Berdasarkan pada hasil uji validitas pada Tabel 4.15, variabel teramati SENSE4 tidak memenuhi salah satu syarat yang harus dipenuhi agar suatu variabel teramati bisa dikatakan memiliki validitas yang baik, maka SENSE4 harus dikeluarkan dari model di penelitian ini. Dengan dikeluarkannya indikator tersebut, maka model di penelitian ini menjadi seperti apa yang ditampilkan pada Gambar 4.17. Pada gambar tersebut dapat diamati bahwa variabel laten experiential marketing yang pada respesifikasi model (B) memiliki 11 buah variabel teramati, kini variabel teramatinya menjadi 10 buah, karena dikeluarkannya SENSE4 dari model penelitian.
Gambar 4.17 Respesifikasi Model (C) Sumber: Peneliti (2010)
Dengan adanya model penelitian yang baru seperti yang tampak di Gambar 4.17, maka nilai uji kecocokan keseluruhan juga memiliki kemungkinan untuk berubah, baik pada sebagian atau seluruh ukuran penilaian yang tersedia. Pada Tabel 4.16 ditampilkan hasil uji kecocokan keseluruhan untuk model penelitian pada Gambar 4.17. Pada tabel tersebut dapat diamati bahwa hasil keputusan mengenai uji kecocokan keseluruhan hasil respesifikasi model (C) adalah sama dengan hasil keputusan uji kecocokan keseluruhan pada respesifikasi model (B). Walaupun dari segi keputusan terdapat hasil yang sama, yaitu terdapat 5 ukuran GOF yang menunjukkan kecocokan yang tidak fit dan 13 ukuran GOF menunjukkan kecocokan yang fit, namun dari segi angka hasil pengolahan terdapat beberapa perbedaan, yaitu tampak pada ukuran derajat kecocokan Root Mean Square Residual (RMR), Root Mean Square Error of Approximation (RMSEA), Expected Cross Validation Index (ECVI), Normed Chi-Square, Akaike Information Criterion (AIC), Consistent Akaike Information Criterion (CAIC), dan Critical N (CN), hanya saja angka hasil pengolahan tersebut masih terdapat pada daerah keputusan yang sama sehingga hasil keputusannya pun sama.
Tabel 4.16 Uji Kecocokan Keseluruhan 4 (A) Ukuran
Derajat Kecocokan
Tingkat Kecocokan Yang Bisa Diterima Pada Suatu Model
Keputusan
Statistic Chi-square
⎜⎝⎛χ
2⎟⎠⎞
Dasar Pengambilan Keputusan P > 0.05 Æ model fit
Tidak Fit
Hasil Pengolahan
Ukuran Derajat Kecocokan
Tingkat Kecocokan Yang Bisa Diterima Pada Suatu Model
Keputusan
Goodness of Fit Index (GFI)
Dasar Pengambilan Keputusan GFI = 1 Æ perfect fit
0,90 < GFI < 1 Æ good fit 0.80 < GFI < 0.90 Æ marginal fit 0 Æ poor fit
Tidak Fit
Hasil Pengolahan
Goodness of Fit Index (GFI) = 0.79 Root Mean
Square
Residual (RMR)
Dasar Pengambilan Keputusan Standardized RMR < 0.05 Æ good fit
Tidak Fit Hasil Pengolahan Standardized RMR = 0.073 Root Mean Square Error of Approximation (RMSEA)
Dasar Pengambilan Keputusan RMSEA < 0.05 Æ close fit 0.05 < RMSEA < 0.08 Æ good fit 0.08 < RMSEA < 0.10 Æ marginal fit RMSEA > 0.10 Æ poor fit
Good fit
Hasil Pengolahan
Root Mean Square Error of Approximation (RMSEA) = 0.071 Expected Cross
Validation Index (ECVI)
Dasar Pengambilan Keputusan
ECVI < ECVI for Saturated Model Æ model fit
Fit
Hasil Pengolahan
Expected Cross-Validation Index (ECVI) = 3.52 ECVI for Saturated Model = 3.53
Dasar Pengambilan Keputusan
ECVI < ECVI for Independence Model Æ model fit
Fit
Hasil Pengolahan
Expected Cross-Validation Index (ECVI) = 3.52 ECVI for Independence Model = 41.46
Ukuran Derajat Kecocokan
Tingkat Kecocokan Yang Bisa Diterima Pada Suatu Model
Keputusan
Adjusted Goodness of Fit Index (AGFI)
Dasar Pengambilan Keputusan AGFI = 1 Æ perfect fit
0,90 < AGFI < 1 Æ good fit 0.80 < AGFI < 0.90 Æ marginal fit (nilai AGFI berkisar antara 0 sampai 1)
Tidak Fit
Hasil Pengolahan
Adjusted Goodness of Fit Index (AGFI) = 0.75 Tucker-Lewis
Index atau Non-Normed Fit Index (TLI atau NNFI)
Dasar Pengambilan Keputusan TLI > 0.90 Æ good fit.
0.80 < TLI < 0.90 Æ marginal fit
(nilai TLI/NNFI berkisar antara 0 sampai 1)
Good fit
Hasil Pengolahan
Non-Normed Fit Index (NNFI) = 0.96 Normed Fit
Index (NFI)
Dasar Pengambilan Keputusan NFI > 0.90 Æ good fit
0.80 < NFI < 0.90 Æ marginal fit (nilai NFI berkisar antara 0 sampai 1)
Good fit
Hasil Pengolahan
Normed Fit Index (NFI) = 0.93 Relative Fit
Index (RFI)
Dasar Pengambilan Keputusan RFI > 0.90 Æ good fit
0.80 < RFI < 0.90 Æ marginal fit (nilai RFI berkisar antara 0 sampai 1)
Good fit
Hasil Pengolahan
Relative Fit Index (RFI) = 0.92 (Lanjutan Tabel 4.16)
Ukuran Derajat Kecocokan
Tingkat Kecocokan Yang Bisa Diterima Pada Suatu Model
Keputusan
Incremental Fit Index (IFI)
Dasar Pengambilan Keputusan IFI > 0.90 Æ good fit
0.80 < IFI < 0.90 Æ marginal fit (nilai IFI berkisar antara 0 sampai 1)
Good fit
Hasil Pengolahan
Incremental Fit Index (IFI) = 0.96 Comparative Fit
Index (CFI)
Dasar Pengambilan Keputusan CFI > 0.90 Æ good fit
0.80 < CFI < 0.90 Æ marginal fit (nilai CFI berkisar antara 0 sampai 1)
Good fit
Hasil Pengolahan
Comparative Fit Index (CFI) = 0.96 Normed
Chi-Square
Dasar Pengambilan Keputusan 1.0 < (X2/df) < 5.0 Æmodel fit Fit Hasil Pengolahan 585.00/293 = 1.997 Akaike Information Criterion (AIC)
Dasar Pengambilan Keputusan AIC < Saturated AIC Æ model fit
Fit
Hasil Pengolahan Model AIC = 701.00 Saturated AIC = 702.00 Dasar Pengambilan Keputusan AIC < Independence AIC Æ model fit
Fit
Hasil Pengolahan Model AIC = 701.00
Independence AIC = 8250.19 (Lanjutan Tabel 4.16)
Ukuran Derajat Kecocokan
Tingkat Kecocokan Yang Bisa Diterima Pada Suatu Model Keputusan Consistent Akaike Information Criterion (CAIC)
Dasar Pengambilan Keputusan CAIC < Saturated CAIC Æ model fit
Fit
Hasil Pengolahan Model CAIC = 950.31 Saturated CAIC = 2210.71 Dasar Pengambilan Keputusan
CAIC < Independence CAIC Æ model fit
Fit
Hasil Pengolahan Model CAIC = 950.31
Independence CAIC = 8361.95 Critical N (CN) Dasar Pengambilan Keputusan
CN > 200 Æ model fit
Tidak Fit
Hasil Pengolahan Critical N (CN) = 120.82 Sumber: Peneliti (2010)
Seperti yang telah dijelaskan pada respesifikasi model sebelumnya bahwa uji kecocokan model keseluruhan, seperti yang terdapat pada Tabel 4.16 belum selesai. Uji kecocokan model keseluruhan yang harus dilakukan selanjutnya adalah perbandingan antarmodel, di mana pada Tabel 4.16 tersebut baru memperhitungkan tingkat kecocokan yang bisa diterima pada suatu model. Untuk itu, langkah selanjutnya adalah melakukan uji kecocokan keseluruhan untuk perbandingan antarmodel yang dijelaskan pada Tabel 4.17. (Lanjutan Tabel 4.16)
Tabel 4.17 Uji Kecocokan Keseluruhan 4 (B) Ukuran Derajat Kecocokan Dasar Pengambilan Keputusan Respesifikasi Model (B) Respesifikasi Model (C) Keputusan Statistic Chi-square
⎟
⎠
⎞
⎜
⎝
⎛χ
2 Nilaiχ
2 semakin kecil semakin baik613.66 585.00 Lebih baik Non-Centrality Parameter (NCP) Semakin kecil semakin baik 295.66 292.00 Lebih baik
Scaled NCP (SNCP) Semakin kecil semakin baik
1.4783 1.46 Lebih baik
Goodness of Fit Index (GFI)
Nilai lebih tinggi adalah lebih baik
0.79 0.79 Tidak mengalami perubahan Expected Cross Validation Index (ECVI) Semakin kecil semakin baik 3.69 3.52 Lebih baik Adjusted Goodness of Fit Index (AGFI)
Nilai lebih tinggi adalah lebih baik
0.75 0.75 Tidak mengalami
perubahan Tucker-Lewis Index
atau Non-Normed Fit Index (TLI atau NNFI)
Nilai lebih tinggi adalah lebih baik
0.96 0.96 Tidak mengalami
perubahan
Normed Fit Index (NFI)
Nilai lebih tinggi adalah lebih baik
0.93 0.93 Tidak mengalami
perubahan Relative Fit Index
(RFI)
Nilai lebih tinggi adalah lebih baik
0.92 0.92 Tidak mengalami
perubahan Incremental Fit
Index (IFI)
Nilai lebih tinggi adalah lebih baik
0.96 0.96 Tidak mengalami
perubahan Comparative Fit
Index (CFI)
Nilai lebih tinggi adalah lebih baik
0.96 0.96 Tidak mengalami
perubahan Parsimonious
Normed Fit Index (PNFI)
Nilai PNFI tinggi adalah lebih baik
0.84 0.84 Tidak mengalami
Ukuran Derajat Kecocokan Dasar Pengambilan Keputusan Respesifikasi Model (B) Respesifikasi Model (C) Keputusan Parsimonious Goodness of Fit (PGFI)
Nilai PGFI yang lebih tinggi adalah lebih baik (Nilai PGFI berkisar antara 0 dengan 1) 0.67 0.66 Lebih Buruk Akaike Information Criterion (AIC)
Nilai AIC positif lebih kecil adalah lebih baik
733.66 701.00 Lebih baik
Consistent Akaike Information Criterion (CAIC)
Nilai positif yang lebih kecil adalah lebih baik
991.56 950.31 Lebih baik
Sumber: Peneliti (2010)
Untuk hasil Scaled NCP (SNCP), tidak diperoleh dari output LISREL, melainkan dari perhitungan berikut ini.
• Scaled NCP (SNCP) = NCP/n, di mana n = jumlah sample • Scaled NCP (SNCP) respesifikasi model (C) = 292.00/200 = 1.46
Dengan membandingkan antara hasil respesifikasi model (B) dengan hasil respesifikasi model (C) pada Tabel 4.17, maka terdapat 6 ukuran derajat kecocokan yang memberikan keputusan bahwa hasil respesifikasi model (C) dari segi ukuran derajat kecocokan menunjukkan hasil yang lebih baik (lebih fit) dibandingkan model sebelumnya. Namun terdapat 1 ukuran derajat kecocokan yang menunjukkan bahwa hasil respesifikasi model (C) lebih buruk dibanding hasil respesifikasi model (B). Karena sebagian besar hasil uji kecocokan keseluruhan dari hasil respesifikasi model (C) adalah baik (fit) dan hasil (Lanjutan Tabel 4.17)
respesifikasi model (C) ini juga secara garis besar lebih baik dibandingkan hasil respesifikasi model (B), maka kecocokan keseluruhan model adalah baik dan peneliti dapat melanjutkan ke tahap selanjutnya, yaitu uji kecocokan model pengukuran.
Untuk uji kecocokan model pengukuran, peneliti terlebih dahulu akan menguji apakah seluruh variabel teramati telah baik dari segi validitas. Pada Tabel 4.18 ditampilkan hasil uji validitas untuk model penelitian hasil respesifikasi model (C). Dasar pengambilan keputusan untuk pengujian validitas pada tahap ini, yaitu suatu variabel dikatakan mempunyai validitas yang baik dengan berdasarkan pada dua kriteria, yaitu jika:
(1) Nilai t muatan faktor > 1,96 (2) Muatan faktor standar > 0.50
Tabel 4.18 Uji Validitas (4) Var. Laten Var. Teramati Experiential Marketing (expmark) Celebrity endorsement (celeb) Brand Trust (trust) Brand Loyalty (loyalty) Kesimpulan Validitas
SFL Nilai t SFL Nilai t SFL Nilai t SFL Nilai t
SENSE2 0.61 10.45 - - - - - - Baik SENSE3 0.69 11.35 - - - - - - Baik FEEL1 0.55 8.73 - - - - - - Baik FEEL2 0.68 11.95 - - - - - - Baik THINK1 0.75 13.38 - - - - - - Baik THINK2 0.63 10.22 - - - - - - Baik ACT1 0.52 8.68 - - - - - - Baik ACT2 0.67 11.56 - - - - - - Baik ACT3 0.50 8.15 - - - - - - Baik RELATE1 0.52 7.43 - - - - - - Baik CREDI1 - - 0.74 12.98 - - - - Baik CREDI2 - - 0.65 9.00 - - - - Baik ATTRAC1 - - 0.69 12.23 - - - - Baik
Var. Laten Var. Teramati Experiential Marketing (expmark) Celebrity endorsement (celeb) Brand Trust (trust) Brand Loyalty (loyalty) Kesimpulan Validitas
SFL Nilai t SFL Nilai t SFL Nilai t SFL Nilai t
ATTRAC2 - - 0.83 14.06 - - - - Baik ATTRAC3 - - 0.70 9.27 - - - - Baik RELI1 - - - - 0.80 * - - Baik RELI2 - - - - 0.79 13.87 - - Baik RELI3 - - - - 0.84 14.10 - - Baik RELI4 - - - - 0.86 16.74 - - Baik INTENS1 - - - - 0.68 11.00 - - Baik INTENS2 - - - - 0.67 9.97 - - Baik INTENS3 - - - - 0.65 10.15 - - Baik INTENS4 - - - - 0.67 9.22 - - Baik BEHAV1 - - - - - - 0.80 * Baik ATTITU1 - - - - - - 0.78 11.07 Baik ATTITU2 - - - - - - 0.58 7.74 Baik
Pada Tabel 4.18 terdapat tanda (*), di mana maksud dari tanda tersebut adalah ditetapkan secara default oleh LISREL, yaitu nilai t tidak diestimasi. Dapat diamati bahwa seluruh variabel teramati memiliki nilai t muatan faktor lebih besar dari 1,96 sehingga memenuhi satu kriteria untuk dinyatakan memiliki validitas yang baik. Sama halnya dengan uji nilai t, untuk uji muatan faktor standar atau standardized factor loadings (SFL) seluruh variabel teramati juga memiliki nilai SFL lebih besar dari 0.5. Dapat diamati bahwa tidak ada satupun variabel teramati yang tidak memenuhi syarat-syarat agar suatu variabel teramati memiliki validitas yang baik. Sehingga di dalam model penelitian ini, seluruh variabel teramati telah memiliki validitas yang baik. Karena seluruh variabel teramati telah memiliki validitas Sumber: Peneliti (2010)
yang baik, maka langkah selanjutnya yang harus dilakukan di dalam uji kecocokan model pengukuran adalah uji reliabilitas.
Uji reliabilitas dilakukan dengan menilai construct reliability dan variance extracted, di mana LISREL tidak secara otomatis mengeluarkan nilai construct reliability dan variance extracted, untuk itu keduanya harus dihitung secara manual. Nilai construct reliability dan variance extracted dari masing-masing variabel laten telah dihitung pada Tabel 4.19, Tabel 4.20, Tabel 4.21, dan Tabel 4.22.
Tabel 4.19 CR dan VE Experiential Marketing (1) Keterangan Var. Teramati SFL (std.loading) THETA-DELTA SFL2 (std.loading2)
Construct Reliability (CR) dan Variance extracted (VE)
SENSE2 0.61 0.63 0.3721 CR = (6.122)/[(6.122)+6.18] CR = 0.86 VE = 3.8122/(3.8122+6.18) VE = 0.38 SENSE3 0.69 0.52 0.4761 FEEL1 0.55 0.70 0.3025 FEEL2 0.68 0.53 0.4624 THINK1 0.75 0.44 0.5625 THINK2 0.63 0.60 0.3969 ACT1 0.52 0.73 0.2704 ACT2 0.67 0.55 0.4489 ACT3 0.50 0.75 0.2500 RELATE1 0.52 0.73 0.2704 ∑ 6.12 6.18 3.8122 Sumber: Peneliti (2010)
Tabel 4.20 CR dan VE Celebrity Endorsement (1) Keterangan Var. Teramati SFL (std.loading) THETA-DELTA SFL2 (std.loading2)
Construct Reliability (CR) dan Variance extracted (VE)
CREDI1 0.74 0.45 0.5476 CR = (3.612)/[(3.612)+2.37] CR = 0.85 VE = 2.6251/(2.6251+2.37) VE = 0.53 CREDI2 0.65 0.58 0.4225 ATTRAC1 0.69 0.52 0.4761 ATTRAC2 0.83 0.32 0.6889 ATTRAC3 0.70 0.50 0.4900 ∑ 3.61 2.37 2.6251 Sumber: Peneliti (2010)
Tabel 4.21 CR dan VE Brand Trust (1) Keterangan Var. Teramati SFL (std.loading) THETA-EPS SFL2 (std.loading2)
Construct Reliability (CR) dan Variance extracted (VE)
RELI1 0.80 0.36 0.6400 CR = (5.962)/[(5.962)+3.52] CR = 0.91 VE = 4.4920/(4.4920+3.52) VE = 0.56 RELI2 0.79 0.37 0.6241 RELI3 0.84 0.30 0.7056 RELI4 0.86 0.26 0.7396 INTENS1 0.68 0.54 0.4624 INTENS2 0.67 0.56 0.4489 INTENS3 0.65 0.58 0.4225 INTENS4 0.67 0.55 0.4489 ∑ 5.96 3.52 4.4920 Sumber: Peneliti (2010)
Tabel 4.22 CR dan VE Brand Loyalty (1) Keterangan Var. Teramati SFL (std.loading) THETA-EPS SFL2 (std.loading2)
Construct Reliability (CR) dan Variance extracted (VE)
BEHAV1 0.80 0.36 0.6400 CR = (2.162)/[(2.162)+1.41] CR = 0.77 VE = 1.5848/(1.5848+1.41) VE = 0.53 ATTITU1 0.78 0.39 0.6084 ATTITU2 0.58 0.66 0.3364 ∑ 2.16 1.41 1.5848 Sumber: Peneliti (2010)
Pada Tabel 4.23 ditampilkan hasil rangkuman besarnya nilai construct reliability dan variance extracted, beserta keputusan mengenai reliabilitas dari variabel-variabel laten pada penelitian ini. Dasar Pengambilan Keputusan agar reliabilitas construct dikatakan baik, yaitu jika:
(1) Construct Reliability (CR)-nya > 0.70 (2) Variance extracted (VE)-nya > 0.50
Tabel 4.23 Uji Reliabilitas (1) Variabel Laten Construct Reliability
(CR)
Variance extracted (VE)
Keputusan
Experiential Marketing 0.86 0.38 Kurang Baik
Celebrity Endorsement 0.85 0.53 Baik
Brand Trust 0.91 0.56 Baik
Brand Loyalty 0.77 0.53 Baik
Sumber: Peneliti (2010)
Pada Tabel 4.23 tampak bahwa 3 variabel laten memiliki nilai reliabilitas yang baik, karena telah memenuhi kedua syarat untuk dinyatakan memiliki reliabilitas yang baik. Ketiga
variabel tersebut adalah celebrity endorsement, brand trust, dan brand loyalty. Namun, terdapat satu variabel yang memiliki reliabilitas kurang baik dikarenakan variabel tersebut tidak memenuhi salah satu syarat agar suatu variabel dikatakan memiliki reliabilitas yang baik. Variabel tersebut adalah experiential marketing. Variabel laten experiential marketing memang telah memenuhi syarat dari segi construct reliability (0.86 > 0.70), namun variabel tersebut tidak memenuhi syarat dari segi variance extracted (0.38 < 0.50).
Untuk itulah, peneliti belum dapat melanjutkan ke tahap uji kecocokan model struktural, karena terdapat variabel yang belum reliabel. Dengan mengamati nilai muatan faktor standar atau standardized factor loadings (SFL) dari variabel-variabel teramati yang dijelaskan oleh variabel laten experiential marketing, maka dapat diamati bahwa ada beberapa variabel yang memang memiliki nilai muatan faktor standar sangat kecil, dalam arti bahwa walaupun sudah memenuhi syarat nilai minimal dari muatan faktor standar, namun nilainya masih mendekati nilai batasan tersebut dan bahkan ada juga yang berada tepat di batasan minimal yang diperbolehkan. Lagipula, bila ditinjau kembali bahwa terdapat dua pandangan mengenai batas minimal untuk muatan faktor standar agar dinyatakan memiliki validitas yang baik, yaitu menurut pendapat Rigdon dan Ferguson, muatan faktor standarnya (standardized factor loadings) harus lebih besar atau sama dengan 0.70, sedangkan menurut Igrabia, et al., muatan faktor standarnya harus lebih besar atau sama dengan 0.50. Lebih lanjut, Wijanto (2008, p139) menyatakan bahwa penggunaan batas kritikal 0.50 atau 0.70, sepenuhnya terserah kepada peneliti, dengan mempertimbangkan teori atau substansi yang mendasari model, banyaknya variabel teramati yang tersisa setelah penghapusan, dan reliabilitas model pengukuran yang terkait. Berdasarkan pernyataan Wijanto tersebut, peneliti mempertimbangkan bahwa jika peneliti mengikuti pendapat dari Rigdon dan Ferguson, maka akan sangat banyak sekali variabel teramati dari experiential marketing yang tidak memiliki validitas yang baik dan bahkan hanya ada satu variabel yang memiliki validitas yang baik, yaitu THINK1 dan tidak menutup kemungkinan bahwa nantinya hanya tersisa satu variabel
itu saja sekalipun respesifikasi dilakukan dengan mengeluarkan satu per satu variabel yang validitasnya paling kurang baik. Untuk itu, peneliti tetap menggunakan batas minimal seperti yang sudah ditetapkan sebelumnya dan langkah selanjutnya adalah peneliti akan mengeluarkan satu per satu variabel teramati yang nilai muatan faktor standarnya paling kecil, yaitu paling mendekati batas minimal 0.50 atau bahkan sama dengan 0.50, guna meningkatkan reliabilitas dari variabel laten experiential marketing tersebut.