METODE PENELITIAN
D. Pengujian Statistik
1. Uji Kualitas Instrumen Penelitian
Penelitian dalam uji kualitas instrumen ini menggunakan dua tahap, yang meliputi: 1) pengujian tryout (pretest) dengan menggunakan sampel kecil yaitu 30 orang responden, dimana dalam pengujian tahap ini (dianalisis) menggunakan bantuan program SPSS versi 15; dan 2) pengujian sampel besar (sampel penelitian), dimana pengujian dalam tahap penelitian langsung menggunakan bantuan Amos versi 16 dengan analisis first order confirmatory factor analysis (First Order CFA).
Adapun penjelasan dan kriteria dari kedua pengujian adalah sebagai berikut:
a. Pretest (sampel kecil)
1) Uji Validitas Konstruk (CFA)
Uji validitas bertujuan mengetahui ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya (Sekaran, 2006). Dalam penelitian ini akan digunakan uji validitas dengan Confirmatory Factor Analysis dengan bantuan software SPSS for windows versi 15, di mana setiap item pertanyaan harus mempunyai factor loading > 0,50.
2) Uji Reliabilitas (Cronbach Alpha)
Uji Reliabilitas dimaksudkan untuk mengetahui tingkat konsistensi terhadap instrumen-instrumen yang mengukur konsep.
Reliabilitas merupakan syarat untuk tercapainya validitas suatu kuesioner dengan tujuan tertentu. Untuk menguji reliabilitas digunakan Cronbach Alpha dengan bantuan SPSS for windows 15.
Menurut Sekaran (2006) nilai Cronbach Alpha dapat dikatakan reliabel apabila nilainya > 0,60. Selanjutnya, tingkatan reliabilitas dibagi menjadi tiga kriteria sebagai berikut: jika alpha atau rhitung
(1) 0,8-1,0 = Reliabilitas baik, (2) 0,60-0,79= Reliabilitas diterima, (3) Kurang dari 0,60= Reliabilitas kurang baik. Dengan demikian, prosedur ini memberikan jaminan bahwa datanya memiliki kriteria kelayakan untuk dianalisis dengan metode statistik yang lain.
b. Sampel Besar
1) Confirmatory Factor Analysis (CFA)
Pengujian tahap ini (sampel besar) dilakukan untuk menguji validitas dan reliabilitas secara keseluruhan dari jumlah sampel yang dipakai (digunakan) untuk penelitian, juga menguji normalitas data, outlier, serta pengukuran goodness of fit.
1) Uji Validitas Konvergen
Uji Validitas dilakukan untuk mengukur apakah instumen penelitian benar-benar mampu mengukur konstruk yang digunakan. Pengujian validitas dalam penelitian menggunakan convergent validity atau validitas konvergen.
Validitas konvergen dapat dinilai dari measurement model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasikan secara valid mengukur dimensi dari konsep yang diujinya. Sebuah indikator dimensi menunjukkan validitas konvergen yang signifikan apabila koefisien variabel indikator itu lebih besar dari dua kali standar errornya (Anderson & Gerbing dalam Ferdinand, 2005:187). Bila setiap indikator memiliki critical ratio (C.R) yang lebih besar dari dua kali standar errornya (S.E), hal ini menunjukkan bahwa indikator itu secara valid mengukur apa yang seharusnya diukur dalam model yang disajikan.
commit to user 2) Uji Reliabilitas Konstruk
Reliabilitas konstruk dinilai dengan menghitung indeks reliabilitas instrumen yang digunakan (composite reliability) dari model SEM yang dianalisis. Nilai batas yang digunakan untuk menilai sebuah tingkat reliabilitas yang dapat diterima adalah 0,70, walaupun angka itu bukanlah sebuah ukuran yang
“mati”. Artinya, bila penelitian yang dilakukan bersifat eksploratori, maka nilai dibawah 0,70 pun masih dapat diterima sepanjang disertai dengan alasan-alasan empirik yang terlihat dalam proses eksplorasi. Nunally dan Bernstein, (1994) dalam Ferdinand, (2005:193) memberikan pedoman yang baik untuk menginterpretasikan indeks reliabilitas. Mereka menyatakan bahwa dalam penelitian eksploratori, reliabilitas yang sedang antara 0,5-0,6 sudah cukup untuk menjustifikasi sebuah hasil penelitian. Adapun rumus reliabilitas konstruk sebagai berikut:
Construct Reliability
( )
(
S)
+Sej= S
2 2
Loading Std.
Loading
Std.
Di mana:
Std. Loading = diperoleh langsung dari standarrized loading untuk tiap-tiap indikator (perhitungan komputer AMOS).
εj = adalah measurement error dari tiap-tiap indikator.
2. Analisis Structural Equation Model (SEM)
Analisis stuctural equation model bertujuan untuk mengestimasi beberapa persamaan regresi terpisah akan tetapi masing-masing mempunyai hubungan simultan atau bersaman. Dalam analisis ini dimungkinkan terdapat beberapa variabel dependen, dan variabel ini dimungkinkan menjadi variabel independen bagi variabel dependen 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 16. Adapun rumus persamaan struktural dalam penelitian ini adalah sebagai berikut:
η1 = γ1ξ1 + ζ1 ... (1) η2 = γ2ξ1 + β1η1 + ζ2 ... (2)
Keterangan:
ξ1 = Atmosphere (ambience, interaction, design) sebagai variabel eksogen (bebas);
η1 = Joy (Kesenangan) sebagai variabel laten endogen/ terikat pertama (mediasi);
η2 = Loyalty (Loyalitas) sebagai variabel laten endogen (terikat) kedua;
γ = hubungan langsung variabel eksogen dengan endogen
commit to user
β1 = hubungan langsung variabel endogen dengan endogen ζ1,2 = measurement error (residual) endogen
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 (Ghozali, 2005).
a. Evaluasi Asumsi SEM
1) Ukuran Sampel. Disarankan lebih dari 100 atau minimal 5 kali jumlah observasi. Namun apabila jumlah sampel yang terlalu banyak dan tidak memungkinkan untuk dilakukan penarikan sampel seluruhnya, maka penelitian akan menggunakan rekomendasi untuk menggunakan maksimun likelihood yaitu penarikan sampel antara 100-200 sampel (Ferdinand, 2005).
2) Normalitas. Uji normalitas bertujuan untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal.
Normalitas univariate dilihat dengan nilai critical ratio (cr) pada skewness dan kurtosis dengan nilai batas di bawah + 2,58.
bawah kanan, dan mempunyai nilai batas + 2,58. Apabila data terdistribusi normal baik secara univariate (individu) dan multivariate secara bersama-sama maka pengujian data outlier tidak perlu dilakukan (Santoso, 2007:81).
3) Outliers. Data outliers adalah observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakteristik unik yang sangat berbeda dari observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair, 2006).
Nilai kritis sebenarnya adalah nilai chi-square pada degree of freedom sebesar jumlah sampel pada taraf signifikansi sebesar 0,001. Asumsi terpenuhi jika tidak terdapat observasi yang mempunyai nilai Z-score di atas + 3 atau 4. Sebuah data termasuk outlier jika mempunyai nilai p1 dan p2 yang kurang dari 0,05 pada pengujian outlier mahalanobis distance (Santoso, 2007:75).
4) Multikolinearitas dan Singularity. Multikolinearitas dilihat pada determinant matriks kovarians. Nilai yang terlalu kecil menandakan adanya multikolinearitas atau singularitas. Dalam program komputer SEM telah menyediakan fasilitas “warning” setiap kali terdapat indikasi multikolinieritas atau singularitas.
b. Evaluasi Atas Kriteria Goodness of Fit
1) Chi-square (χ2). Merupakan ukuran fundamental dari overall fit.
Nilai chi square yang tinggi terhadap degree of freedom menunjukkan bahwa korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas
lebih kecil dari tingkat signifikansi. Sebaliknya, nilai chi square yang rendah terhadap degree of freedom menunjukkan bahwa korelasi yang diobservasi dengan yang diprediksi tidak berbeda secara signifikan. Oleh sebab itu maka nilai yang diharapkan adalah kecil, atau lebih kecil dari pada chi square tabel. Dalam model maximum likelihood atau jumlah sampel dibawah 200 pengujian goodness of fit (kesesuaian) dapat dilakukan hanya dengan melakukan pengujian chi square statistic saja dengan ketentuan apabila nilai chi square kecil atau nilai probabilitas > 0,05 maka model sudah dapat dikatakan fit. Hal tersebut berdasarkan pendapat Hair et al., 1995; Tabachnick dan Fidell, 1996 (dalam Ferdinand, 2005:55) yang menyatakan bahwa Chi-square bersifat sensitif terhadap besarnya sampel yang digunakan, karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik chi square ini harus didampingi oleh alat uji lainnya.
Karena 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 freedomnya untuk mendapatkan nilai c2-relatif, dan digunakan untuk membuat kesimpulan bahwa nilai c 2-relatif yang tinggi menandakan adanya perbedaan yang signifikan
pengujian ini nilai c2 yang rendah yang menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 akan mengindikasikan tak adanya perbedaan yang signifikan antara matriks kovarians data dan matriks kovarians yang diestimasi (the actual and predicted input matrices are not statistically different, Hair et. al., 1995).
Seperti dikemukakan di atas, chi square bersifat sangat sensitive terhadap besarnya sampel yaitu terhadap sampel yarg terlalu 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. Bila ukuran sampel ada diluar rentang itu, uji signifikansi akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lainnya.
2) Probabilitas (p-value). Diharapkan nilai probabilitas lebih dari 0,05 (5%).
3) RMSEA - The Root Mean Square Error of Approximation.
RMSEA adalah indeks yang digunakan untuk mengukur fit model menggantikan chi square statistik dalam jumlah sampel yang besar.
Nilai RMSEA ≤ 0,08 mengindikasikan nilai yang baik untuk menerima kesesuaian sebuah model.
4) GFI - Goodness of Fit Index. Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya. Nilai yang mendekati 1 mengisyratkakan model yang diuji memiliki kesesuaian yang baik.
5) AGFI – Adjusted Goodness-of-Fit Index. Indeks ini merupakan pengembangan dari GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model kontruk tunggal dengan semua indkator pengukuran konstruk). Nilai yang direkomendasikan adalah AGFI
≥ 0,9. semakin besar nilai AGFI maka semakin baik kesesuaian yang dimiliki model. Indeks ini diperoleh dengan rumus sebagai berikut: AGFI =1 – (1-GFI)
d db
Dimana:
db =
å
= G
g
p
1
= jumlah-sampel-moments d = degrees-of-freedom
Perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0.95 dapat diinterpretasikan sebagai tingkatan yang baik good overall model fit (baik) sedangkan besaran nilai antara 0.90-0.95 menunjukkan tingkatan cukup-adequate fit (Hulland et. al., 1996).
6) CMIN/DF. Merupakan ukuran yang diperoleh dari chi sqare dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonious yang mengukur hubungan goodness of fit model dan jumlah-jumlah koefisien estimasi yang diharapakan untuk mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima
kesesuaian model adalah CMIN/DF < 2,0/3,0 (Arbuckle, 1997, dalam Ferdinad, 2005).
7) Tucker Lewis Index (TLI). TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,95.
8) Comparative Fit Index (CFI). Nilai yang diharapkan adalah sama atau lebih besar dari 0,95.
Berikut syarat pengujian kelayakan sebuah model (goodness of fit) yang dirangkum dalam tabel III.1.
Tabel III.1
Goodness-Of-Fit Indicies
Goodness-of-fit Indicies Cut-off Value x2 - Chi Square
Probabilitas CMIN/df GFI AGFI TLI CFI RMSEA
Diharapkan kecil
> 0,05
< 2,00 atau 3,00
> 0,90
≥ 0,90
≥ 0,95
≥ 0,95
≤ 0,08 Sumber: Ferdinand, 2005
BAB IV