III. METODE PENELITIAN
3.3.3 Pengujian Kuisioner
Penilitian ini menggunakan uji kuisioner seperti uji validitas dan uji reliabilitas. Hal ini dilakukan agar kuisioner yang digunakan memang akurat dan layak untuk disebarkan kepada responden. Pengolahan dan analisis data dilakukan dengan bantuan program Statistical Product and Service Solution (SPSS) versi 16 dan MINITAB 14. a. Uji Validitas
Setelah kuesioner akhir terbentuk, langkah awal yang dilakukan adalah menguji validitas kuesioner. Pengujian validitas dimaksudkan untuk mengetahui sejauhmana suatu alat pengukur (instrumen) mengukur apa yang ingin diukur (Umar, 2003). Uji validitas digunakan untuk menghitung nilai korelasi (r) antara data pada masing-masing pertanyaan dengan skor total. Teknik yang dipakai untuk menguji validitas kuesioner adalah teknik korelasi product momentpearson berikut :
2 2 2 2 xy Y Y n X X n Y X XY n r …...….(2)Keterangan : rxy = Korelasi antar X dan Y n = Jumlah responden
X = Skor masing-masing pertanyaan Y = Skor total
b. Uji Reliabilitas
Jika alat ukur dinyatakan sahih, selanjutnya reliabilitas alat ukur tersebut diuji. Reliabilitas adalah suatu nilai yang menunjukkan konsistensi suatu alat ukur di dalam mengukur gejala yang sama (Umar, 2003). Reliabilitas alat ukur dalam bentuk skala dapat dicari dengan menggunakan teknik alpha cronbach berikut :
2 1 2 11 σ σ 1 1 k k r ………...………….(3)Keterangan : r11 = Reliabilitas instrumen K = Banyaknya butir pertanyaan
2 = Jumlah ragam butir 21
= Jumlah ragam total Untuk mencari nilai ragam digunakan rumus berikut :
n n X X
2 2 2 ...…………...……….(4)Keterangan : n = Jumlah responden X = Nilai skor yang dipilih 3.3.4 Pengolahan dan Analisis Data
Penelitian ini dilakukan dengan menggunakan metode kuantitatif dan kualitatif serta pendekatan konsep – konsep manajemen pemasaran yang ada, yaitu dengan menggunakan model CDM, Model Persamaan Struktural yang dibantu dengan menggunakan software SmartPLS 2.0 dan Excel 2007.
Model dengan enam 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). Unuk mengetahui efektivitas iklan dengan menggunakan CDM digunakan analisis bentuk hubungan dan analisis keeratan hubungan. Pengaruh langsung suatu variabel independen terhadap variabel dependen pada penelitian sebelumnya di telusri dengan menggunakan analisis regresi linear sederhana. Analisis regresi 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 (Durianto, 2003). Model populasi yang digunakan adalah:
Yi = α + βXi + εi ...(5) Dimana : Yi = variabel dependen Xi = variabel independen α = intersep model β = koefisien regresi ε = error term
Pada persamaan tersebut akan dianalisis persamaan regresi sederhana antara variabel informasi yang dilihat di social media (F) dengan pengenalan merek (B), informasi yang dilihat di social media (F) dengan kepercayaan konsumen (C), informasi yang dilihat di social media (F) dengan sikap konsumen (A). Pada ketiga pesan tersebut, variabel informasi yang dilihat di social media (F) menjadi variabel independen dan variabel B, C, dan A menjadi variabel dependen. Persamaan regresi berikutnya adalah persamaan regresi antara variabel pengenalan merek (B) dengan kepercayaan konsumen (C), pengenalan merek (B) dengan sikap konsumen (A), dimana variabel B sebagai variabel independen dan variabel C dan A sebagai variabel dependen. Persamaan berikutnya yang akan dianalisis adalah persamaan regresi sederhana antara variabel niat beli (I) dengan kepercayaan konsumen (C), niat beli (I) dengan sikap konsumen (A), dan niat beli (I) dengan pembelian nyata (P). Pada persamaan ini, variabel niat bei (I)sebagai variabel dependen dan variabel C, A, dan P menjadi variabel independen.
Sebagaimana diketahui, sebenarnya path analysis sama dengan analisis regresi, namun hasil dari path analysis adalah koefisien regresi yang sudah distandarkan sehingga bisa langsung diketahui variabel mana diantara variabel – variabel yang dilibatkan yang kontribusinya paling besar (memberi kontribusi paling tinggi) kepada variabel terikat (Sitinjak, 2006).
2. Model Persamaan Struktural (Stuctural Equation Modeling)
Ditinjau dari efek kausal Model Persamaan Struktural dibedakan menjadi dua jenis model struktural, yaitu recursive model. Dalam recursive model semua efek kausal adalah satu arah (unidirectional) dan errors (kesalahan) tidak berkolerasi. Sedangkan dalam non recorsive model, dimungkinkan adanya feedback loop dengan errors yang berkolerasi. Pada umumnya variabel latent bebas dimasukkan dalm model tidak dapat secara sempurna menjelaskan variabel latent terikatnya, sehingga dalam model strukturalnya biasanya ditambahkan komponen kesalahan struktural. Model pengukuran menggambarkan hubungan variabel latent dengan variabel – variabel teramati atau variabel indikator. Variabel – variabel teramati dari suatu variabel latent tidak dapat merefleksikan variabel latentnya secara sempurna, dengan demikian penambahan kesalahan pengukuran dalam model sangat diperlukan agar model pengukuran menjadi lengkap(Sitinjak, 2006). Variabel – variabel dalam model CDM dianalisis hubungnnya dengan menggunakan model persamaan struktural (Structural Equation Modeling), sehingga dapat dilihat apakah ada pengaruh antara variabel indikator informasi pada social media (F) sampai dengan pembelian nyata (P). Jenis variabel dalam model persamaan struktural (Kusnaedi, 2008) dapat dilihat pada gambar 6 berikut:
Gambar 7. Jenis variabel dalam SEM (Sitinjak, 2006) Penerapan SEM mengikuti prosedur umum berikut (Sitinjak, 2006): 1. Spesifikasi model (Model Specification)
Spesifikasi model secara garis besar dijalankan dengan menspessifikasi model struktural. Spesifikasi model pengukuran model pengukuran meliputi aktivitas mendefinisikan variabel – variabel latent, mendefinisikan variabel – variabel teramati, dan mendefinisikan hubungan antara variabel latent dengan variabel – variabel teramati. Spesifikasi model struktural dilakukan dengan mendefinisikan hubungan kausal di antara variabel – variabel latent. Tahapan selanjutnya menetapkan gambaran path diagram model hybrid yang merupakan kombinasi model pengukuran dan struktural.
2. Identifikasi (Identification)
Tahapan identifikasi dimaksudkan untuk menjaga agar model yang dispesifikasikan bukan merupakan model under identified atau unidentified yaitu model dimana
Variabel dalam Model Persamaan Struktural
(SEM)
Model Struktural Model Pengukuran
Variabel Laten Eksogen Variabel Laten Ekdogen Variabel Manifes Ekdogen Variabel Manifes Eksogen
Diteliti Tidak Diteliti
Variabel Antara (intervening) Variabel Independen Variabel Dependen Diukur oleh Diukur oleh
jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui. Terdapat tiga kemungkinan identifikasi dalam persamaan simultan, yaitu under identified, just identified atau over identified.
3. Estimasi (Estimation)
Tahapan ini ditujukan untuk memperoleh estimasi dari setiap paarameter yang dispesifikasikan dalam model yang membentuk matrik ∑ (θ) sedemikian rupa sehingga parameter menjadi sedekat mungkin dengan nilai yang ada dalam matriks S (matrik kovarian sampel dari variabel teramati). Matriks kovarian sampel S digunakan untuk mewakili ∑ (matriks kovarian populasi) karena matriks kovarian populasi tidak diketahui.
4. Uji Kecocokan (Testing Fit)
Tahapan ini ditujukan untuk mengetahui derajat kecocokan atau Goodness of Fit (GOF) antara data dan model. Dalam format model – model persamaan struktural, yang dimaksud dengan kesesuaian model adalah kesesuaian antara mariks kovariansi data sampel dengan mariks kovariansi populasi yang diestimasi. Suatu model dikatakan fit, sesuai, atau cocok dengan data apabila matriks kovariansi data sampel tidak berbeda dengan matriks kovariansi populasi yang diestimasi. Ukuran derajat kecocokan yang dapat digunakan secara saling mendukung, sebagai patokan kesesuaian model dalam SEM, sebagai berikut (Sitinjak, 2006):
a. Absolute Fit Measure (Ukuran Kecocokan Absolut)
Menentukan derajat prediksi model keseluruhan (model struktural dan pengukuran) terhadap matrik korelasi dan kovarian.
b. Incremental Fit Measure (Ukuran Kecocokan Inkremental)
Membandingkan model yang diusulkan dengan model dasar yang sering disebut sebagai null model atau independence model.
c. Parsimonius Fit Measure (Ukuran Kecocokan Parsimoni)
Mengaitkan model dengan jumlah koefisien yang diestimasi yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan prinsip parsimoni atau kehematan berarti memperoleh degree of fit setinggi – tingginya atau setiap degree of freedom.
Tabel 2. Ukuran Goodness of Fit (GOF) dalam model – model persamaan struktural.
Ukuran Kecocokan Absolut
Ukuran Derajat Kecocokan Tingkat Kecocokan yang bisa Diterima Statistic Chi-square dan P-value Mengikuti uji statistik yang berkaitan dengan
persyaratan signifikan. Semakin kecil semakin baik. Non-Centrality Parameter (NCP) Dinyatakan dalam bentuk spesifikasi ulang dari
Chi-square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik Scaled NCP (SNCP) NCP yang dinyatakan dalam bentuk rata-rata
perbedaan setiap observasi dalam rangka perbandingan antar model. Semakin kecil semakin baik.
Goodness of Fit Index (GFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0,9 adalah good fit.
Root Mean Square Residual (RMSR)
Residual rata-rata antara matrik (korelasi atau kovarian) teramati dan hasil estimasi. RMRS/RMR
≤ 0,05 adalah good fit. Root Mean Square Error
Approximation (RMSEA)
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA ≤ 0,08 adalah good fit.
Expected Cross Validation Index (ECVI)
GOF yang diharapkan pada sampel yang lain dengan ukuran yang sama. Penilaian didasarkan atas perbandingan antar model. Semakin kecil semakin baik.
Ukuran Kecocokan Absolut
Ukuran Derajat Kecocokan Tingkat Kecocokan yang bisa Diterima Tucker-Lewis Index atau Non
Normed Fit Index (TLI atau NNFI)
Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. TLI ≥ 0,9 adalah good fit, sedang
0,8 ≤ TLI < 0,9 adalah marginal fit.
Normed Fit Index (NFI) Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. NFI ≥ 0,9 adalah good fit, sedang
Lanjutan Tabel 2.
Ukuran Kecocokan Absolut
Ukuran Derajat Kecocokan Tingkat Kecocokan yang bisa Diterima Adjusted Goodness of Fit Index
(AGFI)
Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. AGFI ≥ 0,9 adalah good fit,
sedang 0,8 ≤ AGFI <0,9 adalah marginal fit.
Incremental Fit Index (AFI) Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. IFI ≥ 0,9 adalah good fit, sedang 0,8 ≤ IFI < 0,9 adalah marginal fit.
Comparative Fit Index (CFI) Nilai berkisar antara 0-1, dengan nilai lebih tingi adalah lebih baik. CFI ≥ 0,9 adalah good fit, sedang
0,8 ≤ CFI <0,9 adalah marginal fit.
Parsimonius Goodness of Fit Index (PGFI)
Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan diantara model-model.
Normed Chi-Square Rasio antara Chi-square dibagi degree of freedom. Nilai yang disarankan: batas bawah = 1.0, batas atas = 2.0 atau 3.0 dan lebih longgar 5.0.
Parsimonius Normed of Fit Inddex (PNFI)
Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan untuk perbandingan antar model alternatif.
Akaike Information Criterion (AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antar model.
Consistent Akaike Information Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antar model.
Critical N (CN) Estimasi ukuran sampel yang mencukupi untuk menghasilkan suatu edequate model fit untuk Chi-Square test. CN > 200 mengindikasikan bahwa sebuah model cukup mewakili sampel data.