HASIL PENELITIAN
5.2. Analisis SEM
5.2.1. Model Pengukuran
Model struktural pengaruh citra destinasi, push factors, pull factors, dan modal sosial terhadap kepuasan wisatawan dan minat berkunjung kembali dibangun dari model-model pengukuran. Oleh sebab itu model pengukuran konstruk-konstruk atau variabel laten yang membentuk full model dikonfirmasi terlebih dahulu. Indikator-indikator yang mencerminkan konstruk masing-masing diperiksa terlebih dahulu. Model pengukuran dilihat kesesuaiannya dengan cut-off
goodness of fit index masing-masing model pengukuran.
Citra destinasi terdiri dari 2 dimensi yakni dimensi citra afektif dan citra kognitif (second order). Konstruk ini dibangun dari 2 (dua) model pengukuran yakni yakni model pengukuran citra afektif dan model pengukuran citra kognitif.
Citra afektif mencerminkan 3 indikator; Citra kognitif mencerminkan 5 (lima) indikator.
Disamping model pengukuran diatas, model penelitian ini meliputi model pengukurun berikut: Model pengukuran push factor merefleksikan 8 (delapan) indikator; Model pengukuran pull factors mencerminkan 9 (sembilan) indikator;
Model pengukuran modal sosial mencerminkan 3 (tiga) indikator; Model pengukuran kepuasan wisatawan merefleksikan 5 (lima) indikator; Model pengukuran niat berkunjung kembali wisatawan merefleksikan 4 (empat) indikator.
1. Model Pengukuran Citra Afektif
Dimensi citra afektif merefleksikan tiga indikator yakni: Lively Toba Lake Area (Kawasan Danau Toba yang indah ) dengan notasi X11; Exciting Toba Lake Area (Kawasan Danau Toba yang menarik) dengan notasi X12: Pleasant Toba Lake Area (Kawasan Danau Toba yang nyaman/ menyenangkan) dengan notasi X13.
Pemeriksaan terhadap data mentah yang akan digunakan sebagai input model persamaan struktural dengan metode maximum likelihood meliputi:
Pemeriksaan apakah terdapat data yang hilang selama dalam proses pengolahan;
Pemeriksaan Outliers; Multikolinieritas; Singularitas; Normalitas, linieritas dan
homogenitas data.
a. Pemeriksaan Data.
1). Missing data
Data yang telah diolah melalui model persamaan struktural harus diperiksa kembali. Apakah terdapat data observasi yang hilang dalam proses. Bila terdapat data yang hilang perlu diperiksa untuk menemukannya. Kehilangan data akan menimbulkan kesalahan dalam pengolahan. Disamping itu akan menimbulkan hasil yang berbeda. Dari output Amos dapat dilihat sample size tetap 222. Jumlah sampel tetap sebanyak 222 orang. Tidak ada data input yang hilang (missing value) selama proses. Lihat hasil olahan Amos berikut: Notes for Group (Group number 1); The model is recursive; Sample size = 222. Hasil di atas memberikan petunjuk, langkah selanjutnya dapat dilaksanakan.
2). Pemeriksaan Outliers
Sebelum data observasi diolah, perlu diperiksa terlebih dahulu apakah terdapat outliers. Bila terdapat data outliers pada baris pertama sebaiknya dihapus.
Data observasi ditetapkan sebagai outliers menurut (Dachlan 2014) jika memiliki nilai p1 dan p2 yang kecil (< 0.001); Nilai d2 (Mahalanobis d-square)nya jauh lebih besar (sangat berbeda) dibandingkan dengan nilai d2 untuk observasi-observasi lainnya. Jika terdapat outliers maka langkah selanjutnya tidak dapat dilanjutkan.
Berdasarkan output AMOS [Observations farthest from the centroid (Mahalanobis distance) (Group number 1)] diperoleh nilai p1 sebesar 0.004 >
0001 dan nilai p2 sebesar 0.543> 0001. Nilai observasi pertama tidak jauh
berbeda dengan observasi lainnya. Pada baris pertama nilai mahalanobis d-squared sebesar 13.586; Pada baris kedua nilai mahalanobis d-d-squared sebesar 13.023. Berdasarkan hasil diatas, data observasi model pengukuruan citra afektif dapat digunakan untuk proses selanjutnya.
3). Multikolinieritas
Menurut Dachlan (2014) ada tidaknya multikolenieritas diuji dengan mengkorelasikan (bivariate correlation) antar indikator dalam bentuk matrik korelasi.Pemeriksaan menunjukkan tidak ada yang memiliki korelasi diatas 0.8.
Artinya antar indikator tidak ada memiliki hubungan yang sangat kuat. Jika ada hubungan antar indikator memiliki koefisien korelasi diatas 0.8, maka perlu dievaluasi kembali.Bila korelasi bivariate dibawah 0.8 berarti tidak perlu ditinjau kembali. Dengan kata lain tidak terdapat mulikolinieritas pada indikator-indikator dalam dimensi citra afektif .Disamping itu hubungan antar masing-masing indikator bermakna (signifikan).
4). Singularitas
Menurut Negoro dan Harahap (1987) jika A adalah matriks diagonal yang semua unsure diagonalnya bernilai positif, maka A adalah matriks definit positif atau tidak terdapat singularitas. Namun bila varian bernilai postif seluruhnya berarti tidak terdapat singularitas (non singular). Nilai varian dimensi citra afektif seluruhnya bernilai positif, seperti disajikan pada Tabel 5.7 kolom 2. Oleh sebab itu pada matrik data input tidak terdapat singularitas.
Tabel 5.7Variances: (Group number 1 - Default model)
Error Estimate S.E. C.R. P Label
Error Estimate S.E. C.R. P Label X1 5.654 1.328 4.256 *** par_3
d3 9.172 1.139 8.051 *** par_4 d2 2.784 0.910 3.060 0.002 par_5 d1 3.869 0.498 7.762 *** par_6 Sumber: Diolah dari matrik data mentah, 2018
Variance error d1 sebesar 3.869; Variance error d2 sebesar 2.784; Variance error d3 sebesar 9.172. Seluruh variance error citra efektif bernilai positif.
5). Normalitas
Sebagai input, data observasi yang digunakan untuk model persamaan struktural harus memenuhi kriteria normalitas univariat dan normalitas multivariat. Secara individual sebaran data indikator yang merefleksikan dimensi citra afektif harus normal. Demikian pula secara bersama-sama sebaran seluruh variabel observasi harus juga berdistribusi normal. Normalitas univariat dan multivariate mengacu pada output software aplikasi AMOS terletak pada kolom c.r kurtosis. Lihat kolom terakhir pada Tabel 5.8.
Tabel 5.8Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.
X11 4.610 18.030 -0.136 -0.826 0.175 0.533 X12 9.670 24.910 -0.129 -0.785 -0.593 -1.804 X13 9.060 28.340 -0.339 -2.064 -0.228 -0.693
Multivariat 1.248 1.697
Sumber: Diolah dari matrik data mentah, 2018
Tabel diatas menyatakan sebaran data X11, X12, dan X13 masing-masing memiliki c.r sebesar 0.533, -1.804, dan -0.693. Hal ini berarti sebaran data univariat normal atau c.r kurtosis < 2.576. Demikian juga secara keseluruhan indikator normal (normalitas multivariat) dimana c.r multivariat sebesar 1.697 <
2.576. Dengan demikian sebaran data observasi dimensi citra afektif normal
keseluruhan atau sebaran data observasi dapat diterima.
6). Linieritas dan Homoskedastisitas
Data observasi yang digunakan untuk input model pengukuran penting diuji linieritas dan homoskedastisitasnya. Pada umumnya peneliti tidak melakukan pemeriksaan terhadap kedua asumsi tersebut selama normalitas multivariat telah terpenuhi (Dachlan, 2014). Normalitas multivariat data observasi telah terpenuhi.
Oleh sebab itu linieritas dan homoskedastisitas data observasi telah terpenuhi juga.
1). Uji Model Pengukuran
Model prediksi yang dihasilkan dari pengolahan data empiris perlu diperiksa terlebih dahulu sebelum dilakukan langkah lanjutan. Apakah sudah memenuhi kriteria yang ditetapkan. Jika telah memenuhi berarti model dapat digunakan untuk menduga atau memprediksi data empiris. Model pengukuran citra afektif disajikan pada Gambar 5.1.
Sumber: Diolah dari matrik data mentah, 2018
Gambar 5.1 Model pengukuran citra afektif a). Validitas Model Pengukuran
Validitas model pengukuran citra afektif dapat diketahui dengan memeriksa signifikansi factors loading dan validitas factors loading.
(1). Signifikansi factors loading
Signifikansi factors loading indikator-indikar dimensi citra afektif disajikan pada kolom P pada Tabel 5.9.
Tabel 5.9 Regression Weights: (Group number 1 - Default model)
Indikator Pengaruh Konstruk Estimate S.E. C.R. P Label
X13 <--- X1 1.000
X12 <--- X1 1.090 0.165 6.600 *** par_1
X11 <--- X1 .677 0.096 7.084 *** par_2
Sumber: Diolah dari matrik data mentah, 2018
Indikator dari dimensi citra afektif (X1) seluruhnya signifikan (nilai P < 0.05 atau terdapat tanda *** atau C.R > 1.96, untuk tingkat signifikansi 0.01 nilai kritis (C.R > 2.576). Oleh karena itu tidak ada indikator yang di-drop atau dibuang.
Citra afektif (X1) terhadap indikator X11 berpengaruh signifikan; Pengaruh citra afektif (X1) terhadap indikator X12 signifikan; Pengaruh citra afektif (X1) terhadap indikator X13 signifikan. Ketiga indikator tersebut merupakan pengukur yang signifikan terhadap konstruk citra afektif.
(2). Validitas Factors Loading
Validitas ketiga indikator yaitu; Lively Toba Lake Area (Kawasan Danau Toba yang indah) dengan notasi X11; Exciting Toba Lake Area (Kawasan Danau Toba yang menarik) dengan notasi X12; Pleasant Toba Lake Area (Kawasan Danau Toba yang nyaman/ menyenangkan) merupakan pengukur konstruk citra afektif dapat dilihat dari nilai estimasi standardized regression weight seperti disajikan pada Tabel 5.10.
Tabel 5.10 Standardized Regression Weights: Group number 1 - Default model)
Pengaruh Estimate
X13 <--- X1 0.618
Pengaruh Estimate X12 <--- X1 0.841 X11 <--- X1 0.634
Sumber: Diolah dari matrik data mentah, 2018
Pengaruh citra afektif terhadap Lively Toba Lake Area sebesar 0.63;
Pengaruh citra afektif terhadap Kawasan Danau Toba yang menarik sebesar 0.84;
Pengaruh citra afektif terhadap Kawasan Danau Toba yang nyaman / menyenangkan sebesar 0.62.
Factor loading X1X11, X1X12, dan X1X13 memilki nilai masing-masing 0.634, 0.841, dan 0.618 memenuhi kriteria ( > 0.5 ). Menurut Igbaria et.al, (dalam Wijanto, 2008 dan Ghozali, 2008) indikator sebuah konstruk valid bila memiliki factor loading standar > 0.5.
(3). Reliabilitas Model Pengukuran Citra Afektif
Berdasarkan koefisien bobot faktor, selanjutnya dapat diidentifikasi reliabilitas dari model pengukuran yang diusulkan. Sebagaimana diketahui, reliabilitas menunjukkan kemantapan dan kekonsistenan dari indikator-indikator untuk mendefinisikan secara unidimensional sebuah konstruk yang diukur (Kerlinger 1990). Dalam format confirmatory factor analysis (CFA), reliabilitas akan diindikasikan oleh 2 (dua) ukuran yaitu: Construct / Composite Reliability dan Variance Extracted.
Menurut Ghozali (2013) untuk menguji reliabilitas data digunakan indikator berdasarkan rumus Average Variance Extracted (AVE) dan Composite Reliability (CR). Selanjutnya indikator dari variabel disebut reliabel jika nilai AVE ≥ 0,50 dan CR ≥ 0,70.
(a). Reliabilitas komposit (CR)
Nilai realibitas komposit menghasilkan nilai 0.74, yang direkomendasikan (0.70). Kontruk atau dimensi Citra Afektif handal merefleksikan ketiga indikator Lively Toba Lake Area (Kawasan yang indah), Exciting Toba Lake Area (Kawasan yang menarik), danPleasant Toba Lake Area (Kawasan yang nyaman / menyenangkan)
(b). Average Variance Extracted (AVE) ≥ 0.50
Koefisien rerata ekstraksi varian (Average Variance Extracted / AVE) merupakan koefisien yang menjelaskan varian di dalam indikator yang dapat dijelaskan oleh faktor umum. Dengan demikian AVE menunjukkan konvergensi keseluruhan indikator.
Nilai variance extracted sebesar 0.50 sama dengan nilai yang telah direkomendasikan. Nilai AVE didapatkan sama dengan 0.50 maka indicator -indikator di dalam model yang dikembangkan terbukti benar-benar mengukur konstrak laten yang ditargetkan dan tidak mengukur konstrak laten yang lain.
b. Kecocokan model
Model pengukuran diatas sempurna karena degree of freedom (df) = 0.
Sehingga tidak perlu diukur lagi GOFnya. Ini berarti model sudah saturated.
2. Model Pengukuran Citra Kognitif
Dimensi citra kognitif direfleksikan oleh lima indikator yakni: Natural Attractions (Alam yang atraktif) dengan notasi X21; General infrastructure (Infrastruktur Umum) dengan notasi X22; Atmosphere (Suasana) dengan notasi X23; Social Environment (Lingkungan sosial) dengan notasi X24; Value for
Money (Nilai uang) dengan notasi X25. Sebaran data sampel dari kelima indikator berbentuk matrik data sampel. Perlu dilakukan pengujian, apakah rekap data tersebut layak atau tidak layak dipergunakan sebagai input.
a. Uji Data.
1). Missing data
Dari output AMOS dapat dilihat sample size tetap 222. Jumlah sampel tetap sebanyak 222 orang. Tidak ada data input yang hilang (missing value) selama proses. Lihat hasil olahan AMOS berikut: Notes for Group (Group number 1);
The model is recursive; Sample size = 222. Hasil di atas memberikan petunjuk, proses pengolahan data dapat dilanjutkan.
2). Pemeriksaan Outliers
Berdasarkan output AMOS [Observations farthest from the centroid (Mahalanobis distance) (Group number 1)] diperoleh nilai p1 sebesar 0.002 >
0001 dan nilai p2 sebesar 0.355 > 0001. Nilai observasi pertama tidak jauh berbeda dengan observasi lainnya. Pada baris pertama nilai mahalanobis d-squared sebesar 18.873; Pada baris kedua nilai mahalanobis d-d-squared sebesar 16.809. Berdasarkan hasil diatas, data observasi model pengukuruan citra kognitif dapat digunakan untuk proses selanjutnya.
3). Multikolinieritas
Korelasi bivariat antar indikator menunjukkan tidak ada yang memiliki korelasi diatas 0.8.Artinya antar indikator tidak ada memiliki hubungan yang sangat kuat. Dengan kata lain tidak terdapat mulikolinieritas diantara indikator yang terdapat pada konstruk citra kognitif
4). Singularitas
Nilai variance dimensi citra afektif seluruhnya bernilai positif seperti disajikan pada Tabel 5.11. Oleh sebab itu pada matrik data input tidak terdapat singularitas.
Tabel 5.11 Variances: (Group number 1 - Default model)
Error Estimate S.E. C.R. P Label
X2 4.113 0.624 6.591 *** par_7
d5 2.490 0.313 7.959 *** par_8
d4 3.128 0.460 6.805 *** par_9
d3 3.466 0.356 9.731 *** par_10
d2 2.082 0.333 6.244 *** par_11
d1 12.903 1.407 9.169 *** par_12 Sumber: Diolah dari matrik data mentah, 2018
Variance modal pengukuran citra afektif mencakup: Nilai variance d1 sebesar 12.903, variance d2 sebesar 2.082, variance d3 sebesar 3.466, variance d4 sebesar 3.128, dan variance d5 sebesar 2.490.
5). Normalitas
Structural equation modeling (SEM) dengan metode maximum likelihood menggunakan data observasi sebagai input yang harus memenuhi kriteria normalitas univariat dan normalitas multivariate. Secara individual sebaran data indikator harus normal. Demikian pula secara bersama-sama harus juga sebarannya normal. Normalitas univariat dan multivariate terletak pada kolom c.r kurtosis. Penilaian normalitas disajika pada tabel 5.12, menyatakan sebaran data univariat X21, X22, X23, X24, dan X25 masing-masing bernilai -0.690, -1.149, 1.338, -0.524, dan 0.070 berdistribusi menyatakan sebaran data univariat X21, X22, X23, X24, dan X25 masing-masing bernilai -0.690, -1.149, 1.338, -0.524, dan 0.070 berdistribusi normal, dimana c.r kurtosis < 2.576. Demikian juga bila
Tabel 5.12Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.
X21 11.200 36.020 -0.306 -1.830 -0.230 -0.690
X22 4.830 19.080 -0.352 -2.109 -0.384 -1.149
X23 4.910 17.860 -0.015 -0.092 0.447 1.338
X24 6.980 23.000 -0.332 -1.987 -0.175 -0.524
X25 6.950 20.710 -0.204 -1.223 0.024 0.070
Multivariate 2.485 2.177
Sumber: Diolah dari matrik data mentah, 2018
Secara keseluruhan indikator normal (normalitas multivariat) dimana c.r multivariate sebesar 2.177 < 2.576. Dengan demikian sebaran data yang digunakan untuk membangun dimensi citra kognitif berdistribusi normal keseluruhan atau sebaran data observasi dapat diterima atau digunakan dalam metode maximum likelihood.
b. Uji Model Pengukuran
Model prediksi yang dihasilkan perlu diperiksa, apakah sudah memenuhi kriteria yang ditetapkan. Jika telah memenuhi berarti model dapat digunakan untuk menduga atau memprediksi data sampel. Model penduga disajikan pada Gambar 5.2.
1). Validitas Model Pengukuran a). Signifikansi factors loading
Signifikansi factors loading indikator-indikar dimensi citra kognitif meliputi Natural Attractions (Daya tarik Alam) dengan notasi X21; General infrastructure (Infrastruktur Umum) dengan notasi X22; Atmosphere (Suasana) dengan notasi X23; Social Environment (Lingkungan sosial) dengan notasi X24; Value for Money (Nilai uang) dengan notasi X25 disajikan pada kolom P pada Tabel 5.13.
Tabel 5.13 Regression Weights: (Group number 1 - Default model)
Pengaruh Estimate S.E. C.R. P Label
Pengaruh Estimate S.E. C.R. P Label
X25 <--- X2 1.000
X24 <--- X2 1.224 0.102 12.006 *** par_1 X23 <--- X2 0.563 0.068 8.233 *** par_2 X22 <--- X2 1.169 0.089 13.073 *** par_3 X21 <--- X2 1.299 0.157 8.257 *** par_4 Sumber: Diolah dari matrik data mentah, 2018
Indikator-indikator dari konstruk (dimensi) citra kognitif (X2) seluruhnya signifikan (nilai P < 0.05 atau terdapat tanda *** atau C.R > 1.96, untuk tingkat signifikansi 0.01 nilai kritis C.R > 2.576). Oleh karena itu tidak ada indikator yang didrop atau dibuang. Pengaruh variabel X2 terhadap X21 signifikan;
Pengaruh variabel X2 terhadap X22 signifikan; Pengaruh variabel X2 terhadap X23 signifikan; Pengaruh variabel X2 terhadap X24 signifikan;Pengaruh variabel X2 terhadap X25 signifikan. Kelima indikator merupakan pengukur yang signifikan terhadap konstruk citra kognitif.
b). Validitas Factors Loading
Validitas kelima indikator sebagai pengukur konstruk citra kognitif dapat dilihat dari nilai estimasi standardized regression weight seperti disajikan pada Tabel 5.14. Pengaruh citra kognitif terhadap alam yang menarik sebesar 0.60;
Pengaruh citra kognitif terhadap Infrastruktur Umum sebesar 0.85; Pengaruh citra kognitif terhadap Suasanasebesar 0.52; Pengaruh citra kognitif terhadap Lingkungan sosialsebesar 0.81; Pengaruh citra kognitif terhadap Nilai untuk uangsebesar 0.79.
Tabel 5.14 Standardized Regression Weights: (Group number 1 - Default model)
Pengaruh Estimate X25 <--- X2 0.789 X24 <--- X2 0.814
Pengaruh Estimate X23 <--- X2 0.523 X22 <--- X2 0.854 X21 <--- X2 0.591 Sumber: Diolah dari matrik data mentah, 2018
Factor loading X2X21, X2X22, X2X23, X2X24, dan X2X25 memilki nilai masing-masing 0.591, 0.854, 0.523, 0.814, dan 0.789 memenuhi kriteria (> 0.5).
Indikator dan konstruk valid bila memiliki factor loading standar > 0.5 (Igbaria et.al, dalam Wijanto, 2008 dan Ghozali, 2008).
2). Reliabilitas Model Pengukuran Citra Kognitif
Mengacu pada koefisien bobot faktor, dapat diidentifikasi reliabilitas dari model pengukuran yang diusulkan. Menurut Kerlinger (1990) sebagaimana diketahui, reliabilitas menunjukkan kemantapan dan kekonsistenan dari indikator-indikator untuk mendefinisikan secara unidimensional sebuah konstruk yang diukur. Selanjutnya disebut dalam format CFA, reliabilitas diindikasikan oleh dua ukuran yaitu Construct Reliability dan Variance Extracted.
a). Reliabilitas komposit
Nilai reliabilitas komposit menghasilkan nilai 0.84, yang direkomendasikan (rule of thumb) sebesar 0.70. Kontruk atau dimensi Citra kognitif handal direfleksikan kelima indikator Natural Attractions (Alam yang atraktif), General infrastructure (Infrastruktur Umum), Atmosphere (Suasana), Social Environment (Lingkungan sosial), dan Value for Money (Nilai uang). Oleh karena itu, proses selanjutnya dalam tahapan SEM dapat diteruskan.
b). Average Variance Extracted (AVE)
Nilai Average variance extracted sebesar 0.53 berada diatas nilai yang
direkomendasikan. Nilai AVE yang diperoleh lebih besar dari 0,5. Angka ini memperlihatkan indikator-indikator di dalam model yang dikembangkan terbukti benar-benar mengukur dimensi citra kognitif yang ditargetkan dan tidak mengukur konstrak laten yang lain.
3). Kecocokan model pengukuran citra kognitif
Model pengukuran citra kognitif dalam bentuk diagram jalur disajikan pada Gambar 5.2. Pengujian kecocokan model tersebut sebagai penduga matrik data sampel harus dilakukan.
Kecocokan model pengukuran dimensi citra kognitif perlu diperiksa kesesuaian dengan kriteria-kriteria (cut off) goodness of fit index. Kesesuaian kriteria- kriteria model penduga citra kognitif diuraikan dibawah ini
Nilai GOF model penduga citra kognitif disajikan pada Tabel 5.15.
Tabel 5.15 Goodness of Fit Index Dimensi Citra Kognitif
No Goodness of Fit Index (GOF) Cut Off Value GFI Model Penduga
Justifikasi 1 Statistik Chi-Square (χ2)/ Probabilitas > 0.050 0.609 Good fit
2 CMIN/DF 2.000 0.610 Good fit
3 Goodness-of-fit Index(GFI) > 0.900 0.997 Good fit
4 Root mean square error of approximation (RMSEA)
≤ 0.080 0.000 Good fit
5 Tucker-Lewis Index (TLI) atau Non-Normed Fit Index (NNFI)
> 0.900 1.009 Good fit
6 Normed Fit Index (NFI) > 0.900 1.000 Good fit
7 Adjusted Goodness of Fit Index (AGFI)
> 0.900
0.983 Good fit 8 Incremental Fit Index (IFI) > 0.900 1.003 Good fit 9 Comparative Fit Index (CFI) > 0.900 1.000 Good fit 10 Parsimonius Goodness of Fit Index
(PGFI)
> 0.000 (semakin besar
semakin baik)
0.199 fit
11 Parsimonious Normed Fit Index (PNFI)
> 0.000 (semakin besar
semakin baik)
0.299 fit
Sumber: Diolah dari matrik data mentah, 2018
Sumber: Diolah dari matrik data mentah, 2018
Gambar 5.2 Model pengukuran citra kognitif
a). Evaluasi terhadap probabilitas
H0: P-value> 0.05, Tidak ada perbedaan matrik kovarian sampel dengan matrik kovarian hasil estimasi
H1: P-value< 0.05, Ada perbedaaan matrik kovarian sampel dengan matrik kovarian hasil estimasi.
Probabilitas hasil estimasi sebesar 0.609 > 0.05. H0 diterima. Tidak ada perbedaan matrik kovarian sampel dengan matrik kovarian hasil estimasi.
b). CMIN/DF (chi-kuadrat minimum dibandingkan dengan derajat bebas) menunjukkan perbedaan (discrepancy) matrik kovarian sampel dengan matrik kovarian yang dihasilkan parameter-parameter hasil estimasi. CMIN/DF hasil
estimasi sebesar 0.610 2. Diskrepansi dapat diterima. Ukuran menurut kriteria ini sudah baik.
c). GFI menjelaskan jumlah varian dan kovarian dalam matrik kovarian sampel yang diprediksi oleh matrik kovarian. Hasil estimasi GFI sebesar 0.997
0.90. Ukuran ini menunjukkan model estimasi sudah baik (good fit).
d). AGFI merupakan indeks fit GFI yang derajat bebasnya disesuaikan (adjusted) dengan banyaknya variabel. Hasil dari estimasi AGFI yaitu sebesar 0.983 0.90. Ukuran ini menunjukkan model estimasi sudah baik.
e). NFI (Normed Fit Index) merupakan rasio selisih antara χ2 model nol dengan χ2 model hipotesis terhadap χ2 model nol. Model nol/model null/baseline model/model independen mengasumsikan kovarian populasi antar variabel terukur (indikator) adalah nol (tidak saling berkorelasi).Hasil estimasi NFI sebesar 0.996 0.90.Ukuran ini menunjukkan model estimasi sudah baik.
f). TLI (Tucker Lewis Index) atau NNFI (Non Normed Fit Index) membandingkan model hipotesis dengan model nol. Hasil estimasi sebesar 1.009 0.90.
Ukuran ini menunjukkan model estimasi sudah baik.
g). CFI (Comparative Fit Index). CFI merupakan perbaikan dari NFI dengan mempertimbangkan kompleksitas model. Menyertakan derajat bebas model dalam perhitungan. Hasil estimasi sebesar 1.000 0.90.Ukuran ini menunjukkan model estimasi sudah baik.
h). IFI (Incremental Fit Index) merupakan penyempurnaan NFI dengan cara mengurangi penyebut pada NFI dengan dbh. Hasil estimasi sebesar 1.003
0.90. Ukuran ini menunjukkan model estimasi sudah baik.
i). RMSEA (Root Mean Square Error of Approximation). Indeks fit ini ditujukan memperbaiki indeks fit statistic chi-kuadrat (χ2) yang cenderung menolak model yang mempunyai variabel observed yang banyak dan ukuran sampel yang besar. Hasil estimasi sebesar 0.000 Ukuran ini menunjukkan model estimasi sudah baik.
j). Parsimonius Goodness of Fit (PGFI). Menilai kompleksitas model dalam menilai fit model secara keseluruhan. PGFI merupakan indeks fit GFI yang disesuaikan terhadap derajat bebas model (parsimony adjusted). Hasil estimasi sebesar 0.199 ˃ 0.000. Ukuran ini menunjukkan model sudah fit dibandingkan dengan kompleksitas model alternatif
k). Parsimonious Normed Fit Index (PNFI). PNFI merupakan merupakan indeks fit NFI yang disesuaikan terhadap derajat bebas model (parsimony adjusted).
Untuk menilainya terlebih dulu harus dibandingkan dengan derajat bebas alternatifnya. Hasil estimasi sebesar 0.299˃ 0.000. Ukuran ini menunjukkan derajad bebas model sudah fit dibandingkan derajad bebas alternatifnya
Seluruh hasil estimasi masing- masing ukuran fit model sudah berada lebih baik dari ambang batas (cut-off). Berdasarkan ukuran cut-off maka model pengukuran citra kognitif sudah baik.
3. Model Pengukuran 2nd order citra destinasi
Variabel citra destinasi direfleksikan oleh 2 dimensi yakni: dimensi citra afektif dan dimensi citra kognitif. Citra afektif direfleksikan tiga indikator yakni:
Lively Toba Lake Area (Kawasan yang indah) dengan notasi X11; Exciting Toba Lake Area (Kawasan yang menarik) dengan notasi X12; Pleasant Toba Lake
Area (Kawasan yang nyaman / menyenangkan) dengan notasi X13. Citra kognitif direfleksikan oleh 5 (lima) indikator yakni: Natural Attractions (Alam yang atraktif) dengan notasi X21; General infrastructure (Infrastruktur Umum) dengan notasi X22; Atmosphere (Suasana) dengan notasi X23; Social Environment (Lingkungan sosial) dengan notasi X24; Value for Money (Nilai uang) dengan notasi X25.
Menurut Segars dan Grover (1998) model pengukuran yang memiliki lebih dari 1 konstruk (tersusun atas konstruk-konstruk individual), maka masing-masing konstruk beserta instrumennya tersebut harus dievaluasi dan diperbaiki dalam 3 tahap, yaitu: 1). Secara terpisah terlebih dahulu, 2). secara berpasangan (per 2 konstruk), 3). secara keseluruhan (model pengukuran lengkap). Citra destinasi merupakan model pengukuran yang terdiri dari dua variabel latent. Oleh sebab itu keduanya perlu diperiksa secara berpasangan.
Konstruk citra destinasi disebut model pengukuran 2nd order citra destinasi karena terdiri dari 2 variabel latent yakni citra afektif dan citra kognitif. Kedua dimensi masih bersifat latent yang harus diukur melalui indikator-indikator (variabel observed) masing-masing. Kedua dimensi perlu diperiksa apakah terpisah atau disatukan dalam sebuah konstruk citra destinasi.
Sumber: Diolah dari matrik data mentah, 2018
Gambar 5.3 Model pengukuran 2nd ordercitra destinasi
(Waluyo 2016) uji validitas diskriminan dapat dilakukan dengan melihat angka (koefisien) korelasi kedua konstruk.Selanjutnya disebutkan, antar variabel independent harus mempunyai angka korelasi yang kecil. Jika koefisien korelasi atau kovarian antara citra afektif (X1) dengan citra kognitif (X2) sangat kuat ( >
0.80 ) maka kedua dimensi lebih baik disatukan. Indikator masing-masing dimensi langsung berhubungan dengan konstruk citra destinasi. Citra destinasi dengan kedua dimensi disajikan pada Gambar 5.3.
Bardasarkan Tabel 5.16 dapat dilihat bahwa hubungan antar citra afektif (X1) dengan citra kognitif (X2) sebesar 0.84 atau sangat kuat. Berarti kedua dimensi pengukuran ini ini tidak saling independen. Oleh sebab itu kedua dimensi lebih baik disatukan dalam satu konstruk citra destinasi. Kedelapan
indikatornya langsung berhubungan dengan konstruk citra destinasi. Lihat pada Gambar 5.4.
Model pengukuran citra afektif dan citra kognitif telah disatukan menjadi citra destinasi. Dalam pembahasan selanjutnya variable latent meliputi citra destinasi, push factors, pull factors, modal sosial, kepuasan wisatawan, dan niat kunjungan kembali wisatawan.
Tabel 5.16 Correlations: (Group number 1 - Default model) Estimate
X1 <--> X2 0.844 d3 <--> d4 0.488 d2 <--> d4 0.501 d1 <--> d7 0.375 d1 <--> d4 0.353
Sumber: Diolah dari matrik data mentah, 2018
Menurut Dachlan (2014) pengujian data model citra destinasi tidak diperlukan, karena indikator-indikator sepenuhnya diadopsi dari model sebelumnya (model citra afektif dan model citra kognitif).