengan program aplikasi AMOS. Model structural equation model bertujuan untuk mengestimasi beberapa persamaan regresi terpisah akan tetapi masing-masing mempunyai hubungan simultan atau bersamaan. Dalam analisis ini dimungkinkan terdapat beberapa variabel dependen dan variabel ini dimungkinkan menjadi variabel independen bagi variabel depanden yang lainnya.
Pada prinsipnya, model struktural bertujuan untuk menguji hubungan sebab akibat antar variabel sehingga jika salah satu variabel diubah, maka terjadi perubahan pada variabel yang lain. Dalam studi ini, data diolah dengan menggunakan Analysis of Moment Structure atau AMOS versi 4.0
Analisis SEM memungkinkan perhitungan estimasi seperangkat persamaan regresi yang simultan, berganda dan saling berhubungan. Karakteristik penggunaan model ini: (1) untuk mengestimasi hubungan dependen ganda yang saling berkaitan, (2) kemampuannya untuk memunculkan konsep yang tidak teramati dalam hubungan serta dalam menentukan kesalahan pengukuran dalam proses estimasi, dan (3) kemampuannya untuk mengakomodasi seperangkat hubungan antara variabel independen dengan variabel dependen serta mengungkap variabel laten (Hair et al.,1998:584).
commit to user
39 1) Evaluasi Asumsi Structural Equation Model (SEM)
a) Asumsi Kecukupan Sampel
Sampel yang harus dipenuhi dalam model SEM ini berjumlah minimal 5 kali jumlah parameter yang akan diestimasi (Ferdinand, 2002:48). Namun apabila jumlah sampel yang terlalu banyak dan tidak memungkinkan untuk dilakukan penarikan sampel seluruhnya, maka peneliti akan menggunakan rekomendasi untuk menggunakan maksimun likelihood yaitu penarikan sampel antara 100-200 sampel. (Hair et al.,1998:605).
b) Asumsi Normalitas
Dalam analisis multivariate, asumsi ini paling fundamental karena merupakan bentuk distribusi data pada variabel matriks tunggal yang menghasilkan distribusi normal (Hair et al., 1998:70). Jika asumsi ini tidak dipenuhi dan penyimpangan data normalitasya terlalu besar maka akan mengakibatkan hasil uji yang bias. Uji normalitas dapat digunakan dengan menggunakan nilai critical statistic ratio skewness yang menggambarkan penyimpangan distribusi simetris dan kurtosis atau tingkat kecuraman secara berturut – turut. Nilai statistik untuk menguji normalitas disebut z value (critical ratio / CR pada output AMOS 16.0) dari ukuran skewness dan kurtosis ditribusi data. Bila nilai CR lebih besar dari nilai critical value, maka diduga distribusi data tidak normal. Critical value dapat ditentukan berdasar tingkat
commit to user
40 signifikansi 1% yaitu 2,58. Curran et al.,., (dalam Ghozali dan Fuad, 2005:37) membagi distribusi data menjadi tiga bagian:
1) Normal, apabila nilai z statistik (Critical Ratio atau CR) skewness <2 dan nilai CR kurtosis <7
2) Moderately non normal, apabila nilai CR skewness berkisar antara 2 sampai 3 dan nilai CR kurtosis berkisar antara 7 sampai 21
3) Extremely non normal, apabila nilai CR skewness >3 dan nilai CR kurtosis >21.
c) Asumsi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair et al., 1998:64). Outliers dapat dievaluasi dengan nilai mahalanobis distance dengan nilai degree of freedom sejumlah variabel yang dipergunakan dalam penelitian pada tingkat p < 0,001. Dalam hal ini variabel yang dimaksud adalah jumlah item pengukuran pada model.Dalam analisis multivariate adanya outliers dapat diuji dengan statistik Chi Square ( ) terhadap nilai mahalanobis distance squared pada tingkat signifikansi 0.001 dengan degree of freedom sejumlah konstruk yang digunakan dalam penelitian (Hair, et al., 1998:66).
commit to user
41 2) Evaluasi Kriteria Goodness of fit
Setelah pengujian model pengukuran (measurement model) dilakukan, pengujian berikutnya adalah menguji goodness-of-fit yang mengukur derajat kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Pengujian goodness of fit model didasarkan pada kriteria sebagai berikut:
a) Chi Square (X²)
Tujuan analisis Chi Square adalah untuk menguji apakah sebuah model sesuai dengan data. Chi Square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Oleh karena itu pengujian ini perlu dilengkapi dengan uji lainnya. Nilai Chi Square merupakan ukuran mengenai buruknya fit suatu model (Ghozali, 2008:66). Tingkat signifikansi penerimaan yang direkomendasikan adalah apabila p ≥ 0.05 (Hair et.al., 1998:654), yang berarti matriks input yang sebenarnya dengan matriks input yang diprediksi secara statistik tidak berbeda.
b) The Root Mean Square Error of Approximation (RMSEA)
RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistik Chi-Square model dengan jumlah sampel yang besar. Nilai RMSEA yang dapat diterima antara 0.05 sampai 0.08 (Ghozali, 2008:67). Sedangkan menurut Hair et.al. (1998:660) nilai RMSEA yang lebih kecil dari atau sama dengan
commit to user
42 0.08 (RMSEA ≤ 0.08), merupakan indeks yang baik untuk menerima kesesuaian sebuah model.
c) Normed Chi-Square (CMIN/DF)
Normed Chi-Square adalah ukuran yang diperoleh dari nilai Chi-Squre dibagi dengan degree of freedom. Menurut Hair et. al., (1998:658), nilai yang direkomendasikan untuk menerima kesesuaian sebuah model adalah nilai CMIN/DF yang lebih kecil dari atau sama dengan 2.0/3.0 (CMIN/DF ≤ 2.0/3.0)
d) Goodness of Fit Index (GFI)
Indeks ini menggambarkan tingkat kesesuaian model secara keseluruhan, yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai yang lebih mendekati 1 mengindikasikan model yang diuji memiliki kesesuaian yang baik (Hair et.al., 1998:655). Meskipun tidak ada threshold levels yang pasti untuk menerima secara absolut, nilai GFI yang lebih besar dari atau sama dengan 0.90 (GFI ≥ 0.090) dikatakan baik.
e) Adjusted Goodness of Fit Index (AGFI)
Indeks ini merupakan pengembangan dari GFI, yaitu indeks GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diusulkan dengan degree of freedom dari null model. menurut Hair et.al., (1998:657), nilai indeks penerimaan kesesuaian sebuah model yang direkomendasikan adalah apabila
commit to user
43 nilai AGFI ≥ 0.90. Nilai indeks yang semakin mendekati 1, maka model tersebut memiliki kesesuaian yang semakin baik.
f) Tucker Lewis Index (TLI)
TLI adalah suatu incremental fit index yang membandingkan sebuah model yang diuji dengan null model. Hair, et.al. (1998:657) merekomendasikan bahwa nilai TLI yang baik adalah TLI ≥ 0.90.
g) Comparative Fit Index (CFI)
CFI merupakan indeks kesesuaian incremental, yang juga membandingkan model yang diuji dengan null model. Nilai CFI berkisar 0–1 dengan nilai yang mendekati 1 mengindikasikan model yang diuji memiliki kesesuaian yang baik. Nilai penerimaan yang direkomendasikan adalah CFI > 0,95 (Ferdinand:2005:60) Indeks TLI dan CFI sangat dianjurkan untuk digunakan karena indeks-indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model (Hulland et.al.,; Tanaka,1993 dalam Ferdinand, 2005:60).
h) Normed Fit Index (NFI)
NFI merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1,0 (perfect fit). Nilai yang direkomendasikan adalah NFI ≥ 0.90 (Ghozali, 2008:68).
commit to user
44 Indeks-indeks yang digunakan untuk menguji kelayakan sebuah model dapat diringkas dalam tabel III.1.
Tabel III.1
Indikator Goodnes-of-Fit Model
No Goodness of Fit Indeks Keterangan Cut-off
point
1. Chi Square (X²)
Tujuan analisis ini adalah mengembangkan dan menguji sebuah model yang sesuai dengan data. Chi Square merupakan ukuran mengenai buruknya fit suatu model.
Diharapkan kecil
2. Significance Probability
Uji signifikansi terhadap perbedaan matriks kovarians data dengan matriks kovarians yang diestimasi
≥0.05
3.
RMSEA (the Root Mean Square Error of
Approximation)
RMSEA adalah ukuran yang mencoba memperbaiki kecenderungan statistik Chi-Square menolak model dengan jumlah sampel yang besar.
≤0.08
4. GFI (Good of Fit Index)
Indeks yang menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya.
≥0.90
5. AGFI (Adjusted
Goodness of Fit Indices)
Indeks ini merupakan pengembangan dari Goodness Fit of Index (GFI) yang telah disesuaikan dengan ratio dari degree of freedom model.
≥0.90
6.
CMIN/DF (The Minimum Sampel Discrepancy Function)
Kesesuaian antara data dengan model ≤2.00 atau ≤3.00 7. TLI (Tucker Lewis Index)
Merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model.
≥0.90
8. CFI (Comparative Fit Index)
Uji kelayakan model yang tidak sensitif terhadap
besarnya sampel dan kerumitan model. ≥0.95 Sumber: Ferdinand (2005:61)
commit to user
45
H. Pretest
Pada penelitian ini, peneliti melakukan pretest sebelum penyebaran kuesioner pada sampel besar. Pretest dilakukan untuk menguji apakah kuesioner bisa bekerja deangan tepat. Pretest dilakukan untuk pengujian pada item-item pertanyaan yang digunakan untuk mengukur apakah instrumen penelitian benar-benar mampu mengukur konstruk yang digunakan. Tujuan lain adalah untuk mengukur tingkat validitas awal dari variabel yang akan diuji dengan sampel besar. Adapun jumlah responden yang digunakan sebanyak 30 responden.
Pengujian pada item-item pertanyaan yang diujikan pada pretest diuji dengan uji validitas dan reliabilitas. Teknik analisis yang dipakai dalam uji validitas dilakukan dengan menggunakan analisis faktor dan uji reliabilitas dengan menggunakan cronbach alpha dengan bantuan SPSS for windows versi 11.5. dari hasil uji validitas dan uji reliabilitas didapatkan hasil sebagai berikut :
commit to user
46
Tabel III.2
Hasil Uji Validitas pada Pretest Rotated Component Matrix
Rotated Component Matrix(a)
Sumber : data primer yang diolah, 2012
Dari hasil uji validitas pada tabel III.2 menunjukan bahwa terdapat beberapa item yang hilang karena mempunyai factor loading < 0.4 yaitu item ID1 dan RP2. Dan ada satu item yang belum terekstrak dengan sempurna yaitu item ID2. Selanjutnya peneliti menghilangkan item-item pertanyaan tersebut dalam pretest, setelah item-item tersebut dihilangkan maka di peroleh hasil seperti pada tabel III.3.
Component 1 2 3 4 5 AK1 .812 AK2 .790 AK3 .796 ID1 ID2 .429 .492 ID3 .777 SI1 .815 SI2 .860 SI3 .876 SI4 .804 SI5 .892 KP1 .774 KP2 .766 KP3 .811 KP4 .814 RP1 .829 RP2 RP3 .843
commit to user
47
Tabel III.3
Hasil Uji Validitas pada Pretest Rotated Component Matrix
Sumber : data primer yang diolah, 2012
Tabel III.3 menunjukan bahwa semua item pertanyann dinyatakan valid, karena setiap item pertanyaan yang menjadi indikator masing-masing variabel telah terekstrak secara sempurna dan mempunyai factor loading > 0.4. selanjutnya peneliti melakukan perbaikan tata bahasa pada item pertanyaan yang dihilangkan dalam pretest, untuk diujikan pada sampel besar.
Tabel III.4
Hasil Uji Reliabilitas pada Pretest
Variabel Cronbach’s Alpha Keterangan
Actual self image congruity 0,8093 Baik
Attitude 0,9176 Baik
Satisfaction 0,8307 Baik
Repurchase Intention 0,6916 Diterima
Sumber : data primer yang diolah, 2012
Component 1 2 3 4 5 AK1 .833 AK2 .822 AK3 .842 ID3 .761 SI1 .818 SI2 .864 SI3 .879 SI4 .796 SI5 .902 KP1 .799 KP2 .795 KP3 .822 KP4 .814 RP1 .843 RP3 .870
commit to user
48 Dari hasil pengujian reliabilitas variabel penelitian pada tabel III.4 dengan menggunakan bantuan SPSS 11.5 for Windows, dapat disimpulkan bahwa semua instrumen dinyatakan reliabel karena mempunyai nilai cronbach’s alpha > 0,6.
commit to user
49
BAB IV