BAB V ANALISIS DAN PEMBAHASAN
D. Pengujian Model
Structural Equation Modeling (SEM) digunakan untuk menguji model dan hubungan-hubungan yang dikembangkan berdasarkan teori-teori yang dikemukakan pada bagian terdahulu. Langkah pengembangan model berbasis teori dan menyusun path diagram telah dilakukan pada bagian sebelumnya. Selanjutnya dilakukan langkah-langkah pemodelan SEM untuk mendapatkan hasil perhitungan yang digunakan untuk menguji tiga hipotesis yang telah dikemukakan pada bagian landasan teori. Teknik estimasi yang digunakan dalam penelitian ini adalah maximum likelihood estimation method, karena sampel yang digunakan
sebanyak 200 responden. Program yang digunakan untuk mengestimasi model adalah Amos versi 16.0.
Pada penelitian ini dilakukan komposit atau modifikasi karena nilai goodness of fit (GOF) tidak memenuhi persyaratan dan jumlah sampel yang dapat dikumpulkan lebih kecil dari estimated parameter. Dalam penelitian ini terdapat 103 estimated parameter. Ferdinand (2002:48) menyatakan bahwa jumlah responden antara 5 sampai dengan 10 kali jumlah parameter yang diestimasi, maka jumlah minimal responden pada penelitian ini adalah 103 dikalikan 5 yaitu 515 responden, sedangkan penelitian ini hanya memiliki 200 responden, oleh sebab itu hasil uji SEM tersebut harus dikomposit, sehingga mendapatkan hasil yang baik.
Sebelum dilakukan penghitungan pemodelan SEM, perlu diperhatikan asumsi-asumsi yang harus dipenuhi dalam pemodelan SEM sebagai berikut:
1. Ukuran Sampel
Estimated parameter pada lampiran 7 halaman 122 sebanyak 42 dikalikan 5 yaitu 210 responden, karena menurut Hair et al. (dalam Ferdinand, 2002: 48), jumlah sampel yang ideal untuk menguji suatu model dengan menggunakan SEM adalah antara 100 sampai dengan 200 sampel, maka sampel dalam penelitian ini sebanyak 200 responden.
2. Evaluasi atas Normalitas
Dalam penelitian ini untuk mengevaluasi normalitas dengan mengamati skewness value dari data yang digunakan dan ditampilkan pada lampiran 7 halaman 119 bagian assessment of normality. Menurut Ferdinand
(2002:95) bila skewness value lebih besar dari nilai kritis atau C.R ± 2,58 pada tingkat signifikansi 0.01 atau 1 %, maka data tidak normal. Pada penelitian ini skewness value 0,538 sampai -2,454 tidak melebihi C.R ± 2,58, ini membuktikan bahwa distribusi data ini normal.
3. Evaluasi atas Outliers
Evaluasi ini memakai uji mahalanobis distance dengan menggunakan Amos 16.0. uji terhadap outliers multivariate dilakukan dengan menggunakan kriteria jarak Mahalobis pada tingkat p>0,001 (Ferdinand, 2002:102). Berdasarkan nilai chi-square pada derajad 42 (estimated parameter) pada tingkat signifikansi 0,001 atau χ2 (42,0,001) = 76,084. Hasil perhitungan observations farthest from the centroid menunjukkan nilai mahalanobis d-squared terbesar adalah 42,253 yang tidak melebihi nilai 76,084 yang berarti bahwa tidak terdapat outliers multivariat dalam penelitian ini.
4. Multicollinearity dan Singularity
Dengan menggunakan AMOS 16.0 pada bagian lampiran 7 halaman 122 determinant of sample covariance matrix adalah sebesar 2,8488e+002 yang berarti jauh dari nol. Oleh karena itu dapat disimpulkan bahwa tidak terjadi multikolinearitas atau singularitas, sehingga data ini layak digunakan.
5. Goodness of Fit
Setelah asumsi-asumsi SEM dipenuhi maka penghitungan pemodelan SEM dapat dilakukan dan akan ditampilkan dalam tabel berikut:
Tabel V.7
Evaluasi Kriteria Goodness of Fit
Goodness of fit Cut of value Hasil Keterangan
Chi-square Diharapkan Kecil dari t tabel.
X² dengan df 94 adalah 117,632
112,309 Baik
Significance Probability ≥ 0,05 0,096 Baik RMSEA ≤ 0,08 0,031 Baik GFI ≥ 0,90 0,940 Baik AGFI ≥ 0,90 0,914 Baik CMIN/DF ≤ 2,00 1,195 Baik TLI ≥ 0,95 0,989 Baik CFI ≥ 0,95 0,991 Baik Sumber: Lampiran 7
Dari tabel di atas dapat dilihat bahwa model tersebut dapat diterima karena semua hasil perhitungan SEM memiliki nilai sesuai dengan cut of value yang telah ditentukan. Dengan demikian dapat disimpulkan bahwa model yang diperoleh sudah layak (fit) sebagai model estimasi.
Hasil perhitungan Structural Equation Modeling (SEM) pada tabel di atas, didapat dari gambar yang ditampilkan berikut ini:
6. Regression Weight
Setelah kriteria goodness of fit dapat dipenuhi atas model struktural yang diestimasi, maka selanjutnya dapat dianalisis hubungan kausalitas dalam model tersebut. Hubungan kausalitas dapat dikatakan signifikan apabila nilai parameter estimasi ketiga konstruk memilki C.R. lebih besar atau sama dengan ± 1,96 dengan taraf signifikansi 0,05 (5%) atau nilai C.R. lebih besar atau sama dengan ± 2,58 untuk taraf signifikansi sebesar 0,01 (1%) (Ghozali, 2008:160).
Tabel V.8
Regression Weight
Regression Weight Estimate C.R. Hubungan Keterangan Niat < --- Sikap 0,643 3,934 Kuat Signifikan Niat < --- Norma Subyektif 0,247 5,138 Kuat Signifikan Perilaku < --- Niat 0,838 5,129 Kuat Signifikan
Sumber: Lampiran 7 halaman 123
Tabel regression weight pada kolom C.R di atas dapat dipakai sebagai dasar untuk pengujian hipotesis dalam penelitian ini.
a. Pengujian hipotesis pertama
H1 : Sikap berpengaruh terhadap niat
Parameter estimasi sikap terhadap niat pada tabel V.8 menunjukkan hubungan yang kuat dan signifikan pada level 1%, dengan nilai C.R. = 3,934 lebih besar dari ± 2,58. Hal ini berarti bahwa hipotesis 1 terbukti, yaitu sikap berpengaruh terhadap niat. Menurut Schiffman dan Kanuk (dalam Erna, 2004:94) dapat dikatakan bahwa sikap merupakan respon yang konsisten baik itu respon positif maupun negatif terhadap suatu objek sebagai hasil dari proses belajar, maka
apabila respon konsumen positif terhadap suatu obyek hal ini tentunya akan membentuk niat konsumen. Sikap terdiri dari dua komponen yaitu kognitif dan afektif. Dimensi kognitif dalam penelitian ini terdiri dari: keterandalan, perhatian, jaminan dan kesigapan, hal ini berarti bahwa dalam industri transportasi di Kota Yogyakarta, aspek kognitif konsumen atas jasa transportasi akan mempengaruhi konsumen, artinya pengetahuan tentang produk yang tidak kelihatan dalam mempengaruhi konsumen bus Trans Jogja di Kota Yogyakarta dijelaskan oleh keterandalan, perhatian, jaminan dan kesigapan. Sedangkan dimensi afektif dalam penelitian ini terdiri dari: fasilitas fisik, perlengkapan dan suasana, hal ini berarti bahwa dalam industri transportasi di Kota Yogyakarta, pelibatan perasaan terhadap jasa dalam mempengaruhi sikap konsumen bus Trans Jogja di Kota Yogyakarta dijelaskan oleh fasilitas fisik, perlengkapan dan suasana. Sikap berpengaruh signifikan terhadap niat, hipotesis ini terbukti berdasarkan Theory of Reasoned Action menurut Fishbein (dalam Swastha, 1992:40).
b. Pegujian hipotesis kedua
H2 : Norma Subyektif berpengaruh terhadap niat
Parameter estimasi norma subyektif terhadap niat pada tabel V.8 menunjukkan hubungan yang kuat dan signifikan pada level 1%, dengan nilai C.R. = 5,138 lebih besar dari ± 2,58. Hal ini berarti bahwa hipotesis 2 terbukti, yaitu norma subyektif berpengaruh terhadap niat. Menurut Murray (dalam Santi dan Adirinekso, 2006:57)
menyatakan bahwa dalam memutuskan pembelian jasa konsumen cenderung untuk mengandalkan informasi dari mulut ke mulut untuk mengurangi risiko dan ketidakpastian yang sering menyertai keputusan pembelian, yang nantinya akan membentuk niat dalam diri konsumen. Hal ini menunjukkan bahwa hipotesis ini terbukti berdasarkan Theory of Reasoned Action menurut Fishbein (dalam Dharmmesta, 1992:40).
c. Pegujian hipotesis ketiga
H3 : Niat berpengaruh terhadap perilaku
Parameter estimasi niat terhadap perilaku pada tabel V.8 menunjukkan hubungan yang kuat dan signifikan pada level 1%, dengan nilai C.R. = 5,129 lebih besar dari ± 2,58. Niat adalah kondisi dimana konsumen mempunyai perhatian membeliterhadap merek produk yang akan dibeli, sehingga apabila konsumen berada pada kondisi ini maka konsumen akan cenderung untuk melakukan perilaku. Hal ini berarti bahwa hipotesis 3 terbukti, yaitu niat berpengaruh terhadap perilaku. Hal ini menunjukkan bahwa hipotesis ini terbukti berdasarkan Theory of Reasoned Action menurut Fishbein (dalam Dharmmesta, 1992:40).
7. Standardized Regression Weights
Setelah pengujian hipotesis selanjutnya dapat dilakukan analisis untuk mengetahui seberapa kuat dimensi-dimensi tersebut membentuk variabel latennya. Data selengkapnya dapat dilihat pada tabel di bawah ini:
Tabel V.9
Standardized Regression Weights
Regression Weight Estimate Kognitif < --- Sikap 0,976 Afektif < --- Sikap 0,797 Afektif_1 < --- Afektif 0,839 Afektif_2 < --- Afektif 0,828 Afektif_3 < --- Afektif 0,847 Kognitif_1< --- Kognitif 0,947 Kognitif_2< --- Kognitif 0,881 Kognitif_3< --- Kognitif 0,963 Kognitif_4< ---Kognitif 0,684 NS_1 < ---NS 0,841 NS_2< ---NS 0,975 Perilaku_1< ---Perilaku 0,815 Perilaku_2< ---Perilaku 0,726 Perilaku_3< ---Perilaku 0,516 Niat_1< ---Niat 0,648 Niat_2< ---Niat 0,756 Niat_3< ---Niat 0,695 Niat_4< ---Niat 0,773 Sumber : Lampiran 7
Tabel di atas menunjukkan bahwa variabel kognitif dan variabel afekif sama layaknya dijadikan sebagai pengukur variabel sikap karena nilai regression weights yang dihasilkan memiliki nilai yang berdekatan. Apabila ditinjau lagi, variabel terukur kognitif_1 (keterandalan), kognitif_2 (perhatian) dan kognitif_3 (jaminan) sama layaknya dijadikan sebagai pengukur variabel kognitif karena nilai regression weights yang dihasilkan memiliki nilai yang berdekatan. Variabel terukur yang memiliki nilai relatif kecil yaitu kognitif_4 atau kesigapan dengan nilai sebesar 0,684. Variabel terukur NS_1 (keluarga) dan NS_2 (teman) sama layaknya dijadikan sebagai pengukur variabel norma subyektif karena nilai regression weights yang dihasilkan nilainya yang tidak terlalu jauh. NS_2 (keluarga) memiliki nilai yang relatif kecil yaitu 0,841. Variabel terukur
niat_1, niat_2, niat_3 dan niat_4 sama layaknya dijadikan sebagai pengukur variabel sikap karena nilai regression weights yang dihasilkan memiliki rentang nilai yang berdekatan antara 0,648-0,773. Variabel terukur perilaku_3 memiliki nilai yang relatif kecil yaitu sebesar 0,516.
E. Variabel Terukur (Measured Variable)